高效的基于降低谐波的三相H桥速度控制器对直流电机速度控制用磁滞同步脉冲发生器控制

文摘

直流电机是最常用的执行机构产生连续运动的旋转速度可以很容易地控制,使其适合使用在应用程序速度控制,伺服控制型和/或定位是必需的。在许多应用程序中,直流电机需要顺时针和逆时针方向旋转。为此H桥的设计。h桥电路是流行的电路直流(DC)电机和使其旋转。它叫做H -桥,因为它看起来像资本“H”古典示意图。的能力h桥电路,电机可以在任何速度驱动向前或向后。尽管大量的h桥控制器的开发工作已经完成电驱动但在分析已经发现,在方向改变电机驱动控制器使用h桥驱动患有稳态振荡。不同的策略可用于调速电驱动,但不能提供有效监管的h桥控制器。背后的主要原因这一缺陷,发现在分析电枢电流的谐波。介绍了一个基于技术,有效的减少谐波三臂h桥速度控制器使用磁滞同步控制直流电机速度控制脉冲发生器(HCSPG)技术。 This paper first presents the development of Hysteresis Controlled Synchronized Pulse Generator (HCSPG) technique for three phase operation using Matlab Simulink, which then interfaced with the three arms H bridge controlled DC motor using the Matlab Simulink. The speed of DC motor is controlled through the controlling of firing angles of power semiconductor switch using HCPPG. The proposed techniques basically deals with the generation of controlled voltage for three arms H bridge followed by HCSPG which generates controlled pulses with reference to speed obtained at the output for firing. The model developed uses controlled pulses generated by HCSPG hence shows the ability to provide high harmonics reduction efficiency. We also concluded that the proposed controller will achieve the shorter settling time and also lower overshoot and steady state error.

关键字

数字图像取证;地区重复检测,图像特征匹配,要点

介绍

创建假图像的过程非常简单和强大的计算机图形编辑软件如Adobe photoshop, corel油漆店和GIMP。有不同类型的伪造照片的修饰,图像拼接和复制移动攻击,现有的机器学习方法需要最少的用户交互,技术适用于图像包含两个或两个以上的人,不需要专家互动的篡改的决定。方法从图像生成独特的不变特性,可以用来执行可靠匹配物体或场景的不同视图之间. .图像后期影响不大,因为它增加的强度图像。图像拼接是两个或两个以上的变形图像。复制移动攻击是或多或少类似于这样一个事实:图像拼接技术修改某些图像区域与另一个图像。

相关工作

篡改的数字图像中的一个常见的操作被称为区域变形,在像素的集群复制粘贴到另一个区域在相同的图像。近年来提出了几种方法来检测的演变区域图像取证的目的。这些方法更有效的检测区域copy-move,在一组像素复制到另一个位置相同的形象。

副本移动伪造图像的一部分复制到不同的位置在同一图像。很难区分和检测因为复制的部分属性像噪音,颜色和质地,兼容其他的形象。检测copy-move伪造的一个方法是通过块匹配过程中,首先将图像划分为重叠块。它因此检测复制的图像块,而不是检测整个重复区域。自复制的区域将包括许多重叠的阻塞和移动该地区意味着移动相同的量,每一对重复之间的距离将是相同的。这样的决定可以伪造和检测。

要点和特点的基础上,筛选算法被用来照明的变化检测的copy-move地区重复。在这里,我们描述一个基于筛选匹配的检测方法,定位重复要点与旋转,缩放和剪切。但类似,它不提供的准确程度和位置检测到重复区域,但只显示匹配要点[1]。这种技术主要是应用于简单的伪造,人类找不到任何困难找到重复的地区和高度挑战性的现实主义伪造图像上的性能在很大程度上是未知的。收集图像关键点的第一步是确定独特的图像变换和健壮的缩放和旋转。这是通过确定在尺度空间极值检测和定位是分配给所有的要点。关键点的数量应该小于像素,因此后续的计算将不会被浪费在位置小图像信息。在每个关键点,筛选特征向量的归一化直方图生成局部梯度在附近的像素的关键点[2]。附近的大小是由关键点的规模,和所有梯度与关键点的主导方向。基于从光源技术[3]纹理和边缘特征提取,然后给了机器学习方法来自动决策。 The classification performance using SVM meta-fusion classifier is promising. Interpretation of the illumination distribution as object texture for feature computation .An edge based characterization for illuminant maps which detect edge attributes. The creation of benchmark dataset should contain 100 skilfully created forgeries and 100 original photographs.

摸清[4]和特性基于尺度不变特征变换(筛)是用来照明的变化检测的copy-move地区重复。筛选重点和特性图像的鲁棒性扭曲不充分利用,防止这种方法被扩展来检测仿射转换重复区域。图像内容转换成当地特性不变的坐标转换、旋转、尺度和其他成像参数。

方法检测到扭曲的重复区域在以下模块:

一个¯‚·找到图像关键点

一个¯‚·关键点匹配

一个¯‚·消除不匹配的要点

一个¯‚·估计仿射变换

一个¯‚·识别重复区域

答:发现图像关键点

提取要点筛选算法,它包括以下步骤:-

1。尺度空间峰值选择

这有助于确定峰值的位置在尺度空间中使用相同的不同版本的平滑图像。通过改变图像兴趣点的大小可以被探测到。定义的规模空间L (x, y,σ)和高斯滤波器的G (x, y,σ)和一个输入图像(x, y)。平和的高斯滤波器零交叉出现。当增加规模零交叉坚强规模空间消失,减少规模和零交叉打入两个互相合并。整个光谱的零交叉和解释和做成更多的零交叉。节点不稳定是消除和顶级的描述几个信号使用的稳定性条件得到。2 d我们去的高斯拉普拉斯算子(日志)和获得的使用不同的σ值。当看着3 x3邻里中心之上和之下的我们看起来点.comparing中间点与所有其他27分最大值和最小值获得所有尺度必须检查确定扇区特征。一个有效的函数来计算拉普拉斯算子的金字塔(高斯差)。的。D、G之间的关系可以被理解的热扩散方程

3所示。定向分配

一个或多个方向被分配到每个关键点位置基于局部图像梯度方向。未来所有的操作都是对图像数据进行转换相对于指定的方向,规模,为每个功能和位置,从而为这些转换提供不变性。实现旋转不变性计算中心衍生品梯度大小和方向的L(平滑图像)关键点的规模(x, y)。创建的梯度方向直方图,在周边地区关键点,在选定的规模

创建一个加权方向直方图在附近的关键点36箱。这将是每个人10度。选择峰值作为关键点的方向。引入额外的要点(同一位置)在当地山峰(在80%的最大峰值)的不同方向的直方图。的峰值在80%的最高峰,多个方向分配给要点。大约15%的要点有多个方向分配,极大地提高了匹配的稳定。

4所示。关键点描述符

可能描述符强度样本存储在闪电的变化敏感的地区,3 d对象转换和利用梯度方向直方图。每个直方图条目由gradiant大小和高斯函数加权0.5σ=时间描述符窗口的宽度。以确保获得特征向量不变的旋转和缩放、附近的大小是由主要的关键点的规模,和内的所有渐变与关键点的主导取向主导方向。此外,获得直方图归一化单位长度,使得特征向量不变的局部照明的变化。

b匹配的关键

检测要点是使用规模旋转不变的模式匹配Entrophy算法。其有效性主要是基于大型数据集。我们描述一个算法,即Scale-Rotation不变模式熵(SRPE),检测的复本在大型数据库。SR-PE小说模式评价技术能够测量匹配模式的空间规律由当地的要点。展示我们的工作在大型数据集,一个实际的框架由三个组件:bag-of-words表示,当地的关键点匹配和SR-PE评估,也提出了复本的快速检测。

以下步骤:-

1。找到一组独特的关键点

2。定义每个关键点周围地区

3所示。提取和正常区域的内容

4所示。计算归一化地区的局部描述符

5。局部描述符匹配

消除不匹配的要点

我们使用筛选匹配的帮助下摸清仿射变换参数和大型不匹配的要点是不可靠的。发现的不可靠的要点我们用随机样本共识运行N次检测不可靠的重点和下面的步骤是:-

1。随机选择的样本m点

2。计算模型参数,样本中的数据一致

3所示。为每个数据点计算误差函数

4所示。选择数据,支持当前的假设

5。重复抽样

这个措施执行因为正确匹配需要最近的邻居比最接近正确的匹配来实现可靠的匹配。因为假比赛,可能会有其他一些错误匹配相似的距离内由于高特征空间的维数。我们可以把刷新率——接近匹配提供估计的错误匹配的密度在这个部分的特征空间,同时识别功能歧义的具体实例。我们获得两套区域分别对相应的规模和旋转通道。

d .估计仿射变换

概括变换如旋转、缩放和剪切在大多数照片编辑软件,支持我们模型失真像素坐标的仿射变换。给定两个对应的像素位置从一个地区及其重复

分别由二维仿射变换相关规定2 x2矩阵T和向量x0转变为:

或更明确。我们至少需要三对对应的要点不共线。在实践中,由于不精确匹配,它可能不是完全满意,我们形成了最小二乘匹配目标函数使用要点和寻找T及x0最小化。

e .识别重复的区域

估计原始和重复的像素进行比较,获得了更有效的措施进行比较的距离最近的邻居的刷新率——接近的邻居。如果有多个训练图像相同的对象,然后我们定义第二个最亲密的邻居是已知的最亲密的邻居来自一个不同的对象比第一,如只使用图像包含不同的对象。这个措施执行因为正确匹配需要最近的邻居比最接近正确的匹配来实现可靠的匹配。因为假比赛,可能会有其他一些错误匹配相似的距离内由于高特征空间的维数。我们可以认为secondclosest匹配提供一个估计的错误匹配的密度在这个部分的特征空间,同时识别功能歧义的具体实例。

结论

地区重复正成为一个重要的问题,我们的论文描述一个有效的方法来解决这个问题。我们的方法是基于筛选功能,这有助于在关键点匹配。elliminating不可靠的要点RANSAC algorthim表现良好,因为正确的匹配需要最近的邻居比最接近正确的匹配来实现可靠的匹配。因为假比赛,可能会有其他一些错误匹配相似的距离内由于高特征空间的维数。结果得出结论,它是有效的和健壮的条件像噪音,和不同的JPEG品质。与其他方法相比,只有匹配关键点显示检测结果,我们进一步估计基于筛选重复区域之间的变换特性和恢复完整的地区使用相关地图轮廓。因此对未来的工作,我们考虑通过使用不同的面向PCA-SIFT或直方图等不同规格的渐变,结合其他检测方案基于内在信号统计模式时提供有力线索图像重点和特点是不够的。

引用

文学士Shivakumar1 Lt,博士。年代。SanthoshBaboo”,在数字图像伪造检测复制移动:“一项调查和分析当前的方法,全球计算机科学与技术杂志》,卷。2010年9月10问题7 Ver.1.0。 熏宇君来信,互SiweiLyu”地区重复检测使用图像特征匹配”,IEEE取证和安全事务上信息,X,卷。2010年X, XX。 WeiqiLuo,黄Jiwu GuopingQiu Region-Duplication伪造的“健壮的检测数字图像”,IEEE信息取证和安全事务,2006年。 SevincBayram、HusrevTahaSencar NasirMemon”一个高效和健壮的检测方法复制伪造“IEEE取证和安全事务上的信息,2009年。 交流Popescu H.Farid。“暴露数字伪造通过检测图像区域复制”。技术报告tr2004 - 515,计算机科学系,达特茅斯学院,2004.。年轻,技术作家的手册。米尔谷,CA:大学科学,198