搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于卷积高斯混合模型的统计压缩感知

汪韧 郭静波 惠俊鹏 王泽 刘红军 许元男 刘韵佛

毛翔宇, 邹保文, 孙慧, 陈春燕, 陈小兵. Co含量对Bi6Fe2-xCoxTi3O18样品多铁性的影响. 物理学报, 2015, 64(21): 217701. doi: 10.7498/aps.64.217701
引用本文: 毛翔宇, 邹保文, 孙慧, 陈春燕, 陈小兵. Co含量对Bi6Fe2-xCoxTi3O18样品多铁性的影响. 物理学报, 2015, 64(21): 217701. doi: 10.7498/aps.64.217701
Mao Xiang-Yu, Zou Bao-Wen, Sun Hui, Chen Chun-Yan, Chen Xiao-Bing. Effects of Co-doping on multiferroic properties of Bi6Fe2-xCoxTi3O18 ceramics. Acta Phys. Sin., 2015, 64(21): 217701. doi: 10.7498/aps.64.217701
Citation: Mao Xiang-Yu, Zou Bao-Wen, Sun Hui, Chen Chun-Yan, Chen Xiao-Bing. Effects of Co-doping on multiferroic properties of Bi6Fe2-xCoxTi3O18 ceramics. Acta Phys. Sin., 2015, 64(21): 217701. doi: 10.7498/aps.64.217701

基于卷积高斯混合模型的统计压缩感知

汪韧, 郭静波, 惠俊鹏, 王泽, 刘红军, 许元男, 刘韵佛

Statistical compressive sensing based on convolutional Gaussian mixture model

Wang Ren, Guo Jing-Bo, Hui Jun-Peng, Wang Ze, Liu Hong-Jun, Xu Yuan-Nan, Liu Yun-Fo
Article Text (iFLYTEK Translation)
PDF
HTML
导出引用
  • 高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模. 利用高斯混合模型对图像的概率分布进行建模时, 通常需要先对图像分块, 再对图像块的概率分布进行建模. 本文提出卷积高斯混合模型对整幅图像的概率分布进行建模. 通过期望极大化算法求解极大边缘似然估计, 实现模型中未知参数的估计. 此外, 考虑到在整幅图像上计算的复杂度较高, 本文在卷积高斯混合模型和压缩测量模型中引入循环卷积, 所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算. 仿真实验表明, 本文所提的MMLE-convGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.
    Statistical compressive sensing needs to use the statistical description of source signal. By decomposing a whole image into a set of non-overlapping or overlapping patches, the Gaussian mixture model (GMM) has been used to statistically represent patches in an image. Compressive sensing, however, always imposes compression on the whole image. It is obvious that the entire image contains much richer information than the small patches. Extending from the small divided patches to an entire image, we propose a convolutional Gaussian mixture model (convGMM) to depict the statistics of an entire image and apply it to compressive sensing. We present the algorithm details by learning a convGMM from training images based on maximizing the marginal log-likelihood estimation. The learned convGMM is used to perform the model-based compressive sensing by using the convGMM as a model of the underlying image. In addition, aiming at the problem of high-dimensional image that makes learning, estimation and optimization suffer high computational complexity, all of the training and reconstruction process in our method can be fast and efficiently calculated in the frequency-domain by two-dimensional fast Fourier transforms. The performance of the convGMM on compressive sensing is demonstrated on several image sets.
      PACS:
      77.22.Gm(Dielectric loss and relaxation)
      72.20.-I
      73.40.Ty(Semiconductor-insulator-semiconductor structures)
      84.32.Ff(Conductors, resistors (including thermistors, varistors, and photoresistors))
      通信作者: 汪韧, wangren94@126.com
    • 基金项目: 国家自然科学基金(批准号: 51677094)资助的课题
      Corresponding author: Wang Ren, wangren94@126.com
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 51677094)

    边界层感受性的物理过程是层流向湍流转捩的初始阶段, 是边界层转捩过程的预测和控制的重要环节. 1980年代初, Goldstein[1]以及Ruban[2]理论研究了边界层前缘感受性机制[3,4]. 随后, Goldstein [5]利用三层结构理论研究了在声波扰动与二维壁面局部粗糙作用下边界层感受性的过程, 即当地感受性问题, 所取得的结果得到了Saric 等[6]以及 Wiegel和Wlezien[7]实验结果的验证. Dietz[8-10]通过一系列实验证明了在自由来流涡扰动和壁面局部粗糙作用下边界层当地感受性过程是真实存在的. 随后, Wu[11,12]利用二阶精度渐进法理论研究了自由来流涡扰动作用下边界层当地感受性问题, 所取得的计算结果与Dietz的实验结果完全一致, 并且还确定了边界层当地感受性与自由来流涡扰动的幅值, 壁面局部粗糙几何形状、位置和数量之间的内在联系. 我们也通过DNS[13,14]充分验证了该结论. Würz 等[15] 以及Shen和Lu[16]实验和数值研究了在声波和涡波扰动与三维壁面局部粗糙相互作用下边界层当地感受性问题, 并在边界层内被激发出了一组呈扇形区域向下游传播的三维T-S波, 计算发现了当地感受性系数与三维T-S波展向波数和声波频率密切关联. 陆昌根和沈露予[17]研究了在自由来流湍流和壁面局部吹吸作用下边界层感受性机制, 同样获得与Dietz实验相同的结论, 并建立了自由来流湍流度, 壁面局部吹吸强度和长度与边界层感受性问题之间的联系等.

    综上所述, 现有的研究成果已经确定了边界层当地感受性机制与自由来流扰动幅值、壁面局部粗糙和吹吸的几何形状以及位置等其他因素之间的关系; 很少见到有关压力梯度对边界层感受性问题影响研究的相关报道; 直到最近, Johnson和Pinarbasi[18]数值研究了有压力梯度边界层感受性问题, 并发现边界层内被激发出的T-S波的增长率与压力梯度紧密相关. 但是, 有关压力梯度对壁面局部吹吸边界层感受性问题影响的相关研究报道却十分少见. 因此, 本文通过直接数值模拟方法研究在自由来流湍流分别与壁面局部吹入和吸出相互作用下, 有压力梯度对壁面局部吹入和吸出边界层当地感受性问题的影响, 从而填补了压力梯度对边界层当地感受性影响研究的空缺, 并且丰富、完善了流动稳定性理论.

    选取边界层的位移厚度δ*、无穷远来流速度U和流体密度ρ为特征物理量, 将不可压Navier-Stokes (N-S)方程无量纲化, 得无量纲N-S方程:

    {V=0,Vt+(V)V=p+1Re2V,
    (1)

    式中 p为压力; Re为雷诺数(Re = (Uδ*)/υ), 且υ为运动黏性系数; V为速度(V = U+V′), 且V′ 为扰动速度(V′ = {u, v}T)以及U为基本流. 以不同压力梯度系数(βH=2m/m+1, 滑移速度Ue=(x/x0)m)情况下Falkner-Skan边界层流的理论解为边界条件求解N-S方程, 获得基本速度场U(注: βH>0为顺压力梯度, βH<0为逆压力梯度).

    数值计算方法为: 时间偏导数项用四阶修正后的Runge-Kutta格式推进; 空间偏导数项用非等间距的紧致有限差分; 例如: 对流偏导数项用五阶迎风紧致有限差分、压力梯度偏导数项用六阶紧致有限差分、黏性偏导数项用五阶紧致有限差分以及压力泊松方程用三阶非等间距有限差分格式进行迭代求解, 具体数值计算方法的离散格式详见文献[4,17].

    依据自由来流湍流运动的随机性和不确定性, 推导出自由来流湍流模型[19], 其数学表达式为

    u=(uv)=εMm=MJj=J(ˆuˆv)×exp[i(mκ1x+jκ2ymκ1t)],
    (2)

    其中:

    {ˆu=imκ1jκ2κm2κ122E(κ)κ1κ24πκ2eiσ,ˆv=im2κ12κ2E(κ)κ1κ24πκ2eiσ,

    i=1; uv分别为自由来流湍流在流向和法向扰动分速度, 且ˆuˆv为扰动速度谱; ε为幅值; MJ为最大模数; κ1κ2分别为xy向上的基本波数; 流向和法向波数为α=mκ1γ=jκ2, 且κ=(m2κ12+j2κ22)1/2. ˆuˆv与一维能量谱E(κ)及相位角σ有关.

    图1所示为本文的数值计算区域: 流向区域x∈[0, 1000]和法向区域(大约选取五倍边界层厚度) y∈[0, 14.39]. xy向上的网格数为512 × 200, 且x向上采用等间距网格, y向上采用非等间距网格, 这样能使网格在壁面附近流场变化剧烈的区域加密以便获得准确的流场信息. 雷诺数选取为Re = 1000.

    图 1 数值计算区域示意图\r\nFig. 1. The domain of numerical simulation.
    图 1  数值计算区域示意图
    Fig. 1.  The domain of numerical simulation.

    上边界条件: 速度由自由来流湍流模型给出; 压力p/x=0.

    下边界条件: 无滑移条件, 即u(x,0)=0, v(x,0)=0, p/y=0. 在平板壁面上分别设计壁面局部吹入和吸出, 数学表达式为

    v(xw,0)=q,
    (3)

    其中, q为壁面局部吹入和吸出的强度, 且q > 0表示为吹入, q < 0 表示为吸出; xw∈[x1, x2]为壁面局部吹吸在平板壁面上的流向长度L = x2x1.

    入流条件: 速度由自由来流湍流模型给出; 压力p/x=0.

    出流条件: 速度采用无反射条件, 且数值计算将在边界层内被激发出的小扰动波未到达出流边界前结束; 压力p/x=0.

    数值研究证明在自由来流湍流分别与壁面局部吹入和吸出相互作用下激发有压力梯度边界层内的当地感受性过程是真实存在的, 具体证明过程与我们近期发表的成果[17]验证步骤完全相同, 这里不再赘述. 本文重点关注不同压力梯度对壁面局部吹入或吸出边界层内被激发产生T-S波波包和群速度的影响, 并详细比较分析不同压力梯度对壁面局部吹入或吸出边界层内被激发产生T-S波的幅值、增长率、波长或波数、相速度以及特征函数等关键参数的作用. 无量纲频率F定义为: F = 2π/U2 × 106. 自由来流湍流的流向基本波数选取κ1= 0.010, 最大模数M = 8; 壁面局部吹入和吸出的强度以及流向长度分别为q = ±0.001和L = 50, 且流向长度分布在计算区域的范围为xw∈[150, 200]; ε=0.001. 为方便比较分析, 将边界层外缘区域内经长时间(t > 1000)计算获得自由来流湍流的稳定值定义为自由来流湍流度AFST, 其表达式为

    AFST=¯uFST2+¯vFST2,
    (4)

    其中¯uFST2¯vFST2分别为xy向扰动速度平方的时均值, AFST = 0.5%. 下面给出数值计算t = 2400时刻所获得的数值结果.

    图2给出了在自由来流湍流和壁面局部吹入相互作用下具有典型压力梯度(βH = 0.1, 0, –0.05)情况下壁面局部吹入边界层内被激发出T-S波波包沿流向的演化. 从图2可知, 在零压力梯度下壁面局部吹入边界层内被激发出T-S波波包沿流向呈现增长的演化趋势, 而顺压力梯度或逆压力梯度分别对壁面局部吹入边界层内被激发出T-S波波包沿流向的演化状态明显起着遏制或激励T-S波波包增长的作用. 同理, 研究在自由来流湍流和壁面局部吸出相互作用下不同压力梯度对壁面局部吸出边界层内被激发出T-S波波包沿流向的演化过程, 结果发现不同压力梯度对壁面局部吸出边界层内被激发出T-S波波包沿流向的演化特性影响与壁面局部吹入边界层内被激发出T-S波波包沿流向的演化过程类同, 其区别是壁面局部吸出对不同压力梯度边界层内被激发出T-S波波包都起到一定的稳定作用. 随后根据不同时刻, 跟踪记录不同压力梯度壁面局部吹入和吸出边界层内被激发出T-S波波包的最大值和最小值的流向位置和时间, 可近似计算获得T-S波波包向前传播的群速度, 结果详见表1. 从表1中可以看出, 壁面局部吹入和吸出边界层内被激发出T-S波波包向前传播的群速度随着压力梯度的不断减少而缓慢衰减; 且壁面局部吹入边界层内被激发出T-S波波包向前传播的群速度略大于壁面局部吸出边界层内被激发出T-S波波包向前传播的群速度.

    图 2 在压力梯度(a) βH = 0.1, (b) βH = 0和(c) βH = –0.05情况下壁面局部吹入边界层内被激发出T-S波波包沿流向呈现增长的演化趋势\r\nFig. 2. The streamwise evolutions of the excited T-S waves under the localized suction in the pressure-gradient boundary layers of (a) βH = 0.1, (b) βH = 0 and (c) βH = –0.05.
    图 2  在压力梯度(a) βH = 0.1, (b) βH = 0和(c) βH = –0.05情况下壁面局部吹入边界层内被激发出T-S波波包沿流向呈现增长的演化趋势
    Fig. 2.  The streamwise evolutions of the excited T-S waves under the localized suction in the pressure-gradient boundary layers of (a) βH = 0.1, (b) βH = 0 and (c) βH = –0.05.
    表 1  压力梯度对边界层内被激发出T-S波波包向前传播的群速度(Cg)的影响
    Table 1.  The group speeds (Cg) of the excited T-S wave packets in the pressure-gradient boundary layers.
    βH0.30.10.050–0.05–0.1
    Cg (吹入)0.3580.3480.3430.3360.3330.331
    Cg (吸出)0.3560.3470.3410.3340.3320.329
    下载: 导出CSV 
    | 显示表格

    为便于分析, 在自由来流湍流分别与壁面局部吹入和吸出相互作用下将有压力梯度边界层内被激发出T-S波波包初始幅值定义为AR, 其表达式为

    AR=¯uR2+¯vR2,
    (5)

    其中: ¯uR2¯vR2代表xy方向上在壁面局部吹入和吸出下游位置处有压力梯度边界层内被激发出T-S波波包的小扰动速度平方的时均值. 图3(a)图3(b)分别给出了不同吹入和吸出强度情况下有压力梯度边界层内被激发出T-S波波包初始幅值随压力梯度系数βH的变化. 图3显示, 当压力梯度系数βH从顺压向逆压力梯度变化时, 壁面局部吹入边界层内激发出T-S波波包初始幅值将缓慢地线性增长; 直至压力梯度系数大约在βH0.05之后, 初始幅值将加速增长, 几乎成几何级数增长规律发展; 逆压力梯度越大对边界层内当地感受性能力的作用就越强; 反之, 顺压力梯度越大对边界层内当地感受性能力的作用就越弱. 再根据图3(a)图3(b)比较还可知, 壁面局部吹入强度越大, 就越容易激励有压力梯度边界层内被诱导出更强的感受性过程; 反之, 壁面局部吸出强度越大, 就越容易阻碍有压力梯度边界层内被诱导出感受性过程的发生; 壁面局部吹入作用激发有压力梯度边界层内被诱导出的T-S波波包初始幅值要远大于壁面局部吸出作用下有压力梯度边界层内被诱导出的T-S波波包初始幅值两个数量级左右. 另外, 从图3(a)图3(b)比较还发现, 无论是壁面局部吹入还是壁面局部吸出的情况, 边界层内被激发出T-S波波包初始幅值都是随着压力梯度系数的不断减少而快速增长, 这是由于压力梯度在边界层感受性过程中起着主导的作用.

    图 3 局部吹入和吸出边界层内被激发出T-S波包初始幅值AR与压力梯度的关系 (a) 吹入强度; (b) 吸出强度\r\nFig. 3. The relationships between the initial amplitudes of the excited T-S waves AR and the pressure-gradients in the localized blowing and suction boundary layers: (a) Blowing intensity; (b) suction intensity
    图 3  局部吹入和吸出边界层内被激发出T-S波包初始幅值AR与压力梯度的关系 (a) 吹入强度; (b) 吸出强度
    Fig. 3.  The relationships between the initial amplitudes of the excited T-S waves AR and the pressure-gradients in the localized blowing and suction boundary layers: (a) Blowing intensity; (b) suction intensity

    随后, 通过快速傅里叶变换, 从有压力梯度壁面局部吹入边界层内被激发出T-S波波包中提取获得最具有代表性频率为F = 40和F = 80的T-S波的流向扰动速度(最大值位置y = 0.66处)沿流向的演化, 如图4(a)图4(b)所示(图4(a)左边y刻度值对应βH = 0, –0.02被诱导出T-S波的演化, 右边y刻度值对应βH = 0.1被诱导出T-S波的演化; 图4(b)左边y刻度值对应βH = –0.115被诱导出T-S波的演化, 右边y刻度值对应βH = 0, 0.05 被诱导出T-S波的演化). 图4(a)显示, 当频率F = 40时, 在零压力梯度情况下壁面局部吹入边界层内被激发出的是不稳定T-S波; 而逆压力梯度终能促使壁面局部吹入边界层内被激发出更不稳定的T-S波; 反之, 顺压力梯度终能抑制或阻碍壁面局部吹入边界层内被激发出的不稳定T-S波发展, 并可能将壁面局部吹入边界层内被激发出的不稳定T-S波转换成为稳定的T-S波; 图4(b)显示, 当频率F = 80时, 在零压力梯度情况下壁面局部吹入边界层内被激发出稳定的T-S波或衰减T-S波; 而逆压力梯度将可能使壁面局部吹入边界层内被激发出的稳定T-S波转换成不稳定的T-S波; 反之, 顺压力梯度能使壁面局部吹入边界层内被激发出的稳定T-S波趋于更加稳定的T-S波. 同样, 压力梯度对壁面局部吸出边界层内被激发出感受性现象的影响机制与壁面局部吹入边界层内被激发出感受性现象类似, 不同的是壁面局部吸出作用将在一定程度上阻碍或抑制有压力梯度边界层内的感受性过程的发生. 综上所述, 逆压梯度总能使边界层感受性能力增强; 顺压梯度总能抑制或削弱边界层感受性能力.

    图 4 不同压力梯度对壁面局部吹入边界层内被激发出的T-S波沿x向发展的影响  (a) F = 40; (b) F = 80\r\nFig. 4. The effect of different pressure gradients on x-direction evolutions of the excited T-S waves in the localized blowing boundary layers. (a) F = 40; (b) F = 80
    图 4  不同压力梯度对壁面局部吹入边界层内被激发出的T-S波沿x向发展的影响  (a) F = 40; (b) F = 80
    Fig. 4.  The effect of different pressure gradients on x-direction evolutions of the excited T-S waves in the localized blowing boundary layers. (a) F = 40; (b) F = 80

    依据图4展示的有压力梯度边界层内被激发产生T-S波的流向扰动速度在x方向上的空间发展过程, 可近似求得T-S波的波长(或波数)和相速度; 同理可获得其他频率情况下T-S波的波长(λ)和相速度, 详细结果见表2 (吹入和吸出的强度为±0.001, αr=2π/λ). 从表2可知, 随着压力梯度系数βH的不断增大, 边界层内被激发出相同频率T-S波的波数αr和相速度C分别缓慢衰减和缓慢增长的演化趋势; 另外, 在壁面局部吹入作用下有压力梯度边界层内被激发产生相同频率T-S波的波数和相速度要分别比壁面局部吸出作用下有压力梯度边界层内被激发产生相同频率T-S波的波数小和相速度大.

    表 2  压力梯度边界层被激发出的T-S波的流向波数和相速度(αr, C)
    Table 2.  The streamwise wave numbers and phase speeds (αr, C) of the excited T-S wave packets in the pressure-gradient boundary layers.
    βH–0.1–0.0500.050.1
    F = 30(吹) (0.0977, 0.3071) (0.0960, 0.3125) (0.0949, 0.3161) (0.0934, 0.3212) (0.0915, 0.3279)
    F = 30(吸) (0.0984, 0.3049) (0.0967, 0.3102) (0.0956, 0.3138) (0.0943, 0.3181) (0.0923, 0.3250)
    F = 40(吹) (0.1262, 0.3169) (0.1251, 0.3197) (0.1240, 0.3226) (0.1218, 0.3284) (0.1204, 0.3322)
    F = 40(吸) (0.1269, 0.3152) (0.1257, 0.3182) (0.1248, 0.3205) (0.1226, 0.3263) (0.1210, 0.3306)
    F = 50(吹) (0.1533, 0.3262) (0.1522, 0.3285) (0.1514, 0.3303) (0.1489, 0.3357) (0.1470, 0.3401)
    F = 50(吸) (0.1541, 0.3245) (0.1531, 0.3266) (0.1521, 0.3287) (0.1497, 0.3340) (0.1477, 0.3385)
    F = 60(吹) (0.1792, 0.3348) (0.1784, 0.3363) (0.1772, 0.3386) (0.1755, 0.3419) (0.1735, 0.3458)
    F = 60(吸) (0.1799, 0.3335) (0.1792, 0.3348) (0.1780, 0.3371) (0.1763, 0.3403) (0.1744, 0.3440)
    F = 70(吹) (0.2047, 0.3419) (0.2036, 0.3438) (0.2020, 0.3465) (0.2004, 0.3493) (0.1985, 0.3526)
    F = 70(吸) (0.2055, 0.3406) (0.2043, 0.3426) (0.2028, 0.3451) (0.2012, 0.3479) (0.1993, 0.3512)
    F = 80(吹) (0.2287, 0.3498) (0.2279, 0.3510) (0.2267, 0.3529) (0.2249, 0.3557) (0.2234, 0.3581)
    F = 80(吸) (0.2295, 0.3486) (0.2286, 0.3500) (0.2276, 0.3515) (0.2261, 0.3538) (0.2244, 0.3565)
    下载: 导出CSV 
    | 显示表格

    进一步分析压力梯度对壁面局部吹入边界层内被激发出T-S波的幅值和增长率的影响. 将边界层内被激发出T-S波的幅值定义为ATS, 其表达式为

    ATS=¯uTS2+¯vTS2,
    (8)

    其中: ¯uTS2¯vTS2代表xy方向上有压力梯度边界层内被激发出T-S波的扰动速度平方的时均值.

    图5(右边y刻度值对应的是零压和顺压梯度, 左边y刻度值对应逆压梯度)和图6给出了几种典型压力梯度情况下壁面局部吹入边界层内被激发出的具有代表性频率T-S波的幅值和增长率随流向的演变. 当频率F = 40时, 从图5(a)图6(a)可见: 逆压力梯度能促使壁面局部吹入边界层内被诱导产生的不稳定T-S波模态转换成为更不稳定T-S波模态, 其幅值向下游加速增长以及在整个下游发展过程中的增长率始终大于零, 且增长速率明显大于零压和顺压梯度情况; 顺压力梯度使得壁面局部吹入边界层内被诱导产生的不稳定T-S波模态可能转换成为稳定T-S波模态, 其幅值向下游快速衰减以及在整个下游发展过程中的增长率始终小于零, 且增长速率明显小于零压和逆压梯度情况; 这一结果与eN法和线性理论解完全吻合. 当频率F = 80时, 从图5(b)图6(b)可见: 逆压力梯度有可能使壁面局部吹入边界层内被诱导产生的稳定T-S波模态转换成为不稳定T-S波模态, 其幅值向下游快速增长以及在整个下游演化过程中的增长率始终大于零, 且增长速率明显大于零压和顺压梯度情况; 顺压力梯度总能使得壁面局部吹入边界层内被诱导产生稳定T-S波模态转换成为更加稳定T-S波模态.

    图 5 壁面局部吹入边界层内被激发出T-S波的幅值AT-S沿x向的演化(t = 2400) (a) F = 40; (b) F = 80\r\nFig. 5. The x-direction evolutions of the amplitude of the excited T-S waves in the local blowing boundary layers (t = 2400): (a) F = 40; (b) F = 80.
    图 5  壁面局部吹入边界层内被激发出T-S波的幅值AT-S沿x向的演化(t = 2400) (a) F = 40; (b) F = 80
    Fig. 5.  The x-direction evolutions of the amplitude of the excited T-S waves in the local blowing boundary layers (t = 2400): (a) F = 40; (b) F = 80.
    图 6 壁面局部吹入边界层内被激发出T-S波的增长率(–αi)沿x向的演化(t = 2400) (a) F = 40; (b) F = 80\r\nFig. 6. The x-direction evolutions of the growth rate (–αi) of the excited T-S waves in the local blowing boundary layers (t = 2400): (a) F = 40; (b) F = 80.
    图 6  壁面局部吹入边界层内被激发出T-S波的增长率(–αi)沿x向的演化(t = 2400) (a) F = 40; (b) F = 80
    Fig. 6.  The x-direction evolutions of the growth rate (–αi) of the excited T-S waves in the local blowing boundary layers (t = 2400): (a) F = 40; (b) F = 80.

    分别考虑在自由来流湍流分别与壁面局部吹入和吸出作用下, 讨论在不同顺压和逆压梯度情况下边界层内被激发产生T-S波波包的初始幅值分别与吹入和吸出强度之间的关系, 详见图7所示. 图7(a)图7(b)分别表示不同顺压和逆压梯度边界层内被激发产生T-S波波包的初始幅值与吹入强度之间的关系, 其中图7(b)左边y刻度值对应压力梯度系数βH = –0.012, –0.02和–0.05时的初始幅值, 右边y刻度值对应压力梯度系数βH = –0.1和–0.11时的初始幅值; 图7(c)图7(d)分别表示不同顺压和逆压梯度边界层内被激发产生T-S波波包的初始幅值与吸出强度之间的关系, 其中图7(d)左边y刻度值对应压力梯度系数βH = –0.012, –0.02和–0.05时的初始幅值, 右边y刻度值对应压力梯度系数βH = –0.1和–0.11时的初始幅值. 由图7(a)图7(b)可知, 当壁面局部吹入强度不断增强时, 压力梯度系数的不断减少都将促使边界层内被激发出 T-S波波包的初始幅值快速增长; 顺压梯度情况下边界层内被激发出 T-S波波包的初始幅值始终比逆压梯度情况下边界层内被激发出 T-S波波包的初始幅值大约要小两个数量级左右. 从图7(c)可知, 当壁面局部吸出强度不断增强时, 顺压梯度系数的不断减少都将先促使边界层内被激发出 T-S波波包的初始幅值较快的增长; 直至壁面局部吸出强度等于–0.0024之后开始阻碍边界层内被激发出 T-S波波包的初始幅值发展; 其原因是壁面局部吸出和顺压梯度两者都能抑制或阻碍不稳定波增长的作用所导致波包初始幅值较快地衰减. 从图7(d)可知, 当壁面局部吸出强度不断增强时, 逆压梯度的不断增强都将先促使边界层内被激发出 T-S波波包的初始幅值较快的增长; 直至壁面局部吸出强度等于–0.002之后将抑制或阻碍边界层内被激发出 T-S波波包的初始幅值增长, 并趋于较缓慢衰减和平稳发展的状态; 其原因是壁面局部吸出始终抑制不稳定波的增长和逆压梯度始终激励不稳定波的增长两者相互作用所导致不稳波趋于缓慢衰减或平稳发展态势.

    图 7 在不同压力梯度情况下壁面局部吹入和吸出边界层内被激发出T-S波波包的初始幅值AR与局部吹吸强度q之间的关系\r\nFig. 7. The relationships between the initial amplitudes of the excited T-S waves AR and the localized blowing/suction intensity q in different pressure boundary layers
    图 7  在不同压力梯度情况下壁面局部吹入和吸出边界层内被激发出T-S波波包的初始幅值AR与局部吹吸强度q之间的关系
    Fig. 7.  The relationships between the initial amplitudes of the excited T-S waves AR and the localized blowing/suction intensity q in different pressure boundary layers

    最后, 选取几种典型压力梯度的壁面局部吹入边界层内被激发出最具有代表频率(F = 40) T-S波为例, 分析其特征形状函数的幅值和相位沿法向的演变. 图8展示的结果已被零压梯度情况下壁面局部吹入边界层内被激发出T-S波的最大幅值|u0|归一化. 图8显示, 几种典型压力梯度壁面局部吹入边界层内被激发出T-S波的特征形状函数的幅值沿法向变化的分布状态是相似的; 但是, 压力梯度对壁面局部吹入边界层内被激发出T-S波的特征形状函数幅值沿法向变化的影响是相当明显的, 即逆压力梯度明显大于零压和顺压力梯度的作用, 这说明逆压力梯度对边界层内被激发出的感受性能力较强; 另外, 从图9也可发现, 有压力梯度壁面局部吹入边界层内被激发出T-S波的相位沿法向变化与线性理论解也吻合一致, 且压力梯度对壁面局部吹入边界层内被激发出T-S波的相位沿法向变化的影响很小. 同理, 压力梯度对壁面局部吸出边界层内被激发出T-S波的特征形状函数的幅值和相位沿法向变化的影响相同; 其主要区别是压力梯度对壁面局部吸出边界层内被激发出T-S波的特征形状函数幅值沿法向变化的影响要明显小于壁面局部吹入的情况.

    图 8 压力梯度对壁面局部吹入边界层内被激发出T-S波的特征形状函数的幅值沿y向演变的影响(x = 300)\r\nFig. 8. The effects of different pressure gradients on y-direction amplitude profiles of the shape functions of the excited T-S waves in localized blowing boundary layers (x = 300).
    图 8  压力梯度对壁面局部吹入边界层内被激发出T-S波的特征形状函数的幅值沿y向演变的影响(x = 300)
    Fig. 8.  The effects of different pressure gradients on y-direction amplitude profiles of the shape functions of the excited T-S waves in localized blowing boundary layers (x = 300).
    图 9 压力梯度对壁面局部吹入边界层内被激发出T-S波的特征形状函数的相位沿y向演变的影响(x = 300)\r\nFig. 9. The effects of different pressure gradients on y-direction phase profiles of the shape functions of the excited T-S waves in localized blowing boundary layers (x = 300).
    图 9  压力梯度对壁面局部吹入边界层内被激发出T-S波的特征形状函数的相位沿y向演变的影响(x = 300)
    Fig. 9.  The effects of different pressure gradients on y-direction phase profiles of the shape functions of the excited T-S waves in localized blowing boundary layers (x = 300).

    本文直接数值模拟研究了在自由来流湍流分别与壁面局部吹入和吸出相互作用下压力梯度对壁面局部吹入或吸出边界层感受性的影响, 获得了如下结论:

    1)逆压力梯度始终对壁面局部吹入或吸出边界层内被诱导出的感受性过程起着激励或促进增长的作用, 而顺压力梯度总是对壁面局部吹入或吸出边界层内被诱导出的感受性过程起着抑制或削弱的作用; 且压力梯度对壁面局部吹入边界层内被激发出的感受性能力的影响始终远大于壁面局部吸出边界层内被激发出的感受性能力, 其量级约大两个数量级左右; 也就是说壁面局部吹入有利于激励边界层感受性过程的发生而壁面局部吸出总是阻碍边界层感受性过程的产生;

    2)逆压力梯度能加速壁面局部吹入或吸出边界层内被激发出的不稳定T-S波模态转换为更不稳定的T-S波模态; 并且, 逆压力梯度也可能将壁面局部吹入或吸出边界层内被激发出的稳定T-S波模态转换为不稳定T-S波模态; 反之, 顺压力梯度将能抑制或阻碍壁面局部吹入或吸出边界层内被激发出的不稳定T-S波模态发展, 并可能将已被激发出的不稳定T-S波模态转换成为稳定的T-S波模态以及顺压力梯度总能将壁面局部吹入或吸出边界层内被激发出的稳定T-S波模态转换为更加稳定的T-S波模态, 也就是说压力梯度是边界层内被感受出不稳定T-S波模态转换机制的关键性因素;

    3)压力梯度对壁面局部吹入或吸出边界层内被激发出的T-S波波包和单个T-S波的初始幅值都有明显的影响, 且逆压力梯度对壁面局部吹入或吸出边界层内被激发出的T-S波波包和单个T-S波的初始幅值比顺压力梯度情况约大两个数量级左右; 但是, 压力梯度对壁面局部吹入或吸出边界层内被激发出的T-S波波包向前传播的群速度以及在边界层内被激发出T-S波的增长率、波长或波数和相速度有一定程度的影响;

    4)无论是逆压力梯度还是顺压力梯度对壁面局部吹入或吸出边界层内被激发出T-S波的特征形状函数幅值沿法向的分布是相似的; 但是, 逆压力梯度对壁面局部吹入或吸出边界层内被激发出T-S波的特征形状函数幅值要明显大于顺压力梯度情况, 其原因是逆压力梯度边界层内被感知的感受性能力较强所致; 不管何种压力梯度对壁面局部吹入或吸出边界层内被激发出T-S波的特征形状函数的相位沿法向分布的影响很小, 其分布规律类似.

    [1]

    Donoho D L 2006 IEEE Trans. Inform. Theory 52 1289Google Scholar

    [2]

    Candès E J, Romberg J, Tao T 2006 IEEE Trans. Inform. Theory 52 489Google Scholar

    [3]

    Ji S, Xue Y, Carin L 2008 IEEE Trans. Sig. Process. 56 2346Google Scholar

    [4]

    Chen M, Silva J, Paisley J, Wang C, Dunson D, Carin L 2010 IEEE Trans. Sig. Process. 58 6140Google Scholar

    [5]

    Yu G, Sapiro G 2011 IEEE Trans. Sig. Process. 59 5842Google Scholar

    [6]

    Yang J, Liao X, Yuan X, Llull P, Brady D J, Sapiro G, Carin L 2015 IEEE Trans. Sig. Process. 24 106Google Scholar

    [7]

    Yu G, Sapiro G, Mallat S 2012 IEEE Tran. Image Process. 21 2481Google Scholar

    [8]

    Wang C, Liu X F, Yu W K, Yao X R, Zheng F, Dong Q, Lan R M, Sun Z B, Zhai G J, Zhao Q 2017 Chin. Phys. Lett. 34 104203Google Scholar

    [9]

    Wang Y Y, Ren Y C, Chen L Y, Song C, Li C Z, Zhang C, Xu D G, Yao J Q 2018 Chin. Phys. B 27 114204Google Scholar

    [10]

    Xiao D, Cai H K, Zheng H Y 2015 Chin. Phys. B 24 060505Google Scholar

    [11]

    宁方立, 何碧静, 韦娟 2013 物理学报 62 174212Google Scholar

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin. 62 174212Google Scholar

    [12]

    李少东, 陈永彬, 刘润华, 马晓岩 2017 物理学报 66 038401Google Scholar

    Li S D, Chen Y B, Liu R H, Ma X Y 2017 Acta Phys. Sin. 66 038401Google Scholar

    [13]

    Duarte M F, Davenport M A, Takhar D, Laska J N, Sun T, Kelly K F, Baraniuk R G 2008 IEEE Sig. Process. Mag. 25 83Google Scholar

    [14]

    Zeiler M D, Krishnan D, Taylor G W, Fergus R 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) San Francisco, June 13−18, 2010 p2528

    [15]

    Grosse R, Raina R, Kwong H, Ng A Y 2007 Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence Vancouver, July 19−22, 2007 p149

    [16]

    Yang J, Yu K, Huang T 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) San Francisco, June 13−18, 2010 p3517

    [17]

    Wohlberg B 2016 IEEE Trans. Image Process. 25 301Google Scholar

    [18]

    Davis P J 2012 Circulant Matrices (Providence, Rhode Island: American Mathematical Society)

    [19]

    Dempster A, Laird N, Rubin D 1977 J. R. Stat. Soc. 39 1

    [20]

    Renna F, Calderbank R, Carin L, Rodrigues M R D 2014 IEEE Trans. Sig. Process. 62 2265Google Scholar

    [21]

    Tropp J A, Gilbert A C 2007 IEEE Trans. Inform. Theory 53 4655Google Scholar

    [22]

    Yang J, Zhang Y 2011 SIAM J Sci. Comput. 33 250Google Scholar

    [23]

    Liao X, Li H, Carin L 2014 SIAM Imaging Sci. 7 797Google Scholar

    [24]

    Xu Y, Yin W, Osher S 2014 Inverse Probl. Imag. 8 901Google Scholar

    [25]

    Krizhevsky A, Hinton G 2009 Learning Multiple Layers of Features from Tiny Images (Toronto: University of Toronto) Technical Report Vol. 1, No. 4, p7

    [26]

    Li F F, Rob F, Pietro P 2007 Comput. Vis. Image Und. 106 59Google Scholar

    [27]

    Liu Z W, Luo P, Wang X G, Tang X O 2015 IEEE International Conference on Computer Vision Santiago, December 7−13, 2015 p3730

  • 图 1  基于convGMM的压缩测量

    Fig. 1.  Structure of convGMM with application to compressive sensing.

    图 2  CIFAR-10图像, 不同算法下恢复图像的PSNR随采样率的变化

    Fig. 2.  Averaged PSNR of reconstructed images from CIFAR-10 dataset as a function of sampling rate.

    图 3  Caltech 101图像, 不同算法下恢复图像的PSNR随采样率的变化

    Fig. 3.  Averaged PSNR of reconstructed images from Caltech 101 dataset as a function of sampling rate.

    图 4  采样率为0.4时, 12张Caltech 101“飞机”图像在不同算法下的恢复情况 (a)原图像; (b) MMLE-convGMM下的恢复图像; (c) MMLE-GMM下的恢复图像; (d) KSVD-YALL1下的恢复图像; (e) DCT-YALL1下的恢复图像; (f) DCT-GAP下的恢复图像; (g) DCT-OMP下的恢复图像

    Fig. 4.  Reconstructed performance comparison of 12 randomly selected “airplane” images from Caltech 101: (a) Original images; (b) images reconstructed by MMLE-convGMM; (c) images reconstructed by MLE-GMM; (d) images reconstructed by KSVD-YALL1; (e) images reconstructed by DCT-YALL1; (f) images reconstructed by DCT-GAP; (g) images reconstructed by DCT-OMP. All of the sampling rates are 0.4.

    图 5  MMLE-convGMM算法恢复CelebA图像的PSNR随采样率的变化

    Fig. 5.  Averaged PSNR of reconstructed images from CelebA dataset as a function of sampling rate by MMLE-convGMM.

    图 6  随机选取的CelebA图像的恢复情形 (a)原图像; (b) MMLE-convGMM算法恢复的图像, 采样率为0.4

    Fig. 6.  Reconstructed performance of randomly selected CelebA face images: (a) Original images; (b) images reconstructed by MMLE-convGMM. The sampling rates are 0.4.

  • [1]

    Donoho D L 2006 IEEE Trans. Inform. Theory 52 1289Google Scholar

    [2]

    Candès E J, Romberg J, Tao T 2006 IEEE Trans. Inform. Theory 52 489Google Scholar

    [3]

    Ji S, Xue Y, Carin L 2008 IEEE Trans. Sig. Process. 56 2346Google Scholar

    [4]

    Chen M, Silva J, Paisley J, Wang C, Dunson D, Carin L 2010 IEEE Trans. Sig. Process. 58 6140Google Scholar

    [5]

    Yu G, Sapiro G 2011 IEEE Trans. Sig. Process. 59 5842Google Scholar

    [6]

    Yang J, Liao X, Yuan X, Llull P, Brady D J, Sapiro G, Carin L 2015 IEEE Trans. Sig. Process. 24 106Google Scholar

    [7]

    Yu G, Sapiro G, Mallat S 2012 IEEE Tran. Image Process. 21 2481Google Scholar

    [8]

    Wang C, Liu X F, Yu W K, Yao X R, Zheng F, Dong Q, Lan R M, Sun Z B, Zhai G J, Zhao Q 2017 Chin. Phys. Lett. 34 104203Google Scholar

    [9]

    Wang Y Y, Ren Y C, Chen L Y, Song C, Li C Z, Zhang C, Xu D G, Yao J Q 2018 Chin. Phys. B 27 114204Google Scholar

    [10]

    Xiao D, Cai H K, Zheng H Y 2015 Chin. Phys. B 24 060505Google Scholar

    [11]

    宁方立, 何碧静, 韦娟 2013 物理学报 62 174212Google Scholar

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin. 62 174212Google Scholar

    [12]

    李少东, 陈永彬, 刘润华, 马晓岩 2017 物理学报 66 038401Google Scholar

    Li S D, Chen Y B, Liu R H, Ma X Y 2017 Acta Phys. Sin. 66 038401Google Scholar

    [13]

    Duarte M F, Davenport M A, Takhar D, Laska J N, Sun T, Kelly K F, Baraniuk R G 2008 IEEE Sig. Process. Mag. 25 83Google Scholar

    [14]

    Zeiler M D, Krishnan D, Taylor G W, Fergus R 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) San Francisco, June 13−18, 2010 p2528

    [15]

    Grosse R, Raina R, Kwong H, Ng A Y 2007 Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence Vancouver, July 19−22, 2007 p149

    [16]

    Yang J, Yu K, Huang T 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) San Francisco, June 13−18, 2010 p3517

    [17]

    Wohlberg B 2016 IEEE Trans. Image Process. 25 301Google Scholar

    [18]

    Davis P J 2012 Circulant Matrices (Providence, Rhode Island: American Mathematical Society)

    [19]

    Dempster A, Laird N, Rubin D 1977 J. R. Stat. Soc. 39 1

    [20]

    Renna F, Calderbank R, Carin L, Rodrigues M R D 2014 IEEE Trans. Sig. Process. 62 2265Google Scholar

    [21]

    Tropp J A, Gilbert A C 2007 IEEE Trans. Inform. Theory 53 4655Google Scholar

    [22]

    Yang J, Zhang Y 2011 SIAM J Sci. Comput. 33 250Google Scholar

    [23]

    Liao X, Li H, Carin L 2014 SIAM Imaging Sci. 7 797Google Scholar

    [24]

    Xu Y, Yin W, Osher S 2014 Inverse Probl. Imag. 8 901Google Scholar

    [25]

    Krizhevsky A, Hinton G 2009 Learning Multiple Layers of Features from Tiny Images (Toronto: University of Toronto) Technical Report Vol. 1, No. 4, p7

    [26]

    Li F F, Rob F, Pietro P 2007 Comput. Vis. Image Und. 106 59Google Scholar

    [27]

    Liu Z W, Luo P, Wang X G, Tang X O 2015 IEEE International Conference on Computer Vision Santiago, December 7−13, 2015 p3730

  • [1] 王翔, 周义深, 张轩阁, 陈希浩. 融合注意力机制的卷积网络单像素成像. 物理学报, 2025, 74(8): 084202. doi: 10.7498/aps.74.20250010
    [2] 孙康生, 韩超, 秦海峰, 顾涛, 李薇, 于程. 基于注意力卷积神经网络的高质量全息图快速生成算法. 物理学报, 2025, 74(8): 084203. doi: 10.7498/aps.74.20241713
    [3] 王攀, 王仲根, 孙玉发, 聂文艳. 新型压缩感知计算模型分析三维电大目标电磁散射特性. 物理学报, 2023, 72(3): 030202. doi: 10.7498/aps.72.20221532
    [4] 曹海燕, 叶震宇. 基于压缩感知理论的大规模MIMO系统下行信道估计中的导频优化理论分析与算法设计. 物理学报, 2022, 71(5): 050101. doi: 10.7498/aps.71.20211504
    [5] 曹海燕, 叶震宇. 基于压缩感知理论的大规模MIMO系统下行信道估计中的导频优化理论分析与算法设计. 物理学报, 2021, (): . doi: 10.7498/aps.70.20211504
    [6] 陈炜, 郭媛, 敬世伟. 基于深度学习压缩感知与复合混沌系统的通用图像加密算法. 物理学报, 2020, 69(24): 240502. doi: 10.7498/aps.69.20201019
    [7] 王晨阳, 段倩倩, 周凯, 姚静, 苏敏, 傅意超, 纪俊羊, 洪鑫, 刘雪芹, 汪志勇. 基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测. 物理学报, 2020, 69(10): 100701. doi: 10.7498/aps.69.20191935
    [8] 冷雪冬, 王大鸣, 巴斌, 王建辉. 基于渐进添边的准循环压缩感知时延估计算法. 物理学报, 2017, 66(9): 090703. doi: 10.7498/aps.66.090703
    [9] 丰卉, 孙彪, 马书根. 分块稀疏信号1-bit压缩感知重建方法. 物理学报, 2017, 66(18): 180202. doi: 10.7498/aps.66.180202
    [10] 柴水荣, 郭立新. 基于压缩感知的一维海面与二维舰船复合后向电磁散射快速算法研究. 物理学报, 2015, 64(6): 060301. doi: 10.7498/aps.64.060301
    [11] 杨祎巍, 张宏博, 李斌. 面向纳米电路的改进型卷积核可制造性模型建模研究. 物理学报, 2015, 64(5): 058501. doi: 10.7498/aps.64.058501
    [12] 文方青, 张弓, 贲德. 基于块稀疏贝叶斯学习的多任务压缩感知重构算法. 物理学报, 2015, 64(7): 070201. doi: 10.7498/aps.64.070201
    [13] 郑仕链, 杨小牛. 用于认知无线电协作频谱感知的混合蛙跳算法群体初始化技术. 物理学报, 2013, 62(7): 078405. doi: 10.7498/aps.62.078405
    [14] 肖迪, 谢沂均. 一种结合JPEG压缩编码的彩色图像加密算法. 物理学报, 2013, 62(24): 240508. doi: 10.7498/aps.62.240508
    [15] 韩冬, 陈良富, 李莘莘, 陶金花, 苏林, 邹铭敏, 范萌. 基于振动拉曼散射的差分水Ring效应系数卷积计算模型. 物理学报, 2013, 62(10): 109301. doi: 10.7498/aps.62.109301
    [16] 宁方立, 何碧静, 韦娟. 基于lp范数的压缩感知图像重建算法研究. 物理学报, 2013, 62(17): 174212. doi: 10.7498/aps.62.174212
    [17] 郑仕链, 楼才义, 杨小牛. 基于改进混合蛙跳算法的认知无线电协作频谱感知. 物理学报, 2010, 59(5): 3611-3617. doi: 10.7498/aps.59.3611
    [18] 邢莉娟, 李 卓, 白宝明, 王新梅. 量子卷积码的编译码方法. 物理学报, 2008, 57(8): 4695-4699. doi: 10.7498/aps.57.4695
    [19] 刘少斌, 莫锦军, 袁乃昌. 等离子体的分段线性电流密度递推卷积FDTD算法. 物理学报, 2004, 53(3): 778-782. doi: 10.7498/aps.53.778
    [20] 赵宝华, 郑兆勃. 态密度的卷积律及维度性. 物理学报, 1987, 36(11): 1459-1471. doi: 10.7498/aps.36.1459
计量
  • 文章访问数:  8585
  • PDF下载量:  61
出版历程
  • 收稿日期:  2019-03-24
  • 修回日期:  2019-06-20
  • 上网日期:  2019-09-01
  • 刊出日期:  2019-09-20

/

返回文章
返回