張　靜,楊智勇,王國宏,林洪文,劉曉娣

(1.海軍航空工程學院電子信息工程系,山東煙臺264001;2.海軍航空工程學院7系,山東煙臺264001;

3.海軍航空工程學院信息融合研究所,山東煙臺264001)

?

基于局部約束編碼的稀疏保持投影降維識別方法研究

張靜1,楊智勇2,王國宏3,林洪文1,劉曉娣1

(1.海軍航空工程學院電子信息工程系,山東煙臺264001;2.海軍航空工程學院7系,山東煙臺264001;

3.海軍航空工程學院信息融合研究所,山東煙臺264001)

摘要：稀疏表示技術的引入可有效解決降維處理對圖參數(shù)的依賴,但這類降維方法不能同時兼顧稀疏重構和樣本數(shù)據(jù)的鄰近性問題.針對該問題,本文提出了一種基于局部約束編碼的稀疏保持投影降維識別方法.通過稀疏表示分類模型構建了圖邊權矩陣,引入局部約束因子設計了降維投影模型,推導降維求解過程,分析了本文方法與SPP(Sparse Preserving Projections)和SLPP(Soft Locality Preserving Projections)方法之間的共性和區(qū)別,最后給出了識別算法流程.采用人臉圖像數(shù)據(jù)集和高分辨SAR(Synthetic Aperture Radar)圖像數(shù)據(jù)集對算法的有效性進行仿真驗證,由于考慮了數(shù)據(jù)間的鄰近性,本文方法較傳統(tǒng)方法可獲得更好的識別性能.

關鍵詞:目標識別;維數(shù)約簡;稀疏表示;局部約束編碼

1引言

現(xiàn)代戰(zhàn)爭,實現(xiàn)目標精確打擊的前提是能夠完成對目標的精準判斷.隨著SAR(Synthetic Aperture Radar)圖像數(shù)據(jù)獲取技術的飛速發(fā)展,高維數(shù)據(jù)不斷涌現(xiàn)[1].高維數(shù)據(jù)會導致所謂的“維數(shù)災難”[2],嚴重影響武器的實時性和打擊性,因此在目標識別過程中如何克服“維數(shù)災難”已經成為當前目標識別領域的關鍵問題和難點問題,亟需解決.

降維是克服維數(shù)災難的重要途徑.按照不同標準,降維有線性與非線性、監(jiān)督與無監(jiān)督、局部與非局部之分[3,4].在常用的降維方法中,如主成分分析(Principal Component Analysis,PCA)[5,6]、線性鑒別分析(Linear Discriminant Analysis,LDA)[7,8]、局部線性嵌入(Locally Linear Embedding,LLE)[9]、鄰近保持嵌入(Neighborhood Preserving Embedding,NPE)[10]和局部保持投影(Locality Preserving Projections,LPP)[11]等,PCA和LDA方法屬于全局型降維算法,LLE、NPE和LPP屬于局部型降維算法.局部型降維算法的最大特點是在降維過程中考慮數(shù)據(jù)的分布結構,因此這類算法均可統(tǒng)一在圖嵌入框架之下.而圖嵌入框架依賴圖參數(shù)的選擇.

針對該問題,國內外很多學者提出了創(chuàng)意性的思想.Qiao等人[12]在研究LLE算法的基礎上,提出了一種稀疏保持投影算法(Sparse Preserving Projections,SPP).SPP方法將稀疏表示理論引入圖的構造,并將其歸結為一個改進的l1最小化問題,因此獲得的投影方向不僅保持了數(shù)據(jù)的一些本質特征,而且包含了一定的判別信息.然而,SPP方法本質上屬于一種全局策略建圖,算法在降維過程中僅考慮了樣本的稀疏重構,而沒有涉及數(shù)據(jù)間的鄰近性問題.此外,Qiao等人[3]還在研究LPP算法的基礎上,提出了一種軟局部保持投影算法(Soft Locality Preserving Projections,SLPP).SLPP方法雖然通過交替優(yōu)化技術,實現(xiàn)了圖的構建與降維過程的同步,但算法的局限性是:(1)圖權矩陣沒有完全實現(xiàn)在線學習,即矩陣對角線上元素需要人為設置,而該參數(shù)對識別性能影響較大;(2)算法引入迭代技術,比較耗時,實時性大大降低.

本文借鑒局部約束線性稀疏編碼(Locality-constrained Linear Coding,LLC)[13～16]思想,提出了一種基于局部約束編碼的稀疏保持投影降維方法(Sparsity Preserving Projections based on Locality-Constrained Coding,LCC-SPP).該方法既借鑒了稀疏表示理論建圖的優(yōu)點——減少降維對圖參數(shù)的依賴,同時在降維的過程中考慮數(shù)據(jù)的局部鄰近性,因此可獲得更強的識別能力或判別能力.論文用人臉圖像數(shù)據(jù)[17]和高分辨SAR圖像數(shù)據(jù)[18]對算法進行仿真驗證,仿真結果表明:對于兩種圖像數(shù)據(jù),本文方法較SPP方法和SLPP方法都有著明顯的優(yōu)勢.

2基于局部約束編碼的稀疏保持投影降維方法

2.1稀疏表示建圖

Qiao等人借鑒基于稀疏表示的識別器方法(SRC)提出了稀疏表示構圖的思想,利用數(shù)據(jù)的稀疏性自動獲取“鄰近”圖[3,12].假設X=[x1,x2,…xi,…,xn]∈RM×n為一組訓練樣本集,其中xi∈RM×1.利用l1最小化問題計算某一樣本xi對應的稀疏表示系數(shù)αi[19,20].即,

(1)

(2)

而稀疏表示重建矩陣A作為圖的“鄰接”權矩陣.

2.2模型建立

2.1方法僅考慮用稀疏表示方法構建圖邊權矩陣,沒有考慮數(shù)據(jù)的內部鄰近關系,如果在降維的同時,考慮樣本間的“鄰近”信息,那降維的特征向量中會體現(xiàn)出更多反映目標類別的信息,這對目標識別是有利的.在這種研究動機的基礎上,下面給出基于局部約束編碼稀疏保持投影降維方法對應的目標函數(shù)為:

(3)

Di=[‖WTxi-WTx1‖2,‖WTxi-WTx2‖2,…,

‖WTxi-WTxn‖2]T

=[‖WTdi1‖2,‖WTdi2‖2,…,‖WTdij‖2,…,

‖WTdin‖2]T

(4)

下面給出求解過程的具體推導.為了推導方便,分別定義

(5)

(6)

則

(7)

定義一個n維向量ui,該向量第i個元素值為1,其余元素均為0,則式(7)可進一步化簡為:

(8)

其中,I為n×n的單位矩陣.

(9)

同理,定義一個n維向量ui,該向量第i個元素值為1,其余元素均為0,則式(9)可表示為:

(10)

將式(10)代入式(9)得

(11)

其中,V∈n×n的矩陣,其形式如下

(12)

將式(12)和式(8)代入式(3)得

(13)

同文獻[3],為了避免退化解,這里也對式(13)增加約束條件:

trace(WTXXTW)=1

(14)

則式(3)目標函數(shù)可以變成如下形式:

(15)

由此令Sβ=(A+AT-ATA-ηV),St=(XXT),則式(15)的最小化問題可以轉換為求解的最大化問題,即

(16)

則求取式(16)對應的最優(yōu)特征矢量就變成求取廣義線性方程,其解決思路同其它各種子空間方法:

XSβXTW=λStW

(17)

假設λ1,λ2,…,λd為廣義特征方程的前d個非零最大特征值(按從大到小的順序排列),對應的特征矢量為ω1,ω2,…,ωd,則W=(ω1,ω2,…,ωd)就構成最終的特征向量集.

2.3與SPP與SLPP方法的分析比較

下面根據(jù)式(8)、(9)和(13),對比本章所提出方法與傳統(tǒng)的SPP、SLLP方法之間的關系.為了對比方便,將SPP方法相關表達式表示如下[12]:

=trace(WTX(I-S-ST+SST)XTW)

(18)

其中,S=[s1,s2,…,sn]∈n×n為利用2.1方法獲得的邊權矩陣,同2.2中的A.

將SLPP方法相關表達式表示如下[3]:

(19)

可推出

(20)

這里,

(21)

其中,S=(Sij)n×n為圖的鄰接權矩陣,同本文2.2中的A,Sij≥0表示其所有元素非負,1代表全1列向量,t為不確定性參數(shù),用以控制當前鄰接權Sij的不確定性.

對比式(18)與式(8),LCC-SPP方法中的第一部分與SPP方法表達式的形式完全一樣,說明本文提出的方法具有與SPP方法相同的稀疏保持投影思想.

對比式(19)、(21)與(9)、(12)可以看出,LCC-SPP的第二部分與t=2時的SLPP在表達式的構建思想上存在一定的相近之處,但兩者的區(qū)別在于以下方面:

(1)本文方法提前設置了鄰接權矩陣;而SLPP中Sij是通過近鄰方法得到,并利用迭代法更新.

(2)SLPP邊權結構受參數(shù)t控制,雖然文獻[3]通過對Wine數(shù)據(jù)的仿真實驗指出SLPP對t值的選擇不具敏感性,但t參數(shù)仍存在一定的人為干預性,這個問題在本文方法中不存在.

(3)SLPP每次迭代時所求得的邊權矩陣都是通過歸一化逆歐幾里德距離獲得的,逆歐幾里德距離在i=j條件時是不存在的.該問題文獻[3]并沒有給出具體說明.

(4)SLPP存在多次迭代優(yōu)化,因此算法的耗時性較本文方法時間長.

(5)SLPP僅考慮樣本在低維空間中的鄰近問題,未涉及重構問題,而本文方法考慮了這兩個方面.

由以上分析可以看出,本文提出的方法實際上是將SPP方法與SLPP方法在思想上進行了部分融合.

3基于局部約束編碼的稀疏保持投影識別方法

將本文提出的降維方法應用于目標識別中,其識別流程如圖1所示.其中,預處理指的是對原始圖像進行歸一化處理,以減少奇異點對整體數(shù)據(jù)的影響.論文采用傳統(tǒng)的最近鄰1NN分類器和SVM分類器[21]完成分類任務.

本文的算法采用兩類數(shù)據(jù)對算法進行仿真驗證.ORL人臉庫共包含了40個人,每人10幅圖像,所有圖像均為灰度圖像,圖像分辨率為112×92大小.MSTAR高分辨SAR圖像數(shù)據(jù)是美國DARPA/AFRL MATAR項目組利用X波段、HH極化方式、0.3m×0.3m高分辨聚束式SAR采集而得的實測地面靜止軍用目標數(shù)據(jù),數(shù)據(jù)主要有三類目標:BMP2、T72和BTR70,圖像大小均為128×128.

3.1人臉圖像仿真分析

從每類人中隨機選擇m個數(shù)目的人臉圖像作為訓練樣本,剩余部分用于測試.實驗重復執(zhí)行10次,以平均識別率作為最終性能的衡量指標.對于SPP,子空間維數(shù)設為Dim;對于SLPP,參數(shù)設置同文獻[3],包括圖的近鄰數(shù)k=2,熱核參數(shù)經驗型設置為l2范數(shù),迭代終止條件ε=10-4;對于LCC-SPP,折衷參數(shù)η=106.此外,在進行各種降維算法之前對ORL圖像數(shù)據(jù)進行了PCA特征提取.

3.1.1不同訓練樣本數(shù)、不同特征維數(shù)條件下的仿真

選擇每類訓練樣本數(shù)m={4,7}情況下,研究不同維數(shù)Dim條件時,三種方法獲得的平均識別率,如圖2所示,分類器選擇最近鄰1NN分類器.

由仿真結果可以看出:

(1)三種方法中LCC-SPP方法性能最好,說明本文方法較其它方法體現(xiàn)出良好的識別性能.

(2)隨著維數(shù)增加,LCC-SPP獲得的平均識別率呈提高趨勢,其原因是可用于目標識別的有用信息增多為目標的正確判別提供依據(jù).

(3)隨著每類訓練樣本數(shù)m的增多,人臉圖像的識別性能提高.由此可見,三種方法對訓練樣本的個數(shù)存在一定的依賴性.

(4)對比SPP和SLPP方法,前者的識別性能要優(yōu)于后者.這與仿真時人為設置Sii參數(shù)有關.

3.1.2不同算法耗時性的比較實驗

對比各種算法的計算時間,綜合分析最優(yōu)識別方法.表1給出m=6,Dim=70,分類器選取1NN時各種算法對應的運行時間.

SLPP運行時間最長,因為迭代優(yōu)化在獲取邊權矩陣的同時犧牲了運行時間,這顯然不適用于對算法實時性要求高的環(huán)境.SPP方法耗時最少,本文提出的方法居中,但兩者差異不大,而后者擁有更好的性能.

表1　SPP、SLPP和LCC-SPP方法運行時間對比

3.1.3不同分類器性能的比較實驗

分別使用1NN分類器和SVM分類器對數(shù)據(jù)進行測試,其中,SVM分類器選擇高斯核,核函數(shù)參數(shù)為4.7,見表2.需要說明的一點,對于SLPP方法沒有給出SVM分類器對應的識別結果,這是因為SLPP方法在尋優(yōu)求逆過程中,產生復數(shù)數(shù)值,這些數(shù)值不適用于SVM分類器,而文獻[3]中也只使用了1NN分類器.

表2　基于不同降維方法和分類器組合的識別率

分類器對識別率具有重要的影響,不管用何種降維方法,SVM分類器比1NN分類器具有更好的識別結果;從仿真上可以看出LCC-SPP+SVM可以獲得更高的識別率.

3.2SAR圖像仿真分析

以17°下的BMP2-sn9563、T72-sn132和BTR70-snc71為訓練集,以15°下的BMP2-sn9563、BMP2-sn9566、BMP2-snc21、T72-sn132、T72-sn812、T72-sns7、BTR70-snc71作為測試集.為了提高計算效率,這里對所有的SAR目標圖像數(shù)據(jù)首先進行核主成分分析(Kernel Principal Component Analysis,KPCA)[22]特征提取,然后執(zhí)行其他降維算法.KPCA方法中核函數(shù)選擇高斯型核函數(shù),函數(shù)中參數(shù)σ=50,KPCA特征提取維數(shù)設置為100.對于SLPP方法,圖的近鄰數(shù)k=5,熱核參數(shù)經驗性地設置為l2范數(shù),迭代終止條件ε=10-4.此外,為了能夠完成各種方法的比較,這里選取1NN分類器.

3.2.1特征維數(shù)Dim設置不同情況下的實驗

受篇幅所限,圖3僅給出部分目標識別結果,可得出以下結論:

(1)三種降維方法都能實現(xiàn)SAR圖像目標的識別.從平均識別率上看,識別性能最好的是LCC-SPP.該方法不僅對同類型同型號的目標可獲得較高的識別率,而且對同類型不同型號的目標也能獲得較好的識別率.

(2)較SPP和SLPP,LCC-SPP方法最大的特點是:曲線比較平緩,即對降維維數(shù)具有較好的魯棒性.例如,當維數(shù)Dim=10時,SPP和SLPP方法的識別性能都比較低,其平均識別率分別為61.84%和50.66%.

(3)從平均識別率上看,LCC-SPP方法隨著維數(shù)的增加先增長后趨于平緩,在維數(shù)Dim=30時可獲得最優(yōu)的識別結果.

3.2.2不同SAR圖像識別方法比較實驗

表3給出本文方法與常用的SAR圖像識別方法進行對比分析結果.在分析過程中,選用SAR圖像方法主要有模板匹配法[23]、幾何散列表法[24]以及KPCA+SVM法[25].這里的平均識別率為七個目標的平均識別結果,運行時間表示以BMP2-sn9563為例所運行的時間.

表3　不同SAR圖像識別方法的比較

對比表3各種方法的平均識別率,LCC-SPP獲得的識別效果最高,為95.56%,優(yōu)于模板匹配法、幾何散列表法和核KPCA方法.對比各種方法的運行時間,運行時間最短的是模板匹配法,其次是核KPCA方法,本文方法排第三.模板匹配法雖然運行時間短,但識別效果很差;KPCA方法雖然在識別時間和識別效果都體現(xiàn)出較良好的性能,但該方法有個重要前提是:假設已知目標的姿態(tài)角.眾所周知,目標的姿態(tài)估計是存在一定的誤差的[26],姿態(tài)誤差的引入不僅影響識別精度,而且會增加運行時間.因此綜合比較可以得出,本文方法性能最為優(yōu)越.

4結論

本文在分析傳統(tǒng)SPP方法和SLPP方法的基礎上,結合樣本圖像數(shù)據(jù)之間的鄰近關系,提出了基于局部約束編碼的稀疏保持投影降維方法,給出了詳細的推導過程和具體步驟,并根據(jù)特征提取的特點利用兩種分類器實現(xiàn)分類.本章對算法進行了大量的仿真實驗,得出結論:本章方法不僅適用于人臉圖像數(shù)據(jù),而且也適用于SAR圖像數(shù)據(jù)且該方法對兩種圖像數(shù)據(jù)均能夠得出較SPP和SLPP方法性能更好的識別結果,是一種普適性較好的方法.

參考文獻

[1]李娜,劉方.基于模糊聚類視區(qū)劃分的SAR目標識別方法[J].電子學報,2012,40(2):394-399.

LI Na,LIU Fang.A SAR target recognition method based on view-aspects parititioned by fuzzy clustering[J].Acta Electronic Sinica.2012,40(2):394-399.(in Chinese)

[2]LU CY,HUANG D S.Optimized projections for sparse representation based classification[J].Neurocomputing,2013(113):213-219.

[3]喬立山.基于圖的降維技術研究及應用[D].南京:南京航空航天大學,2009.

QIAO Li-shan.Research on Graph-Based Dimensionality Reduction and Its Applications[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2009.(in Chinese)

[4]SUN T,JIAO LC,LIU F,WANG S,FENG J.Selective multiple kernel learning for classification with ensemble strategy[J].Pattern Recognition,2013,46(11):3081-3090.

[5]TURK M A,PENTLAND A P.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,3(1):71-86.

[6]TIPPING M,BISHOP C.Probabilistic principal component analysis[J].Jounrnal of the Royal Statistical Society,Series B,1999,61:611-622.

[7]SWETS DL,WENG J.Using discriminant eigvenfeatures for image retrieval[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(8):831-836.

[8]WANG Meng-zuo,WANG Kuan-quan,ZHANG David,Hongzhi ZHANG.Combination of two novel LDA-based methods for face recognition[J].Neurocomputing,2007,70(46):735-742.

[9]FU Y,HUANG T S.Locally linear embedded eigenspace analysis[J/OL].BMC Bioinformatiocs,2005.http:www.ifp.uiuc.edu/～yunfu2/papers/LEA-Yun05.pdf,2005.

[10]HE X F,CAI D,YAN S C,H J Zhang.Neighborhood preserving embedding[A].IEEE International Conference on Computer Vision[C].Beijing:IEEE,2005.1208-1213.

[11]HE X,NIYOGI P.Locality preserving projections[A].Proceedings of Conference on Advances in Neural Information Processing Systems[C].Washington DC:IEEE,2003.

[12]QIAO Li-shan,CHEN Song-can,TAN Xiao-yang.Sparsity preserving projections with applications to face recognition[J].Pattern Recognition,2010,43(1):331-341.

[13]WEI Chia-po,CHAO Yu-wei,YE Yi-ren,et al.Locality-sensitive dictionary learning for sparse representation based classification[J].Pattern Recognition,2013,46(5):1277-1287.

[14]WANG J,YANG J,et al.Locality-constrained linear coding for image classification[A].Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition[C].San Francisco:IEEE,2010.3360-3367.

[15]ZHANG X R,YANG Y,et al.Manifold constrained coding and sparse representation for human action recognition[J].Pattern Recognition,2013,46(7):1819-1831.

[16]SHEN Fu-min,TANG Zhen-min,XU Jing-song.Locality constrained representation based classification with spatial pyramid patches[J].Neurocomputing,2013,101:104-115.

[17]Olivetti Research Laboratory.The Olivetti & Oracle Research Laboratory Face Database[DB/OL].http://www.cam-orl.co.uk/faceddatabase.html,2013-03-13.

[18]Air Force Research Laboratory.Model Based Vision Laboratory.Sensor Data Management System[DB/OL].http:// www.Mbvlab wpafb af.mil/publica/sdms/datasets/mstar,2010-01-10.

[19]J Wright,A Yang,S Sastry,Y Ma.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[20]A Yang,J Wright,et al.Feature selection in face recognition:a sparse representation perspective[J/OL].BMC Bioinformatiocs,2007,08.http://www.eecs.berkeley.edu/Pubs/TechRpts/2007/EECS-2007-99.html,2007-08-17.

[21]Corinna Cortes,Vladimir Vapnik.Support-vector network[J].Machine Learning,1995,20(3):273-297.

[22]賈世杰,孔祥維.一種新的直方圖核函數(shù)在圖像分類中的應用[J].電子與信息學報,2011,33(7):1738-1742.

JIA Shi-jie,Kong Xiang-wei.A new histogram-based kernel function designed for image classification[J].Journal of Electronics & Information Technology,2011,33(7):1738-1742.(in Chinese)

[23]Novak L M,Owirka G J,et al.Performance of 10-and 20-traget MSE classification[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(4):1279-1289.

[24]韓萍,王蘊紅,吳仁彪,等.一種有效的SAR自動目標識別方法[J].模式識別與人工智能,2003,16(2):208-212.

HAN Ping,WANG Yun-hong,WU Ren-biao,et al.An efficient SAR automatic target recogntion approach[J].PR & AI,2003,16(2):208-212.(in Chinese)

[25]BHANUB.Recognition of articulated and occluded objects[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(7):603-613.

[26]辛寧,王國宏,張靜.改進的SAR圖像車輛目標姿態(tài)角估計方法[J].火力與指揮控制,2008,33(5):57-60.

XIN Ning,WANG Guo-hong,ZHANG Jing.An improved synthetic pose estimation of SAR image[J].Fire Control and Command Control,2008,33(5):57-60.(in Chinese)

張靜女.1976年2月出生,山東濰坊人.1999年、2003年和2008年分別在東北大學和海軍航空工程學院獲得工學學士、工學碩士和工學博士學位.現(xiàn)為海軍航空工程學院電子信息工程系副教授.主要研究方向為雷達目標識別、圖像處理.

E-mail:yzy913@sina.com

楊智勇男.1977年9月出生,河南洛陽.2000年、2004年和2009年海軍航空工程學院分別獲得工學學士、工學碩士和工學博士學位.現(xiàn)為海軍航空工程學院講師.主要研究方向為機器學習.

E-mail:yzy913@sina.com

Sparsity Preserving Projections Based on Locality Constrained Coding with Applications for Targets Recognition

ZHANG Jing1,YANG Zhi-yong2,WANG Guo-hong3,LIN Hong-wen1,LIU Xiao-di1

(1.DepartmentofElectronicandInformationEngineering,NavalAeronauticalandAstronauticalUniversity,Yantai,Shandong264001,China;2.SevenDepartment,NavalAeronauticalandAstronauticalUniversity,Yantai,Shandong264001,China;3.ResearchInstituteofInformationFusion,NavalAeronauticalandAstronauticalUniversity,Yantai,Shandong264001,China)

Abstract:Constructing graph by sparse representation (SP) can reduce the dimensionality reduction (DR) which relies on neighborhood parameter selection.However,these DR algorithms are usually unable to take sparse reconstruction into consideration while preserving local data structure.This paper presents a sparsity preserving projections based on locality-constrained coding (LCC-SPP) algorithm.Firstly,an “adjacent” weight matrix of dataset is constructed by sparse representation based classification (SRC).Then,a locality adaptor is introduced and the dimension reduction is modeled.We derive the solution of objective function.The similarities and differences are presented with sparse preserving projections (SPP) and soft locality preserving projections (SLPP),respectively.At last,the recognition flow is given.We conduct experiments on databases designed for face and synthetic aperture radar (SAR) images recognition.Considering the data locality,the proposed method has better recognition performance than SPP and SLPP.

Key words:target recognition;dimensionality reduction;sparse representation;locality constrained coding

作者簡介

DOI:電子學報URL:http://www.ejournal.org.cn10.3969/j.issn.0372-2112.2016.03.025

中圖分類號:TP751

文獻標識碼：A

文章編號：0372-2112 (2016)03-0658-07

基金項目:國家自然科學基金(No.61102167,No.61302008,No.61179016,No.61102165)

收稿日期:2014-06-19;修回日期:2014-12-17;責任編輯:覃懷銀