李冰冰，唐勝武，劉 慧，王 冰，劉 巖

(中國電子科技集團公司 第四十九研究所，黑龍江 哈爾濱150001)

0 引 言

地震動傳感器是地面無人值守系統(tǒng)的重要組成部分，它可以通過運動目標引起的地面震動［1］信號進行遠距離監(jiān)測，對目標進行識別，并給系統(tǒng)主機發(fā)出預警，在邊境等的地面目標偵察中起著至關重要的作用。

對局部禁區(qū)范圍和邊境附近的人員以及車輛活動監(jiān)視，國內(nèi)采取的主要措施［2，3］是采用布設多種傳感器事先隱蔽地埋設于欲監(jiān)視地區(qū)，24 h 探測、監(jiān)視目標活動，這些傳感器采用有線方式與處理系統(tǒng)連接，布線復雜，監(jiān)測范圍受限，多路原始信號匯入系統(tǒng)主機同時處理，系統(tǒng)負擔大，還存在誤警率高、整體功耗大等問題，極大影響野外等復雜環(huán)境無人值守的工作能力。

目前，國外已有的一些無線震動傳感器［4］僅能實現(xiàn)一般震動信號檢測，存在功能單一，不具有震動信號目標探測識別功能，誤報警率高的問題。

為滿足實際應用需求，本文設計的震動信號識別傳感器系統(tǒng)實現(xiàn)了對人和車輛的信號識別功能，提高效率，實現(xiàn)24 h 戶外無人值守。

1 震動信號識別系統(tǒng)原理

地震動信號識別傳感器系統(tǒng)包括硬件設計和軟件設計兩部分，其中，軟件設計部分的核心是信號識別算法實現(xiàn)。信號識別算法包括信息處理和分類識別兩部分，如圖1 所示。信息處理包括預處理和特征提取［5］，常用的特征包括短時均值能量、短時均值脈沖過零、預測系數(shù)、倒譜、共振峰等。這些特征參數(shù)按照時間序列構(gòu)成待測數(shù)據(jù)集，然后按照特定算法要求同參考模式進行匹配得到結(jié)果。動態(tài)時間規(guī)整［6］、貝葉斯框架［7］和人工神經(jīng)網(wǎng)絡［8］等是信號匹配常用技術。人工神經(jīng)網(wǎng)絡的優(yōu)點就是能夠識別帶有噪聲變形的輸入模式，識別速度快，計算量低。系統(tǒng)借助BP 神經(jīng)網(wǎng)絡［9，10］進行頻率特征的匹配。

2 改進的BP 神經(jīng)網(wǎng)絡算法

圖1 震動信號識別系統(tǒng)原理框圖Fig 1 Principle block diagram of vibration signal recognition system

BP 神經(jīng)網(wǎng)絡(BP neural network)由輸入層、輸出層以及若干隱含層組成，同層神經(jīng)元之間沒有聯(lián)系。當算法中梯度下降方向與誤差方向偏離較大時，會使網(wǎng)絡收斂時間延長，降低其學習效率。為此，系統(tǒng)對網(wǎng)絡功能函數(shù)增加調(diào)節(jié)因子u，避免局部最小點，并充分利用前一時刻的更新量來調(diào)節(jié)權(quán)重、閾值，加快網(wǎng)絡的收斂速度。圖2 為系統(tǒng)實現(xiàn)的神經(jīng)網(wǎng)絡程序流程圖。

圖2 神經(jīng)網(wǎng)絡程序流程圖Fig 2 Program flow chart of BP neural networks

3 系統(tǒng)設計與實現(xiàn)

系統(tǒng)由地震信號采集模塊、電源模塊、信號處理模塊、無線模塊、信號識別結(jié)果顯示模塊以及輔助電路組成。

系統(tǒng)采用電磁式震動采集器作為信號采集模塊，并將信號轉(zhuǎn)換為模擬量。采集模塊拾取特定范圍內(nèi)運動目標對地面的震動激勵信號，通過信號調(diào)理與放大電路處理，送入信號處理模塊中進行識別，通過無線方式將結(jié)果向外傳輸，顯示模塊顯示識別結(jié)果，最終實現(xiàn)無人值守工作、低誤警率、高識別率的運動目標監(jiān)測。

3.1 傳感器系統(tǒng)硬件設計

該系統(tǒng)核心處理器與外圍電路設計如圖3 所示，主要由信號采集、數(shù)據(jù)處理器及數(shù)據(jù)傳輸組成。

圖3 信號識別系統(tǒng)流程圖Fig 3 Flow chart of signal recognition system

數(shù)據(jù)處理器重點實現(xiàn)濾波、神經(jīng)網(wǎng)絡訓練、時域與頻域特征統(tǒng)計和信號識別等算法。

選用TI 公司的TM320C5420 為地震動信號識別傳感器。該芯片具有低功耗運行和低功耗睡眠兩個低功耗模式，適用于無線傳感器的低功耗要求。它支持32 位長操作數(shù)指令，支持并行存儲和并行裝入的算術指令，便于算法的實現(xiàn)。系統(tǒng)使用外部20MHz 晶振和24 位AD，轉(zhuǎn)換后的數(shù)據(jù)通過FIFO 進入ARM 進行處理。FIFO 采用4 片CY7C425 形成乒乓結(jié)構(gòu)，以實現(xiàn)模擬信號的不間斷采樣。DSP 擴展一片F(xiàn)lash 存儲器，作為DSP 的程序存儲器。

3.2 軟件設計

系統(tǒng)軟件包括四部分:震動信號采集、信號特征提取、訓練和識別，流程圖如圖4 所示。首先對系統(tǒng)初始化，看門狗定時復位，啟動A/D 轉(zhuǎn)換器采集數(shù)據(jù)，主程序進入死循環(huán);當A/D 轉(zhuǎn)換器轉(zhuǎn)換完畢，進入中斷子程序，讀取數(shù)據(jù)，并將數(shù)據(jù)進行數(shù)據(jù)處理、緩存和輸出。其中處理器數(shù)據(jù)處理子程序?qū)崿F(xiàn)了信號特征提取、訓練和識別。

圖4 系統(tǒng)主程序流程圖Fig 4 Flow chart of system main program

處理器數(shù)據(jù)處理子程序流程圖如圖5 所示。

圖5 識別算法流程圖Fig 5 Flow chart of identification algorithm

4 實驗結(jié)果

設計的傳感器系統(tǒng)識別對象主要是人和車輛，車輛又分為輪式車和履帶車。通過統(tǒng)計，人員走動時腳步施加于地面的激勵為脈沖激勵，車輛行進時車輪、履帶施加的激勵是多頻穩(wěn)態(tài)激勵，而且震源與傳感器之間的距離隨時間而變化，所以，在時域的特征提取進行脈沖過零的統(tǒng)計。由于信號的幅值與信號到傳感器之間的距離密切相關，統(tǒng)計過程中，周期閾值是根據(jù)信號計算得出的。

系統(tǒng)根據(jù)實際預警探測需要，信號采集范圍是25 m 內(nèi)的人員，100 m 內(nèi)行進的車輛。人和車輛信號的脈沖過零統(tǒng)計分別如表1 和表2 所示。

表1 人員脈沖過零Tab 1 Staff pulse zero-crossing

表1 中，1～3 次采樣是人行走脈沖過零數(shù)，4～5 次采樣是人跑步脈沖過零數(shù)。當人員進行跑步時脈沖過零會大于1 000，正常走步會小于800。中間存在誤差帶，因此，采用多次采樣的平均數(shù)作為最后結(jié)果進行判斷。

表2 車輛脈沖過零Tab 2 Vehicle pulse zero-crossing

由表2 可以看出:車輛行駛速度快時脈沖過零會高達8 000次以上，低速均速行駛時，就會降到5 000 次以下。適當選擇分界點，可使兩類信號的正確識別率達到96%以上。

在頻域上，利用功率譜分析找到各震動信號的特征。系統(tǒng)采用加權(quán)交疊平均法進行地震動信號的功率譜分析。系統(tǒng)將功率譜平均分為10 段，每段高峰值區(qū)域的方差和均值做為功率譜特征，采用神經(jīng)網(wǎng)絡進行信號識別。

圖6 為BP 網(wǎng)絡對車輛的分類結(jié)果。神經(jīng)網(wǎng)絡可以準確地將樣本庫的分為兩類。如圖6 所示斜線為分界線，十字為履帶車類，圓圈為輪式車類。采集一個測試樣本后，如果是輪式車，樣本用圓圈代表，并出現(xiàn)在輪式車類中，如果是履帶車，樣本就用十字代表，出現(xiàn)在履帶車類中。

表3 為實際測試的識別結(jié)果，測試距離為100 m，正確率為90%以上。

5 結(jié) 論

系統(tǒng)針對邊境、機場等地對地面運動信號監(jiān)測的需要，設計并實現(xiàn)一種地震動信號識別傳感器系統(tǒng)。傳感器系統(tǒng)對地震動信號進行監(jiān)測與識別，將識別結(jié)果發(fā)送給數(shù)據(jù)控制系統(tǒng)中心。通過實際測試，該系統(tǒng)能夠在3 s 內(nèi)，針對2 5m單人和100m內(nèi)輪式車與履帶車可有效地進行區(qū)分，人和車輛信號正確識別率達96%，輪式車和履帶式車區(qū)分的正確識別率達90%。

圖6 BP 神經(jīng)網(wǎng)絡識別結(jié)果Fig 6 BP recognition result of BP neural networks

表3 神經(jīng)網(wǎng)絡識別結(jié)果Tab 3 Recognition results of neural networks

［1］ 藍金輝.信號地震動信號的特征提取及識別研究［J］.振動與沖擊，2001，20(4):42－44.

［2］ Liu Zhiyuan，Lee Bingbing.A novel strategy for visual tracking and visual information extraction［C］∥2009 International Conference on Measuring Technology and Mechatronics Automation，Zhangjiajie，Hunan，China，2009:75－78.

［3］ Paolo Medagliani，Jérémie Leguay，Gianluigi Ferrari，et al.Energy－efficient mobile target detection in wireless sensor networks with random node deployment and partial coverage［J］.Pervasive and Mobile Computing，2012(8):429－447.

［4］ 何光林，陶斯倩，范紅波.基于噪聲特征的地震動信號目標預警和識別算法研究［J］.北京理工大學學報，2014，34(1):64－67.

［5］ 李 光，余振華，李寶清，等.基于熱釋電紅外傳感器車輛和人員分類［J］.傳感器與微系統(tǒng)，2014，33(12):28－30.

［6］ 樊新海，安 鋼.基于Welch 法的一種信號識別方法［J］.華北工學院測試技術學報，2001，15(1):32－36.

［7］ 張中民，李貴濤.戰(zhàn)場信號聲/震偵察與識別［J］.火力與指揮控制，2001(2):47－52.

［8］ 陳志華，張洪濤，陳 坤.基于TI 處理器的紅外圖像采集預處理系統(tǒng)的軟硬件實現(xiàn)［J］.紅外，2006，27(7):16－19.

［9］ Zhang Jinsong，Walpolaa Malaka，Roelant David，et al.Self－organization of unattended wireless acoustic sensor networks forground target tracking［J］.Pervasive and Mobile Computing，2009(5):148－164.

［10］李 超.聲音識別傳感器設計與應用［J］.傳感器與微系統(tǒng)，2014，34(1):51－53.