异步串行通信接口位置特征自动匹配优化方法

姚 莉，顾煜新

(1.湖北理工学院 计算机学院，湖北 黄石 435003；2.长春工业大学 信息传播工程学院，吉林 长春 130012)

1 引言

现阶段，利用网络平台实现数据的传输、储存以及分享等各类功能已被广泛应用，通信接口处理作为其功能实现的重要设备发挥着关键作用。但目前网络数据数量不断增多，种类结构也越来越复杂，传统的数据匹配技术已经无法满足现在的用户需求，因此如何在范围系统庞大的网络信息环境中更加准确、安全且高速地完成实现数据的有效识别、定位逐渐被相关领域专家关注。而特征匹配技术是数据应用领域中一种关键的处理手段，该技术能够有效解决因数据属性不统一而带来的无法配比的问题。目前，该手段逐渐成为信息技术及大数据领域的研究热点问题。文献[1]提出了一种基于WP-NMEI网络传输增益匹配经济指标的配电网载波通信匹配优化方法。通过应用传输线理论和局部反射理论，推导出网络模式下各载波设备之间的匹配关系，并对各载波机之间的功率协调进行了验证。该方法虽然直观简便，但容易忽略原始数据特征问题，导致后续进行匹配时易出现异常及噪声数据，影响特征匹配效率。文献[2]提出了一种基于三阶相关特征信息的匹配算法。采用m序列三阶相关函数获取峰值点，建立了周期与非周期多速率LC-DS-CDMA信号的三阶关联特征信息矩阵。利用接收信号的长度判断其周期，估计与之相对应的延迟三阶相关列向量。然后对匹配结果进行归一化处理。该方法整体难度系数较大，且实现条件受限，存在特惠总能匹配效率较低问题。

基于上述问题，本研究设计一种基于异步串行通信接口处理器多特征匹配优化方法，所提方法可以实现特征点属性的高度保留，不破坏原始数据的结构特点，并且匹配信号的脉冲数值较高，这说明其特征匹配的响应率较高可运用数量较大。并且基于时间序列的匹配优化可以减少时间耗用，从而增强匹配效率，对异常数据以及冗余特征的消除效果较为优异。仿真实验证明，本文方法的匹配精准度较高且整体过程信号响应稳定，没有出现异常现象影响，在特征数量庞大的情况下，也能保证匹配效率的优异。

2 通信接口处理器的时序特征匹配

在多特征匹配通信接口处理器过程中，易出现时序串联[3]的问题，因此需要先调整所有接口处理器的特征时序。通过随机模糊序列[4]建立关于接口传输信号的特征自回归模型[5]，计算得出通信接口的观测时序变量，并对该时间序列中的信号特征进行提取，就能根据特征分布情况推导出有关时序匹配的重要参数，完成特征匹配，具体操作步骤如下：

设aR、AR、aF、AF分别表示不同通信接口处理器的时序匹配信号波形；PR代表上升波形到达的最快时间；LR代表上升波形到达的最慢时间；vR代表下降波形到达的最快时间；kR代表下降波形到达的最慢时间；所有特征传输信号的统一时间周期用Tc来表示。基于此，就能给出所有通信接口处理器的时间特征匹配序列，表示为：

(1)

公式中，Thoid表示对特征匹配序列的约束时间周期；Tperiod表示特征匹配序列所需的时间。

假设，用Tcok表示时间序列既定的输出时间；用Tkeep表示时间序列既定的保持时间，那么就可组建出关于输出与保持信号的特征自回归公式：

(2)

公式中，ω(R+C)表示在下一个特征匹配时刻内周期的最快上升时间；ψ(F+C)表示在下一个特征匹配时刻内周期的最快上升时间。

(3)

公式中，b(Φ)*表示通信接口的时序特征变量；γ(ε)表示特征的模糊度量值；η(j)表示特征的模糊因变量数值。

(4)

公式中，OW(t)表示模糊序列的处理矩阵，C(t-1)表示在第t-1时刻下特征自变量的实时变化区间。

假设，z(j)表示在时序特征提取接口过程中符合逻辑规律的门延时[7]；则t(j)表示特征提取接口的线延时[8]，这样就能得出在各个通信接口处特征进行时序匹配时的度量数值，表达式为：

(5)

(6)

综合上述表达过程，就根据特征模糊序列解决通信接口处理器在进行特征匹配时，易出现的时间延迟问题，这样不仅能提高特征匹配的准确性还能提高数据识别的效率。

3 异步串行矩阵建立

基于上述特征匹配时序的建立，可以有效改善误差问题，但要想实现特征匹配的合理优化还要建立异步串行矩阵来帮助特征点的提取及表达，具体操作步骤如下。

异步串行矩阵估计。首先对匹配序列进行SIFT(Scale Invariant Feature Transform尺度不变特征变换)特征点提取，利用FLANN算法(Fast Library for Approximate Nearest Neighbors快速最近邻搜索包)对序列中的所有邻近特征点进行配对。设异步串行矩阵的窗口大小为3×3，拥有8个匹配自由度。

基于上述过程，构建关于异步串行矩阵的约束函数为：

CF=(X)=(yi)TFxi

(7)

对约束函数(7)进行进一步展开为：

(8)

公式中，∂表示约束的条件参数；建立特征对比函数为：

(9)

则可得到：

(10)

JΔX=-CF(X)

(11)

fΔX=ΔXTΔX-2λ(JΔX+CF(X))

(12)

公式中，λ表示极线算子，基于此给出关于特征点分布的目标极线匹配图，如下图1所示。

图1 异步串行矩阵搜索示意图

4 基于特征点变化方向的匹配优化算法

假设特征点的分布位置为(x，y)，利用梯度方图得到分布特征，将其横轴的梯度俯角设置为0°到360°，纵轴的数值则设置为梯度俯角的总个数，特征点分布的方向角为θ，如下图2所示。

图2 特征匹配反向差值示意图

从图2中可以看出，θL代表特征点xi的运动主方向(图中fL位置)；ςL代表特征点yi的运动主方向(图中fR位置)；基于此得出二者位置的对应尺度：

θ1=θL

(13)

θ2=(θL+180°)%360°

(14)

将两个特征点都进行主方向匹配，二者之间的夹角表示为α，在目标区域内将特征点位置区域设为H1和H2，且H1>H2。如果目标特征点的位置区域处于H1，那么α>0；如果目标特征点的位置区域处于H1，那么α<0；得出具体关系：

0°≤θL≤180°

(15)

(16)

180°≤θL≤360°

(17)

图3 SIFT特征分布梯度直方图

根据图3中特征幅角的分布梯度可得：

(18)

根据上述公式中特征点在主方向上的尺度分配大小可得出其关系比值ξ：

(19)

公式中，αL表示左方向上的匹配参数；αR表示右方向上的匹配参数。

5 仿真实验设计与分析

5.1 实验环境

为有效验证本文提出的关于异步串行通信接口处理器多特征匹配优化方法的有效性，将利用ISE(Integrated Software Environment集成软件环境)一款由Xilinx公司搭建的控制接口处理器，作为本文的仿真实验平台，实验所需要的全部数据都来自该软件在正常工作中，SDF(Standard Delay Format标准延时格式文件)所形成的特征匹配记录。具体实验阈值设置与所需的设备参数如下表1所示。

表1 实验参数设置

5.2 特征集对不同算法的影响

基于不同数量大小特征集的环境下，对比分析对不同算法的影响程度，实验结果如下图4、图5以及图6所示。

图4 文献[1]方法匹配效率影响程度

从图4中可以看出，三条不同通信数量的特征集特征匹配效率曲线的波动幅度都较大，并且随着数据变换地址的不断增加，其曲线波动的范围也在大幅度增大。其中，基于2万特征集的效率曲线在变换地址密度较小时，表现还较为优异，但随着地址变换的密度增大其匹配效率开始随之下降，并且数值间的差异性较大。而基于10万特征集以及20万特征集的匹配效率曲线更是随之成倍下降，这说明，该方法不能很好地承受大基数特征以及数据变换的压力，导致其中匹配效率下降，特征匹配速度发生了不同程度的衰退，整体效果欠佳。

图5 文献[2]方法匹配效率影响程度

从图5中可以看出，基于该文献[2]方法与上述文献[1]方法相比整体效率曲线的下降幅度要小很多。但是随着数据变换密度的不断增加，基于20万特征集的效率变化曲线在20-18位置还是出现大幅度的下降，这说明在20-18位置时出现了严重冲突，因为特征集的数值变化越大其曲线的波峰就越靠后，正好在该位置其波峰发生了大幅度转变就可以表明其发生了哈希冲突，从而引起了冗余及噪声问题影响特征识别效果，最终影响特征匹配效率。

图6 本文方法匹配效率影响程度

从图6中可以看出，在本文方法下的基于所有特征集的匹配效率曲线都没有出现较大幅度的增减，整体波动范围都保持在一个恒定的区域内。其中基于2万特征集下的效率曲线表现最为优异，整体没有出现任何大范围的波动，一直稳定在90～120之间。相比之下，特征基数较大的另外两条曲线的波动幅度就有所上升，但是整体还是保持在一个可控的范围之内。这足以说明，本文方法的特征匹配效果相比之下是较为优异的，可以保持算法过程的稳定，不会出现冗余匹配的现象且管控能力较强。这主要是因为，本文利用特征匹配的时间序列，在一定程度上减少，特征识别以及定位的时间延迟，在最大程度上提高了匹配的效率，同时也就提高了整体算法的效果。

6 结论

本文通过设计基于异步串行的多特征匹配优化方法，对通信接口处理器的匹配问题实现有效改善。通过研究及仿真测试验证得出几点结论：通过建立特征匹配的时间序列，可以有效解决数据特征在进行识别与定位时出现的时间延迟问题；通过建立基于特征构架的约束函数能够对通信信道上的所有特征点都实现精准匹配；通过对匹配后的特征点进行矩阵表达的方式，在最大程度上减少误差及配对时间。仿真证明，基于本文方法的匹配优化效率没有随着特征基数的增大而出现大范围的降低，整体效率表现优异。