-
摘要: 目前国内主要依靠各种精密仪器检测空气中的污染物浓度.由于仪器的成本较高, 国家通过在每个城市设立监测站来检测空气质量, 这种空气质量检测方法是粗粒度的, 不能覆盖城市的每个角落.本文提出了一种基于图像的空气质量等级检测方法, 旨在通过移动设备采集的图像检测空气质量等级, 移动设备的普及使得通过图像细粒度检测空气质量成为可能, 该方法利用空气污染对图像颜色通道和灰度通道局部信息熵的影响构建空气质量等级检测模型.在本文构建的空气质量图像库进行了模型测试和比较分析, 实验结果表明:本文方法能够准确地评估空气质量等级, 比其他已有相关方法更适用于空气质量等级检测.Abstract: At present, the concentration of pollutants in the air is detected mainly by a variety of precision testing instruments. Because of the high cost of instruments, the state set up monitoring stations in every city to detect air quality, which is coarse-grained and cannot cover every corner of the city. This paper presents an air quality detection method based on images taken by mobile devices. Now the popularity of mobile devices makes it possible for the fine-grained detection of the air quality through images. Our method carries on the analysis of color channel information entropy and gray channel information entropy, which can reflect air quality, and then we build the air quality grade detection model based on these image features. The proposed method is compared with other existing methods on our air quality image database from the estimation accuracy and the time consumption, and the experimental results show that our method is more suitable for air quality grade detection.
-
Key words:
- Air quality grade detection /
- air quality image database /
- fine-grained detection /
- local information entropy
-
$ H_{\infty} $控制理论主要研究抑制干扰和不确定性问题[1].在$ H_{\infty} $控制理论中, 传递函数(或系统)的$ H_{\infty} $范数是一项重要的性能指标, 用于度量扰动输入对系统输出的影响, 反映了闭环系统的抗扰能力.在$ H_{\infty} $控制理论研究中, 长期存在一个挑战性议题:是否能够直接给出关于$ H_{\infty} $范数的通用解析表达式, 进而避免针对线性矩阵不等式(Linear matrix inequality, LMI)约束条件的繁琐的$ H_{\infty} $范数近似寻优方案.
在20世纪80年代, $ H_{\infty} $控制理论的研究由频域转换到时域, 开启了基于状态空间方程描述的系统鲁棒性能研究[2].总的来说, $ H_{\infty} $性能时域分析面临的核心问题是如何选择适当的李雅普诺夫函数.具体表现为基于李雅普诺夫方程[3-4]或参数化Riccati不等式[5]均难以得到用于精确分析系统$ H_{\infty} $性能的最优李雅普诺夫函数, 因此在早期的研究中结果的保守性是难以避免的.
为精确求解$ H_{\infty} $范数, 有学者提出了有界实引理[6], 并将求解$ H_{\infty} $范数问题转化为时域状态空间的约束优化问题.基于有界实引理给出的LMI约束条件, $ H_{\infty} $范数能够被近似寻优[7-14].在LMI方法中, $ H_{\infty} $范数的寻优一般包含以下步骤:
1) 给出一个充分大的初始$ H_{\infty} $范数估计$ \mit\gamma $;
2) 解LMI问题;
3) 递减$ H_{\infty} $范数估计$ \mit\gamma $, 直到获得满足LMI条件的最小$ H_{\infty} $范数估计$ \mit\gamma $.
显然, 一旦最小$ H_{\infty} $范数估计得到, 则通过解LMI, 可以得到相应的近似最优李雅普诺夫函数.不难发现, LMI方法存在一定不足, 表现为:
1) 对于每一个给定的$ \mit\gamma $, LMI条件需要被重复求解, 直到找到最小的$ H_{\infty} $范数估计, 过程过于繁琐;
2) 这种试凑逼近方法无法揭示系统结构和参数对$ H_{\infty} $性能的影响, 在一定程度上限制了控制器精细设计的研究.
为了克服目前关于$ H_{\infty} $范数问题研究的不足, 一个可替换的方法是直接优化李雅普诺夫函数, 进而得到关于$ H_{\infty} $范数的通用解析表达式.目前, 针对系统具体性能, 难以找到李雅普诺夫函数设计的充要条件, 因此这方面的研究并不多见.事实上, 在分析系统具体性能时, 存在最优的李雅普诺夫函数, 并且这一最优李雅普诺夫函数与系统结构和参数存在内在关系[15].因此本文尝试寻找一种李雅普诺夫函数的直接优化途径, 进而实现$ H_{\infty} $性能的精确分析.
由于多数高阶系统在一定的条件下可以近似(或分解)为二阶系统来研究, 并且二阶系统的分析方法是分析高阶系统的基础[16], 因此为有效展现最优李雅普诺夫函数与系统结构和参数存在内在关系, 本文针对一类二阶系统的$ H_{\infty} $范数问题, 构造和优化李雅普诺夫函数, 进而得到$ H_{\infty} $范数的通用解析表达式.本文的研究避免了LMI方法中繁琐的近似寻优过程, 并展示了系统矩阵特征值的实部和虚部对$ H_{\infty} $性能的影响.本文结构如下:第1节分析$ H_{\infty} $范数问题; 第2节分析Riccati不等式中李雅普诺夫函数的选择对求解$ H_{\infty} $范数的影响; 第3节展现李雅普诺夫函数的直接优化方法, 并给出$ H_{\infty} $范数的通用解析表达式; 第4节给出算例, 验证李雅普诺夫函数直接优化方法的有效性.
1. 问题的提出
1.1 问题描述
系统描述为
$ \begin{align} \dot{\boldsymbol{ x}} = A {\boldsymbol{ x}}+ {\boldsymbol{ w}} \end{align} $
(1) 其中, $ {\boldsymbol{ x}} \in \textbf{R}^{2} $, $ A $为Hurwitz矩阵, $ A $的特征值为复数, $ {\boldsymbol{ w}} $为扰动输入, $ \|{\boldsymbol{ w}}\| \leq \delta $, $ \delta $为常数, $ \|{\boldsymbol{ w}}\| = (\Sigma^{2}_{i = 1}w^{2}_{i})^{\frac{1}{2}} $.
研究的问题是如何得到系统(1)的状态上界.在数学意义上, 这一问题可转化为关于输入–输出系统的$ H_{\infty} $范数问题, 其中系统描述为
$ \begin{align} \begin{cases} \dot{\boldsymbol{ x}} = A {\boldsymbol{ x}} + {\boldsymbol{ w}} \\ {\boldsymbol{ y}} = {\boldsymbol{ x}} \end{cases} \end{align} $
(2) 在$ H_{\infty} $控制理论中, 系统的$ H_{\infty} $范数定义为$ S $右半平面上解析的有理函数阵的最大奇异值.在标量函数中就是幅频特性的极大值, 代表了系统对峰值有界信号的传递特性.
1.2 LMI方法分析
令李雅普诺夫函数为$ V = {\boldsymbol{ x}}^{\rm T}P{\boldsymbol{ x}} $, $ \gamma $为系统(2)的$ H_{\infty} $范数, 即$ \mit\gamma = \|G\|_{\infty} $, 其中$ G(s) = (sI-A)^{-1} $为系统(2)的传递函数.根据有界实引理, 可得
$ \begin{align} \left[ \begin{array}{ccc} PA+A^{\rm{T}}P & P & I \\ P & -\gamma^{2} I & 0_{2\times 2} \\ I & 0_{2\times 2} & -I \\ \end{array} \right] < 0 \end{align} $
(3) LMI方法是寻找式(3)中$ \mit\gamma $的最小值$ \mit\gamma_{\rm{min}} $.由于李雅普诺夫函数$ V = {\boldsymbol{ x}}^{\rm T}P {\boldsymbol{ x}} $可以任意构造, 因此对于每一个给定的$ \mit\gamma $, 需要重复求解LMI, 以判断式(3)的存在性, 直到$ \mit\gamma_{\rm{min}} $被找到.显然, 在LMI方法中复杂的优化过程是不可避免的.事实上, $ \mit\gamma_{\rm{min}} $与最优的$ P $矩阵是一一对应的.如果能够直接给出最优的$ P $矩阵, 则$ \mit\gamma_{\rm{min}} $的表达式就能够得到, 进而避免LMI方法中复杂的优化过程.本文的工作是尝试提供一种新的途径来直接给出$ \mit\gamma_{\rm{min}} $的表达式.
2. $ \pmb H_{\boldsymbol{ \infty}} $范数分析
根据特征值和奇异值分解原理, 可以得到下面的特性.
特性1. 对于系统(2)中特征矩阵$ A $, 存在可逆矩阵$ T $, 满足
$ \begin{align} D = -TAT^{-1} = \left[ \begin{array}{cc} \lambda & \nu \\ -\nu & \lambda \\ \end{array} \right] \end{align} $
(4) 其中, $ T = \Theta_{T1} \times \text{diag}\{t_{1}, t_{2}\} \times \Theta_{T2} $, $ \Theta_{T1} $和$ \Theta_{T2} $为正交矩阵, $ t_{2} \geq t_{1} > 0 $, $ \lambda > 0 $, $ \nu > 0 $. $ \text{diag}\{t_{1}, t_{2}\} $表示对角元素为$ t_{1} $, $ t_{2} $的对角阵.
令$ \alpha = {t_{2}}/{t_{1}} \geq 1 $, $ {\boldsymbol{ y}} = \Theta_{T2} \times {\boldsymbol{ x}} $, $ {\boldsymbol{ {\Delta}}} = \Theta_{T2}\times{\boldsymbol{ w}} $.由式(2)和特性1, 得
$ \begin{align} \begin{cases} \dot{\boldsymbol{ y}} = E {\boldsymbol{ y}} + B {\boldsymbol{ {\Delta}}} \\ {\boldsymbol{ x}} = C {\boldsymbol{ y}} \end{cases} \end{align} $
(5) 其中, $ B = I $为单位阵, $ C = \Theta_{T2}^{-1} $, $ E = - \left[ {array}{cc} \lambda & \alpha \nu \\ -\frac{1}{\alpha}\nu & \lambda \\ {array} \right], $并且系统(2)和(5)具有相同的$ H_{\infty} $范数.
根据文献[5]中引理2.1, 可以得到下面的特性.
特性2. 对于系统(5), 存在正定矩阵$ X $, 满足Riccati不等式
$ \begin{align} E^{\rm T}X+XE+(1+\varepsilon)C^{\rm T}C+ \rho^{-2} XBB^{\rm T}X \leq 0 \end{align} $
(6) 其中, $ \gamma < \rho $, $ \gamma = \|G\|_{\infty} $为系统$ H_{\infty} $范数, $ \varepsilon $为趋于零的正数.
注1. 应用Riccati不等式一般会得到具有很强保守性的结果, 但这种保守性并不是Riccati不等式本身导致的.研究表明:基于李雅普诺夫函数的准确选择, 可以将特性2中Riccati不等式转化为等式, 进而精确给出$ H_{\infty} $范数.因此, 导致这种保守性的原因是:在应用Riccati不等式时, 目前尚没有有效的方法找到最优的李雅普诺夫函数.这正是本文研究李雅普诺夫函数构造(或优化)的动机.
令
$ \begin{align} \Upsilon = \, &K^{-1} \Theta \begin{bmatrix} \lambda & -\frac{1}{\alpha} \nu \\ \alpha \nu & \lambda \end{bmatrix}\Theta^{\rm T}\; + \nonumber \\&\Theta \begin{bmatrix} \lambda & \alpha \nu \\ -\frac{1}{\alpha} \nu & \lambda \\ \end{bmatrix} \Theta^{\rm T}K^{-1} - K^{-1}K^{-1} \end{align} $
(7) 其中, $ \alpha \geq 1 $,
$ \begin{align} K = \iota \left[ \begin{array}{cc} 1 & 0 \\ 0 & k \\ \end{array} \right], \;\;\;\; \Theta = \left[ \begin{array}{cc} \cos \theta & \sin \theta \\ -\sin \theta & \cos \theta \\ \end{array} \right] \end{align} $
(8) $ \iota >0 $, $ k \geq 1 $, $ 0 \leq \theta \leq {\pi}/{4} $.
由式(8)构造的李雅普诺夫函数分解了"放缩"和"旋转"作用.这种功能的分解使李雅普诺夫函数的参数优化具有了可行性.
定理1. 对于系统(5), 系统$ H_{\infty} $范数$ \gamma $满足
$ \begin{align} \gamma < \rho_{\rm{min}} = \left[\sqrt{\lambda_{\rm{min}}(\Upsilon)} \right]^{-1} \end{align} $
(9) 其中, $ \lambda_{\rm{min}}(\Upsilon) $为矩阵$ \Upsilon $的最小特征值.
证明. 令$ X = \Theta^{\rm T} K \Theta $, 其中, $ K $和$ \Theta $由式(8)给出.根据特性2和式(7), 得
$ \begin{align} \rho^{-2} I \leq \Upsilon - \varepsilon K^{-1}K^{-1} \end{align} $
(10) 则$ \rho^{-2} \leq \lambda_{\rm{min}}(\Upsilon- \varepsilon K^{-1}K^{-1}) $, 由于$ \gamma < \rho $, 并且$ \varepsilon $为趋于零的正数, 则式(9)成立.
注2. 根据定理1, 可以优化李雅普诺夫函数的参数, 以最大化$ \lambda_{\rm{min}}(\Upsilon) $, 进而精确估计系统$ H_{\infty} $范数.因此, 定理1给出了一种新的途径以得到系统的$ H_{\infty} $范数.
3. 李雅普诺夫函数优化
考查式(7)给出的矩阵$ \Upsilon $.由式(7)和式(8), 可得
$ \begin{align} \Upsilon = \frac{1}{\iota} \left[ \begin{array}{cc} 2\lambda + \beta \nu - \frac{1}{\iota} & \frac{1}{k} \sigma \nu \\ \frac{1}{k} \sigma \nu & \frac{1}{k}(2 \lambda - \beta \nu) - \frac{1}{\iota k^{2}} \\ \end{array} \right] \end{align} $
(11) 其中,
$ \begin{align} \beta = &\ \left(\alpha-\frac{1}{\alpha}\right) \sin 2\theta \end{align} $
(12) $ \begin{align} \sigma = &\, \left[\alpha- (\alpha-\frac{1}{\alpha}) \sin^{2} \theta \right] -k \left[\frac{1}{\alpha} + (\alpha-\frac{1}{\alpha}) \sin^{2} \theta \right] = \\ &\ \frac{1}{2}(1-k)(\alpha+\frac{1}{\alpha}) +\frac{1}{2}(1+k) (\alpha-\frac{1}{\alpha}) \cos 2\theta \end{align} $
(13) 根据式(11), 以最大化$ \lambda_{\rm{min}}(\Upsilon) $为目标, 将给出一种李雅普诺夫函数的优化方法.
3.1 李雅普诺夫函数优化策略
令
$ \begin{align} \Upsilon_{1} = \Theta^{-1} \Upsilon \Theta, \; \; Y_{1} = X^{-1} \end{align} $
(14) 则由式(7)和$ X = \Theta^{\rm T}K\Theta $, 得
$ \begin{align} \Upsilon_{1} = EE^{\rm T}-(E+Y_{1})(E+Y_{1})^{\rm T} \end{align} $
(15) 令
$ \begin{align} &EE^{\rm T} = \Theta_{1}^{\rm T} \Lambda \Theta_{1}, \quad \Upsilon_{2} = \Theta_{1} \Upsilon_{1} \Theta_{1}^{\rm T} \end{align} $
(16) $ \begin{align} &E_{1} = \Theta_{1} E \Theta_{1}^{\rm T}, \qquad Y_{2} = \Theta_{1} Y_{1} \Theta_{1}^{\rm T} \end{align} $
(17) 其中, $ \Lambda = {\rm diag}\{\sigma_{1}, \sigma_{2}\} $, $ \sigma_{1} \geq \sigma_{2} $, 则
$ \begin{align} \Upsilon_{2} = \Lambda - (E_{1}+Y_{2})(E_{1}+Y_{2})^{\rm T} \end{align} $
(18) 令
$ \begin{align} E_{1} = E_{R}+E_{J}, \; \; Y_{3} = E_{R}+Y_{2} \end{align} $
(19) 其中, $ E_{R}^{\rm T} = E_{R} $, $ E_{J} = -E_{J}^{\rm T} $, 则
$ \begin{align} \Upsilon_{2} = \Lambda - (E_{J}+Y_{3})(E_{J}+Y_{3})^{\rm T} \end{align} $
(20) 令
$ \begin{align} Y_{3} = \left[ \begin{array}{cc} y_{1} & y_{3} \\ y_{3} & y_{2} \\ \end{array} \right], \; \; E_{J} = \left[ \begin{array}{cc} 0 & a \\ -a & 0 \\ \end{array} \right] \end{align} $
(21) 则根据$ \Lambda = \text{diag}\{\sigma_{1}, \sigma_{2}\} $, 有$ \sigma_{1} \geq \sigma_{2} $,
$ \begin{align} \Upsilon_{2} = & \left[ \begin{array}{cc} \sigma_{1}-(y_{3}+a)^{2}-y_{1}^{2} \\ -(y_{1}+y_{2})y_{3}-(y_{2}-y_{1})a \\ \end{array}\right.\\ &\qquad\qquad\qquad \left. \begin{array}{cc} & -(y_{1}+y_{2})y_{3}-(y_{2}-y_{1})a \\ & \sigma_{2} -(y_{3}-a)^{2}-y_{2}^{2} \\ \end{array} \right] \end{align} $
(22) 根据式(14), (16), (21), (22)和定理1, 存在$ Y_{3} $, 使$ \lambda_{\rm{min}}(\Upsilon_{2}) $ $ > $ $ 0 $, 即$ \Upsilon_{2} $正定.因此根据式(22), 为了最大化$ \Upsilon_{2} $的最小特征值, 应使下面两个条件成立.
1) $ (y_{1}+y_{2})y_{3}+ (y_{2}-y_{1})a = 0 $ (例如$ y_{2} = 0 $, $ y_{3} = a $; 或$ y_{1} = y_{2} = 0 $).
2) $ \Upsilon_{2} $的特征值相等(例如$ y_{1}^{2} = \sigma_{1}-\sigma_{2}-4a^{2} $; 或$ y_{3} $ $ = $ $ (\sigma_{1}-\sigma_{2})/{4a} $).
注意, $ \sqrt{\sigma_{2}} $为$ E $的最小奇异值, 因此$ \gamma \geq {1}/{\sqrt{\sigma_{2}}} $.令
$ \begin{align} \lambda_{1} = \frac{1}{\iota}\left( 2\lambda + \beta \nu - \frac{1}{\iota} \right), \; \; \lambda_{2} = \frac{1}{\iota}\left[ \frac{1}{k}(2 \lambda - \beta \nu) - \frac{1}{\iota k^{2}} \right] \end{align} $
(23) 基于以上分析, 并根据式(9), (11), (14), (16)和(23), 为了最大化$ \Upsilon $的最小特征值, 李雅普诺夫函数的优化策略设计为$ \sigma = 0 $和$ \lambda_{1} = \lambda_{2} $.
3.2 李雅普诺夫函数参数优化
基于所给李雅普诺夫函数优化策略, 进一步优化李雅普诺夫函数参数.
定理2. 对于系统(5), 系统$ H_{\infty} $范数$ \gamma $满足
$ \begin{align} \gamma < \rho(k, \iota) = \left[\min(\lambda_{1}, \lambda_{2}) \right]^{-\frac{1}{2}} \end{align} $
(24) 其中, $ \lambda_{1} $和$ \lambda_{2} $由式(23)给出, 式(23)中$ \beta $由下式给出.
$ \begin{align} \beta = \frac{2}{k+1}\sqrt{\left(k \alpha-\frac{1}{\alpha}\right)\left(\alpha- \frac{k}{\alpha}\right)} \end{align} $
(25) 证明. 考查式(11)给出的矩阵$ \Upsilon $.令$ \sigma = 0 $, 则
$ \begin{align} \cos 2\theta = \frac{(k-1)(\alpha+\frac{1}{\alpha})}{(k+1)(\alpha-\frac{1}{\alpha})} \end{align} $
(26) 因此根据式(11), (12), (23)和$ 0 \leq \theta \leq {\pi}/{4} $, 矩阵$ \Upsilon $的特征值为$ \lambda_{1} $和$ \lambda_{2} $, 其中$ \beta $由式(25)给出.根据定理1, 可得式(24).
注3. 基于李雅普诺夫函数参数矩阵$ \Theta $的优化策略, 定理2进一步给出系统$ H_{\infty} $范数的估计., 同时奠定了进一步优化李雅普诺夫函数参数$ k $和$ \iota $的基础.
定理3. 对于系统(5), 系统$ H_{\infty} $范数$ \gamma $满足
$ \begin{align} \gamma < \rho(k) = \begin{cases} \frac{1}{\lambda}, & \text{若}\; \alpha = 1\\ \left[ f(k)\right]^{-\frac{1}{2}}, & \text{若}\; \alpha >1 \end{cases} \end{align} $
(27) 其中,
$ \begin{align} f(k) = \frac{4k}{(k+1)^{2}} \left[ \lambda^{2} + \nu^{2} - \frac{k \nu^{2}}{(k-1)^{2}} \left(\alpha-\frac{1}{\alpha}\right)^{2} \right] \end{align} $
(28) 证明. 考查式(23)给出的矩阵$ \Upsilon $的特征值为$ \lambda_{1} $和$ \lambda_{2} $.令$ \lambda_{1} = \lambda_{2} $, 即
$ \begin{align} 2\lambda + \beta \nu - \frac{1}{\iota} = \frac{1}{k}(2 \lambda - \beta \nu) - \frac{1}{\iota k^{2}} \end{align} $
(29) 其中, $ \beta $由式(25)给出, $ \alpha \geq 1 $.
当$ \alpha > 1 $时, 由式(25)和式(29)可知$ k \neq 1 $, 并且得
$ \begin{align} \frac{1}{\iota} = \frac{2k \lambda}{k+1}+\frac{2k \nu}{k^{2}-1} \sqrt{\left(k \alpha- \frac{1}{\alpha}\right)\left(\alpha-\frac{k}{\alpha}\right)} \end{align} $
(30) 当$ \alpha = 1 $时, 由式(25)可知$ (k-1)^{2} \leq 0 $, 即$ k = 1 $.则根据式(23), (25), (29), $ \lambda_{1} = \lambda_{2} = \frac{1}{\iota} (2 \lambda-\frac{1}{\iota}) $.当$ \iota = \lambda $时, 得$ \max (\lambda_{1}) = \lambda^{2} $.
基于以上分析, 并根据定理2和式(23), (25), (29)以及(30), 可得结论.
注4. 通过给出李雅普诺夫函数参数$ \iota $的优化策略, 定理3进一步给出系统$ H_{\infty} $范数的估计.根据定理3, 可以直接优化李雅普诺夫函数参数$ k $, 进而得到系统$ H_{\infty} $范数的精确估计.
注5. 注意, 当$ \alpha > 1 $时, $ k \neq 1 $.因此定理3通过分别讨论$ \alpha > 1 $和$ \alpha = 1 $两种情况, 解决了$ f(k) $的奇异问题.
令
$ \begin{align} \kappa = k + \frac{1}{k} > 2 \end{align} $
(31) 则由式(28), 得
$ \begin{align} f(\kappa) = \frac{4(\lambda^{2} + \nu^{2})}{\kappa+2} - \frac{4\nu^{2}}{\kappa^{2}-4} \times \left(\alpha-\frac{1}{\alpha}\right)^{2} \end{align} $
(32) 定理4. 对于系统(5), 系统$ H_{\infty} $范数$ \gamma $满足
$ \begin{align} \gamma < \rho_{\text{opt}} = \begin{cases} \frac{1}{\lambda}, & \text{若}\; \alpha = 1\\ \frac{1}{2\lambda}\sqrt{\alpha^{2}+\frac{1}{\alpha^{2}}+2}, &\text{若}\; \kappa_{0} \geq \alpha^{2}+\frac{1}{\alpha^{2}}\\ \left[ f(\kappa_{0})\right]^{-\frac{1}{2}}, &\text{若}\; \kappa_{0} < \alpha^{2}+\frac{1}{\alpha^{2}} \end{cases} \end{align} $
(33) 其中
$ \begin{align} &f(\kappa_{0}) = \frac{4(\lambda^{2} + \nu^{2})}{\kappa_{0}+2} - \frac{4\nu^{2}}{\kappa_{0}^{2}-4} \times \left(\alpha-\frac{1}{\alpha}\right)^{2} \end{align} $
(34) $ \begin{align} &\kappa_{0} = 2 + \frac{\nu^{2} (\alpha-\frac{1}{\alpha})^{2}}{\lambda^{2} + \nu^{2}} \times \left[ 1+\sqrt{1+ \frac{4(\lambda^{2} + \nu^{2})}{\nu^{2} (\alpha-\frac{1}{\alpha})^{2}}} \right] \end{align} $
(35) 证明. 由式(32), 得
$ \begin{align} f'(\kappa) = \frac{{\rm d} f(\kappa)}{{\rm d} \kappa} = -\frac{4(\lambda^{2} + \nu^{2})}{(\kappa+2)^{2}} +\frac{8(\alpha-\frac{1}{\alpha})^{2} \nu^{2} \kappa}{(\kappa+2)^{2}(\kappa-2)^{2}} \end{align} $
(36) 令$ f'(\kappa) = 0 $, 即
$ \begin{align} \kappa^{2} - \left[ 4+ \frac{2(\alpha-\frac{1}{\alpha})^{2} \nu^{2}}{\lambda^{2} + \nu^{2}} \right] \kappa +4 = 0 \end{align} $
(37) 根据$ \kappa >2 $和式(35), 得$ \kappa = \kappa_{0} $.
根据式(35) $ \sim $ (37), 得
$ \begin{align} \lim \limits_{\varsigma \rightarrow 0} \frac{f'(\kappa_{0} + \varsigma)-f'(\kappa_{0})}{\varsigma} <0 \end{align} $
(38) 因此, 在$ 2 < \kappa < \infty $的条件下, $ \max f(\kappa) = f(\kappa_{0}) $, 如图 1 (a)和1 (b)所示.
注意, 定理2中李雅普诺夫函数参数矩阵$ \Theta $的优化策略为$ \sigma = 0 $, 则由式(13), 可得$ k \leq \alpha^{2} $.由于$ k >1 $, 因此根据式(31), 得
$ \begin{align} \Omega = \left\{ \kappa \in \textbf{R} | 2 < \kappa \leq \alpha^{2}+\frac{1}{\alpha^{2}} \right\} \end{align} $
(39) $ \begin{align} \max \limits_{k \in \Omega} f(\kappa) = \begin{cases} \frac{4\lambda^{2}}{\alpha^{2}+\frac{1}{\alpha^{2}}+2}, &\text{若}\; \kappa_{0} \geq \alpha^{2}+\frac{1}{\alpha^{2}}\\ f(\kappa_{0}), & \text{若}\; \kappa_{0} < \alpha^{2}+\frac{1}{\alpha^{2}} \end{cases} \end{align} $
(40) 因此由定理3可得结论.
注6. 通过对李雅普诺夫函数参数的直接优化, 定理4给出了系统$ H_{\infty} $范数上界的优化结果.应用定理4, 可以给出系统$ H_{\infty} $范数的精确估计.
注7. 不同于LMI方法, 本文提出的李雅普诺夫函数直接优化方法分析了李雅普诺夫函数的构造对系统性能分析的影响, 充分利用系统结构和参数以优化李雅普诺夫函数的设计.与LMI方法相比, 李雅普诺夫函数直接优化方法能够直接给出系统$ H_{\infty} $范数的精确结果, 进而避免了复杂的数值优化过程.因此本文的工作提供了一种新的途径以更为方便地分析系统动态性能.
4. 算例
考查系统
$ \begin{align} \dot{\boldsymbol{ x}} = -\left[ \begin{array}{cc} 1.25 & 1.25 \\ -1.25 & 2.75 \\ \end{array} \right]{\boldsymbol{ x}}+ {\boldsymbol{ w}} \end{align} $
(41) 其中, $ {\boldsymbol{ w}} $为扰动输入, $ \|{\boldsymbol{ w}}\| \leq 1 $, $ {\boldsymbol{ x}} $为状态输出.根据式(5), 得
$ \begin{align} \begin{cases} \dot{\boldsymbol{ y}} = - \left[ \begin{array}{cc} 2 & 2 \\ -0.5 & 2 \\ \end{array} \right] {\boldsymbol{ y}} + {\boldsymbol{ {\Delta}}} \\ {\boldsymbol{ x}} = \frac{\sqrt{2}}{2} \left[ \begin{array}{cc} 1 & -1 \\ 1 & 1 \\ \end{array} \right] {\boldsymbol{ y}} \end{cases} \end{align} $
(42) 因此, $ \lambda = 2 $, $ \nu = 1 $, $ \alpha = 2 $.
由式(34), 得$ \kappa_{0} = 3.8651< \alpha^{2}+\frac{1}{\alpha^{2}} = 4.25 $.则根据定理4, 得$ \gamma < \rho_{\text{opt}} = 0.622 $.因此$ \gamma \approx 0.622 $.应用MATLAB中$ H_{\infty} $范数求解函数hinfnorm (sys, 0.0000001)可得相同的结果.因此提出的李雅普诺夫函数直接优化方法能精确给出系统$ H_{\infty} $范数.
表 1进一步给出在不同参数条件下系统(5)的$ H_{\infty} $范数.表 1表明, 针对式(5)给出的具有不同参数的系统, 提出的李雅普诺夫函数直接优化方法都能精确给出系统$ H_{\infty} $范数.
表 1 $H_{\infty}$范数分析($\alpha = 2$)Table 1 $H_{\infty}$ norm analysis ($\alpha = 2$)$\lambda$ $\nu$ MATLAB 定理4 稳态误差$\|A^{-1}\|$ 状态上界 2 6 0.626 0.626 0.307 0.626 2 4 0.626 0.626 0.419 0.626 2 2 0.626 0.626 0.588 0.626 2 1.2 0.626 0.626 0.626 0.626 2 1 0.622 0.622 0.622 0.622 2 0 0.501 0.501 0.501 0.501 在$ \alpha $和系统特征值实部$ \lambda $确定(即$ \alpha = 2 $, $ \lambda = 2 $)的条件下, 表 1给出的结果表明, 随着系统特征值虚部$ \nu $变化, $ H_{\infty} $范数的变化具有一定规律性, 表现为:
1) 当$ \nu = \nu^{*} = 1.2 $ (即$ \kappa_{0} = \alpha^{2}+{1}/{\alpha^{2}} $)时, $ H_{\infty} $范数为$ \max \|A^{-1}\| $;
2) 当$ \nu < \nu^{*} $ (即$ \kappa_{0} < \alpha^{2}+{1}/{\alpha^{2}} $)时, $ H_{\infty} $范数与稳态指标$ \|A^{-1}\| $一致;
3) 当$ \nu > \nu^{*} $ (即$ \kappa_{0} > \alpha^{2}+{1}/{\alpha^{2}} $)时, $ H_{\infty} $范数为固定值(即$ H_{\infty} $范数的值与$ \nu $无关), 并且根据定理4, $ H_{\infty} $范数的表达式非常简洁.
由式(1), (3), (41), 得
$ \begin{align} \begin{bmatrix} -P \begin{bmatrix} 1.25 & 1.25 \\ -1.25 & 2.75 \\ \end{bmatrix} -\small{ \begin{bmatrix} 1.25 & -1.25 \\ 1.25 & 2.75 \\ \end{bmatrix}}P & P & I \\ P & -\gamma^{2} I & 0_{2\times 2} \\ I & 0_{2\times 2} & -I \end{bmatrix} < 0 \end{align} $
(43) 采用LMI方法求解$ H_{\infty} $范数的步骤为:
1) 选择足够大的$ \gamma $, 如$ \gamma = 10 $;
2) 应用MATLAB中LMI工具求解式(43), 可得$ P $存在;
3) 减小$ \gamma $取值, 如$ \gamma = 1 $, 应用LMI工具求解式(43), 可得$ P $存在;
4) 当$ \gamma = 0.622 $时, 应用LMI工具求解式(43), 可得$ P $存在;
5) 当$ \gamma = 0.621 $时, 应用LMI工具求解(43), 可得$ P $不存在.
基于以上步骤, LMI方法可给出$ H_{\infty} = 0.622 $.这一结果与定理4得到的结果一致, 如表 1所示.
事实上, LMI方法需要对$ \gamma $进行遍历寻找.当选$ \gamma $的间隔较大时, 保守的结果不可避免.与之相比, 本文的方法具有明显的优越性.
5. 结论
本文针对$ H_{\infty} $控制理论研究中难以精确求解系统$ H_{\infty} $范数的问题, 提出了一种李雅普诺夫函数的直接优化方法.通过优化Riccati不等式中的李雅普诺夫函数, 给出了$ H_{\infty} $范数的通用解析表达式, 进而提供了一个有效的途径以直接和精确求解系统$ H_{\infty} $范数.研究结果具有以下特点:
1) 与LMI方法相比, 本文所提方法避免了复杂的数值优化过程, 使求解系统$ H_{\infty} $范数简化.
2) 与早期关于李雅普诺夫方程和Riccati不等式的研究相比, 本文所提方法避免了由于李雅普诺夫函数选择的随意性导致的保守结果.
3) 本文所提方法能够展现系统矩阵特征值的实部和虚部对$ H_{\infty} $性能的影响, 为进一步精确(定量)控制系统$ H_{\infty} $性能提供借鉴.
在进一步的工作中, 将研究含有时滞及非线性项的系统.
-
图 1 基于传统机器学习的空气质量估计模型构建流程
Fig. 1 Air quality estimation model construction process based on traditional machine learning
图 2 空气质量图像库中不同等级图像示例
Fig. 2 Examples of images with different grades in the air quality image dataset
图 3 空气污染对图像灰度通道和彩色通道的影响
Fig. 3 The effect of air pollution on the gray and color channels of images
图 5 不同空气质量等级图像局部信息熵归一化直方图
Fig. 5 Histogram of normalized local information entropy for images at different air quality grades
图 7 原图和各种失真图像局部信息熵归一化直方图
Fig. 7 Histogram of normalized local information entropy for the original image and images with different kinds of distortions
图 8 不同空气质量等级在局部信息熵均值和斜率两个特征上的分布
Fig. 8 The average and slope distribution of the local information entropy with different air quality grades
图 10 基于图像的空气质量等级检测方法流程图
Fig. 10 The flow chart of the image based air quality grade detection method
表 1 空气质量图像库
Table 1 Air quality image dataset
空气质量等级 优 良 轻度污染 中度污染 重度污染 严重污染 图像数量(幅) 15 13 15 16 16 25 
下载: 导出CSV
表 2 基于图像检测空气质量等级通用模型所用特征总结
Table 2 The summary of features used in the general model of air quality grade detection based on images
特征序号 特征意义 f1$ \sim $f2 灰度通道空间域局部信息熵均值和斜率 f3$ \sim $f4 灰度通道频域局部信息熵均值和斜率 f5$ \sim $f6 颜色通道频域局部信息熵均值和斜率
下载: 导出CSV
表 3 六种方法性能对比
Table 3 The performance comparison of the six methods
方法 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$ SSEQ [24] 0.8400 0.8384 1 345.3 0.0024 0.0035 0.7318 0.9400 IQALE-a [25] 0.8283 0.7770 1 892.1 0.0038 0.0067 0.7342 0.9235 IQALE-b [25] 0.8195 0.7791 1 912.6 0.0048 0.0075 0.7127 0.9336 IQALE-a, b [25] 0.8142 0.7618 2 828.0 0.0041 0.0076 0.7218 0.9183 Chen等[21] 0.84372 0.8145 26 485.1 0.0037 0.0049 0.7370 0.9450 GIST [27] 0.8300 0.8136 32.69 0.0018 0.0021 0.7099 0.9344 Alexnet [28] 0.8807 0.8743 16 290.0 0.0015 0.0019 0.6818 0.9250 Our-a 0.9002 0.8598 966.9 0.0011 0.0023 0.8110 0.9728 Our-b 0.8915 0.8595 971.5 0.0016 0.0028 0.7954 0.9730 Our-a, b 0.8993 0.8596 1 343.8 0.0010 0.0025 0.8126 0.9744
下载: 导出CSV
表 4 局部块大小对方法性能的影响
Table 4 The influence of the size of the local block on our method
局部块大小 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$ $2\times 2$ 0.8662 0.8818 15 071.33 0.0008 0.0008 0.7074 0.9671 $4\times 4$ 0.9093 0.8911 3 661.60 0.0005 0.0009 0.8150 0.9769 $8\times 8$ 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728 $16\times 16$ 0.8865 0.8524 310.18 0.0018 0.0029 0.7955 0.9682 $32\times 32$ 0.8551 0.8381 128.99 0.0035 0.0048 0.7670 0.9508
下载: 导出CSV
表 5 局部熵百分比对方法性能的影响
Table 5 The influence of the percentage of the local entropy on our method
局部熵百分比 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$ 100 % 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728 90 % 0.8930 0.8635 952.17 0.0013 0.0027 0.8116 0.9697 80 % 0.8889 0.8585 948.09 0.0015 0.0027 0.8073 0.9665 70 % 0.8864 0.8528 945.01 0.0014 0.0029 0.8001 0.9636 60 % 0.8834 0.8443 938.72 0.0013 0.0028 0.7974 0.9613
下载: 导出CSV
表 6 尺度个数对方法性能的影响
Table 6 The influence of the number of scales on our method
尺度 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$ 1 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728 2 0.8810 0.8348 1272.96 0.0020 0.0041 0.7934 0.9656 3 0.8646 0.8124 1363.92 0.0027 0.0057 0.7729 0.9511 4 0.8390 0.7857 1393.75 0.0027 0.0054 0.7482 0.9313
下载: 导出CSV
表 7 适用性实验数据集
Table 7 Applicability experiment datasets
数据集 图像数量(幅) 采集设备 Ⅰ 21 iphone6s等 Ⅱ 326 未知 Ⅲ 247 OPPO R7s
下载: 导出CSV
表 8 本文方法在数据集Ⅱ和数据集Ⅲ上的测试结果
Table 8 Testing results of the proposed method on Dataset Ⅱ and Dataset Ⅲ
数据集 LCC SROCC ACC(0) ACC(1) Ⅱ 0.6609 0.6827 0.6460 0.8497 Ⅲ 0.6411 0.6762 0.6032 0.8543
下载: 导出CSV
表 9 本文方法在空气质量图像库上的测试结果
Table 9 The testing results of the proposed method on the air quality image dataset
数据集 LCC SROCC ACC(0) ACC(1) 空气质量图像库 0.8721 0.8872 0.6700 0.9300
下载: 导出CSV
-
[1] 李旭红.构建符合我国国情的综合性环境税收体系.中国财政, 2017, 736(11): 26-28 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgcz201711014Li Xu-Hong. A comprehensive environmental taxation system construction in line with Chinese national conditions. China State Finance, 2017, 736(11): 26-28 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgcz201711014 [2] Turner M C, Krewski D, Diver W R, et al. Ambient air pollution and cancer mortality in the cancer prevention study Ⅱ. Environmental Health Perspectives, 2017, 125(8): 087013-1-087013-10 doi: 10.1289/EHP1249 [3] 郭尚书.基于数字摄像的大气能见度检测方法与系统实现.华中科技大学, 中国, 2014Guo Shang-Shu. Visibility Detection Method and System Design Based on Digital Photography[Master thesis]. Huazhong University of Science and Technology, China, 2014 [4] 卓力, 胡笑尘, 姜丽颖, 等.一种基于暗原色先验的空气质量指数估计方法: CN. CN104809467A, 2015Zhuo Li, Hu Xiao-Chen, Jiang Li-Ying, et al. A Method of Air Quality Index Estimation Based on Dark Channel Prior: CN. CN104809467A, 2015 [5] Zhang Z, Ma H, Fu H, et al. Outdoor air quality inference from single image. In: Proceedings of the 2015 International Conference on Multimedia Modeling. Sydney, Australia: MMM, 2015, 8936: 13-25 [6] Zamora E. Using image processing techniques to estimate the air quality. McNair Scholars Research Journal, 2012, 189-194 [7] Wong C J, Matjafri M Z, Abdullah K, et al. Temporal and spatial air quality monitoring using internet surveillance camera and ALOS satellite image. In: Proceedings of the 2009 IEEE Aerospace Conference Proceedings. Big Sky, MT, USA: IEEE, 2009. 1-7 [8] Zhang X, Liu M C. System and method for image quality enhancement by reducing the effects of air pollution and haze: US. US8204329, 2012 [9] Yang W M, Chen X, Liao Q M. Air quality evaluation based on image defogging. Applied Mechanics and Materials, 2014, 513-517: 3077-3080 doi: 10.4028/www.scientific.net/AMM.513-517.3077 [10] Yang W M, Chen X, Liao Q M. Air quality evaluation based on local normalized image contrast. Applied Mechanics and Materials, 2014, 511-512: 413-416 doi: 10.4028/www.scientific.net/AMM.511-512.413 [11] Wang H, Yuan X, Wang X, et al. Real-time air quality estimation based on color image processing. In: Proceedings of the 2015 Visual Communications and Image Processing Conference. Singapore: IEEE, 2015. 326-329 [12] Wong C J, Lim H S, Matjafri M Z, et al. Image data transfer over the internet protocol for air quality studies. In: Proceedings of the 2006 SPIE Defense and Security Symposium. Stockholm, Sweden: SPIE, 2006. 6233: 62330Z–62330Z-14 [13] Saleh N M, Lim H S, Matjafri M Z, et al. Air quality derivation utilizing Landsat TM image over Penang, Malaysia. In: Proceedings of the Third International Conference on Recent Advances in Space Technologies. Istanbul, Turkey: IEEE, 2007. 259-263 [14] Xu-Wen L I, Niu Z C, Wang J S, et al. Scene visibility retrieved from remotely sensed image and its correspondence with ground air quality monitoring data. Administration and Technique of Environmental Monitoring, 2011, 23(1): 20-27 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hjjcglyjs201101005 [15] Lim H S, Matjafri M Z. Retrieval of air quality information using image processing technique. In: Proceedings of the 2007 SPIE - The International Society for Optical Engineering. San Diego, USA: SPIE, 2007. 6541(107): 287-291 [16] Zhan Y, Zhang R, Wu Q, et al. A new haze image database with detailed air quality information and a novel no-reference image quality assessment method for haze images. In: Proceedings of the 2016 IEEE International Conference on Acoustics, Speech and Signal Processing. Shanghai, China: IEEE, 2016. 1095-1099 [17] Wong C J, Matjafri M Z, Abdullah K, et al. Using image processing technique for the studies on temporal development of air quality. In: Proceedings of the 2007 Conference on Computer Graphics, Imaging and Visualisation. Bangkok, Thailand: IEEE, 2007. 287-291 [18] Feng C, Wang W, Tian Y, et al. Estimate air quality based on mobile crowd sensing and big data. In: Proceedings of the 18th International Symposium on A World of Wireless, Mobile and Multimedia Networks. Macau, China: IEEE, 2017. 1-9 [19] Liu X, Song Z, Ngai E, et al. PM2.5 monitoring using images from smartphones in participatory sensing. In: Proceedings of the 2015 Computer Communications Workshops. Hong Kong, China: IEEE, 2015. 630-635 [20] He K, Sun J, Tang X. Single image haze removal using dark channel prior. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, USA: IEEE, 2009. 1956-1963 [21] Chen X, Li Y, Li D. An efficient method for air quality evaluation via ANN-based image recognition. In: Proceedings of theSecond International Conference on Artificial Intelligence and Industrial Engineering. Beijing, China: AⅡE, 2016. 253-256 [22] Pan Z, Yu H, Miao C, Leung C. Crowdsensing air quality with camera-enabled mobile devices. In: Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications. San Francisco, USA: AAAI, 2017. 4728-4733 [23] Sekine Y, Katori R. Indoor air quality monitoring via it network colorimetric monitoring of formaldehyde in indoor environment using image transmission of mobile phone. In: Proceedings of the 2009 ICCAS-SICE. Fukuoka, Japan: ICCAS-SICE, 2009. 4041-4046 [24] Liu L, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies. Signal Processing Image Communication, 2014, 29(8): 856-863 doi: 10.1016/j.image.2014.06.006 [25] Gabarda S, Cristóbal G, Goel N. Anisotropic blind image quality assessment: survey and analysis with current methods. Journal of Visual Communication and Image Representation, 2018, 52: 101-105 doi: 10.1016/j.jvcir.2018.02.008 [26] 徐琳, 陈强, 汪青.色彩熵在图像质量评价中的应用.中国图象图形学报, 2015, 20(12): 1583-1592 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgtxtxxb-a201512003Xu Lin, Chen Qiang, Wang Qing. Application of color entropy to image quality assessment. Journal of Image and Graphics, 2015, 20(12): 1583-1592 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgtxtxxb-a201512003 [27] Oliva A, Torralba A. Modeling the shape of the scene: A holistic representation of the spatial envelope. International Journal of Computer Vision, 2001, 42(3): 145-175 doi: 10.1023/A:1011139631724 [28] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 2012 International Conference on Neural Information Processing Systems. Doha, Qatar: ICONIP, 2012. 1097-1105 期刊类型引用(3)
1. 吕芳芳，楼旭阳，叶倩. 具有死区非线性输入的柔性臂自适应边界控制. 扬州大学学报(自然科学版). 2024(05): 16-24 . 
百度学术2. 谢志勇，朱娟芬，胡小平. 考虑间隙特性的双机械臂模糊自适应鲁棒控制. 现代制造工程. 2022(02): 52-58 . 百度学术3. 马永浩，张爽，何修宇，刘志杰. 基于连续反演算法的时滞补偿控制综述. 工程科学学报. 2022(06): 1053-1061 . 百度学术其他类型引用(5)
-
下载:
计量
- 文章访问数: 1614
- HTML全文浏览量: 533
- PDF下载量: 319
- 被引次数: 8
