楊明霞,王萬良,邵鵬飛
1.浙江工業(yè)大學(xué)信息學(xué)院,杭州310023
2.浙江工業(yè)大學(xué)計算機學(xué)院,杭州310023
3.衢州學(xué)院電氣與信息工程學(xué)院,浙江衢州324000
4.浙江萬里學(xué)院電子信息學(xué)院,浙江寧波315100
WSNs中基于隱馬爾科夫模型的目標(biāo)識別問題研究
楊明霞1,3,王萬良1,2,邵鵬飛1,4
1.浙江工業(yè)大學(xué)信息學(xué)院,杭州310023
2.浙江工業(yè)大學(xué)計算機學(xué)院,杭州310023
3.衢州學(xué)院電氣與信息工程學(xué)院,浙江衢州324000
4.浙江萬里學(xué)院電子信息學(xué)院,浙江寧波315100
由于無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSNs)資源受限,如何有效利用資源,提高目標(biāo)辨別的準(zhǔn)確度,是WSNs中目標(biāo)識別系統(tǒng)的研究難題。以隱馬爾科夫模型為分類框架,對一個聲音傳感器陣列節(jié)點簇內(nèi)的目標(biāo)識別問題進(jìn)行建模;基于節(jié)點信號的空間關(guān)聯(lián)性,改進(jìn)了子節(jié)點Viterbi最大似然序列的計算狀態(tài),設(shè)置了子節(jié)點報送間隔,從而有效地判別局部狀態(tài)。實驗證明,改進(jìn)后的算法在維持判別正確率的同時降低信息傳輸量10%以上。
目標(biāo)識別;無線傳感器網(wǎng)絡(luò);隱馬爾可夫模型;維特比算法
在無線傳感器網(wǎng)絡(luò)的很多應(yīng)用場景中,基于聲音信號對不定數(shù)量的監(jiān)測目標(biāo)進(jìn)行分類在很多實際應(yīng)用中是一項關(guān)鍵任務(wù)[1-3],例如戰(zhàn)場監(jiān)測,邊界檢測以及交通控制等。不定數(shù)量的車輛類型及數(shù)目的檢測,在道路交通流量信息及規(guī)劃、智能運輸系統(tǒng)的軍事和民用應(yīng)用等問題中都有廣泛應(yīng)用。聲學(xué)傳感器成本較低,信號數(shù)據(jù)易于處理,利用聲學(xué)傳感器組成的無線傳感器網(wǎng)絡(luò)來處理一定區(qū)域內(nèi)的車輛檢測問題,具有良好的便捷性和靈活性,同時滿足成本控制的要求[4-5]。美國科學(xué)應(yīng)用國際公司采用無線傳感器網(wǎng)絡(luò)構(gòu)建了一個電子防御系統(tǒng),為美國軍方提供軍事防御和情報信息。系統(tǒng)采用多個微型磁力計傳感器節(jié)點來探測監(jiān)測區(qū)域中是否有人攜帶槍支、是否有車輛行駛,同時,系統(tǒng)利用聲音傳感器節(jié)點監(jiān)測車輛或者人群的移動方向。
在WSNs中,由于通信帶寬受限以及無線通信能耗較大的因素,單個節(jié)點往往不直接傳送原始特征向量,而是對特征向量進(jìn)行本地分類,給出目標(biāo)對象類型信息的局部判斷結(jié)果,再將分類結(jié)果編碼發(fā)送到網(wǎng)絡(luò)中心,對多個分類結(jié)果融合并得到最終的決策信息,很多研究致力于改進(jìn)這個過程的性能[7-15]。Duarte等[7]研究了分布式無線傳感器網(wǎng)絡(luò)中移動車輛的識別問題;實驗(SensIt)對一個包含820 MB原始時序數(shù)據(jù)和70 MB預(yù)處理數(shù)據(jù)的數(shù)據(jù)集(來源于實驗現(xiàn)場的聲學(xué)信號),提取了頻譜特征的向量,設(shè)定模型并檢驗分類結(jié)果。Aljaafreh[8]在SensIt[7]數(shù)據(jù)集上,采用多假設(shè)檢驗利用隱馬爾科夫模型(Hidden Markov Model,HMM)作為分類框架,HMM的狀態(tài)對應(yīng)監(jiān)測區(qū)域內(nèi)車輛的分布狀況。每一個時刻,子節(jié)點依據(jù)接收到的音頻信號做出一次分類判斷并將結(jié)果傳送給主節(jié)點,由主節(jié)點判斷給出監(jiān)測區(qū)域內(nèi)車輛狀態(tài)。HMM降低計算負(fù)載,假設(shè)檢驗也提高了分類精度。利用HMM對目標(biāo)對象狀態(tài)信息進(jìn)行建模,能利用目標(biāo)內(nèi)在狀態(tài)的時間關(guān)聯(lián)性達(dá)成較好的識別效果,同時較好地節(jié)省傳輸?shù)臄?shù)據(jù)量[9]。
圖1 利用WSNs目標(biāo)分類過程
本文以SensIt[7]已提取的特征集為研究對象,在考慮WSNs能源受限的基礎(chǔ)上研究一種改進(jìn)的目標(biāo)分類方法和數(shù)據(jù)融合策略。主要思想為:參考Aljaafreh[8]基于HMM的方法的基礎(chǔ)上,通過對各子節(jié)點工作狀態(tài)打分,改進(jìn)子節(jié)點viterbi最大似然序列的計算狀態(tài),從而改進(jìn)簇內(nèi)通信策略,減少傳輸信息量。
在某些實際情形和系統(tǒng)中,各個時刻可以觀察到的現(xiàn)象狀態(tài)是由此時不可見的隱藏狀態(tài)影響并驅(qū)動的,它們是模型中實際存在的物理抽象結(jié)構(gòu),而且往往這些隱藏狀態(tài)才能反應(yīng)事物的本質(zhì)并提供有益的幫助,因此如何通過可觀察的現(xiàn)象推算各個時刻的隱藏狀態(tài)具有重要意義;在某些情況下可以把這種過程建模為隱馬爾科夫模型(HMM)來解決問題。HMM最早在信息論中得到應(yīng)用的,之后擴展到自然語言處理并取得了較好的效果,在手寫輸入、圖像識別、多維氣象系統(tǒng)等領(lǐng)域也得到了較多應(yīng)用。
與普通馬氏過程相比,隱馬爾科夫模型是雙重隨機過程,不僅底狀態(tài)轉(zhuǎn)移之間是個隨機事件,輸出也由同時刻的底狀態(tài)對應(yīng)的隨機分布決定,由狀態(tài)序列{qt,t≥1}(底過程/隱藏過程)和觀察序列{Ot,t≥1}(輸出/表現(xiàn))構(gòu)成。
圖2 隱馬爾科夫模型
本文以模型五元組(q,O,π,A,B)來描述HMM。
在HMM模型訓(xùn)練階段(學(xué)習(xí)過程),如果能人為認(rèn)定底過程,則可通過觀察法直接計數(shù)得到模型參數(shù),如果沒有底過程信息,一般采用EM(Expectation-Maximization)算法估計底過程的狀態(tài)轉(zhuǎn)移陣A和狀態(tài)-輸出概率分布等參數(shù);在應(yīng)用階段,在設(shè)定的截止時刻T可以根據(jù)觀察狀態(tài)序列O(T)采用Viterbi算法計算得到最大似然狀態(tài)序列作為狀態(tài)序列的識別結(jié)果。
Viterbi算法提供了一個根據(jù)可觀察序列計算隱藏序列的很高效的方法,它利用遞歸來降低計算復(fù)雜度,并且使用之前全部的序列來做判斷,可以很好地容忍孤立的噪聲。在實際應(yīng)用中,通常針對HMM的設(shè)定、訓(xùn)練及應(yīng)用階段使用的算法做一些合理的調(diào)整,以取得更為理想的效果。
3.1問題描述
本文以車輛識別為例,探討了利用簇內(nèi)多個節(jié)點傳感器接受的聲音信號頻譜特征序列聯(lián)合識別節(jié)點簇所在局部區(qū)域內(nèi)車輛的個數(shù)和類別。本文討論的車輛音頻特征序列來源于DARPA/IXOs SensIT(Sensor Information Technology)程序中的SITEX02[7]。場景中包含兩種類型車輛:履帶式汽車(簡稱小車,記為0)和重型載貨汽車(簡稱大車,記為1)。數(shù)據(jù)集記錄了一段時間內(nèi)某個簇內(nèi)運行目標(biāo)的原始數(shù)據(jù)信息,采用FFT變換得到的聲音頻譜信號的低頻部分用于分類實驗。
整個監(jiān)控區(qū)域的地圖如圖3所示[7],面積為(900×300)m2矩形區(qū)域,包含一條東西向和一條南北向的道路以及兩條道路的三角交叉區(qū)域,道路兩側(cè)及交叉路口一共部署了75個WIN NG2.0節(jié)點[10],節(jié)點間距20~40 m。每個節(jié)點裝配有三種感知模塊:聲音傳感器、磁性傳感器和紅外傳感器,其中聲音傳感器的采樣率為4 960 Hz。節(jié)點具有一個A/D轉(zhuǎn)換模塊和在線可編程DSP,可以將模擬信號數(shù)字化并存入緩存。按照地理位置將該區(qū)域劃分為不同子區(qū)域,子區(qū)域內(nèi)的節(jié)點組織為一個簇并以一至兩個節(jié)點為簇首節(jié)點,負(fù)責(zé)調(diào)配本簇內(nèi)子節(jié)點的通信路由和協(xié)作算法。簇內(nèi)每個節(jié)點上的初步分類結(jié)果發(fā)送到簇首,由簇首來進(jìn)行局部的數(shù)據(jù)融合。
圖3 SensIt項目監(jiān)測區(qū)域節(jié)點布局圖
3.2問題建模
表1 底過程狀態(tài)集合S
以狀態(tài)編號來表示狀態(tài),則狀態(tài)空間S:=(1,2,3,4,5,6)。設(shè)某個時刻最多一輛車駛?cè)牖蝰偝龃貐^(qū)域,并且車輛駛出事件和車輛駛?cè)胧录煌瑫r發(fā)生,則狀態(tài)之間的轉(zhuǎn)移特性如圖4所示。HMM的隱藏狀態(tài)(底狀態(tài)),代表簇區(qū)域內(nèi)實際的車輛運行情況;觀察值即采集到的音頻信號向量,由于其復(fù)雜性不易表達(dá)略去圖形表達(dá)。
圖4 底狀態(tài)轉(zhuǎn)移陣
3.3算法描述
本文在保持目標(biāo)檢測正確率的同時,以降低簇內(nèi)子節(jié)點通信量為目標(biāo)展開研究。對簇首節(jié)點處理程序、子節(jié)點在HMM應(yīng)用階段的程序以及主節(jié)點和子節(jié)點之間的數(shù)據(jù)通信策略進(jìn)行改進(jìn)。
(1)模型訓(xùn)練階段
模型訓(xùn)練階段,依據(jù)SENIT數(shù)據(jù)集的車輛音頻特性及隨機噪聲特性產(chǎn)生各個子節(jié)點接收到的音頻離散譜,因為此階段狀態(tài)列是已知的,所以直接通過記錄統(tǒng)計并利用經(jīng)驗分布得到HMM模型的各項參數(shù):底過程馬氏轉(zhuǎn)移陣、各狀態(tài)的狀態(tài)-輸出轉(zhuǎn)移概率分布等HMM模型參數(shù):q,O,π,A,B。
記訓(xùn)練總時段共有T個計數(shù)點時刻,期間人工觀察記錄系統(tǒng)的狀態(tài)列q(T),設(shè)處于狀態(tài)i的計數(shù)點共有ni、此計數(shù)點時刻狀態(tài)為i下一時刻點狀態(tài)跳轉(zhuǎn)為i′的時刻計數(shù)為nii',記節(jié)點j上HMM的隱藏狀態(tài)馬氏轉(zhuǎn)移概率陣為
,則有:
對于節(jié)點j上HMM的狀態(tài)-輸出轉(zhuǎn)移分布{P(j)(Ot∈ U|qt=Si),U?S*,i∈S},依據(jù)節(jié)點j的觀察列1,2,…,T}及q(T),利用matalab的處理多維度的經(jīng)驗分布計算函數(shù)即可得到。
(2)識別階段
識別階段,子節(jié)點上調(diào)整前的算法和過程為:記子節(jié)點j在t時刻接收到的音頻離散譜為觀察值,在時刻t狀態(tài)為i的最大似然路徑概率為(i),則有:
φt表示時刻t時狀態(tài)為i′的最大似然狀態(tài)路徑(序列)t-1時刻的值(狀態(tài)回溯):
時刻T為止最大似然狀態(tài)序列T時刻的狀態(tài):
遞推回去,由t+1時刻狀態(tài)得到最大似然狀態(tài)路徑序列t時刻的狀態(tài):
接下來描述本文對HMM識別階段的工作過程所做的改進(jìn)。
3.3.1主節(jié)點的處理過程——打分機制
時刻t,接受x個子節(jié)點報送的狀態(tài),結(jié)合記錄的前n個時刻系統(tǒng)狀態(tài),簇首節(jié)點統(tǒng)一處理,得出判定分?jǐn)?shù)最高的狀態(tài),作為區(qū)域此時的狀態(tài)記錄在stestn(t)并賦值給變量st。考慮WSN能量限制的需求,在主節(jié)點處理程序中加入對各子節(jié)點打分的機制,用以判斷節(jié)點工作狀況,確定停止工作的節(jié)點,最后將打分結(jié)果反饋給子節(jié)點。打分的計算方法為:如果所有節(jié)點狀態(tài)判斷都一致,則隨機選取y個節(jié)點返回控制信號停止報送,即將此節(jié)點編號賦值給變量rsv;否則,若某個節(jié)點判斷結(jié)果與簇首抉擇結(jié)果及其他節(jié)點差距大(可能的因素有:車輛與此節(jié)點距離較遠(yuǎn)、此節(jié)點前幾個時刻工作狀態(tài)不佳、突發(fā)性的噪聲干擾等),就把這個節(jié)點編號賦值給變量rsv。然后簇首節(jié)點發(fā)送信息(rsv,st)給各子節(jié)點,告知系統(tǒng)綜合判斷出的目前狀態(tài)、選擇的調(diào)整節(jié)點,至此主節(jié)點程序結(jié)束。
圖5 主節(jié)點處理流程圖
3.3.2子節(jié)點的處理流程——設(shè)置停止報送的時間間隔
具體過程為:子節(jié)點上接收簇首節(jié)點發(fā)送的rsv和st,檢測自己的編號是否與rsv相同。為了減少子節(jié)點報送的通信開銷,在子節(jié)點上選取以下策略:時刻t,若該節(jié)點編號j與接收到的rsv一致,則此節(jié)點從時刻t+1開始停止報送t_idle個時刻,并在該子節(jié)點上調(diào)整Viterbi算法記錄的t時刻狀態(tài)為st最大似然路徑對應(yīng)的概率值(st);其他情況則不做額外處理。
圖6 子節(jié)點處理流程圖
在MATALAB中建立了仿真環(huán)境。M×M的矩形區(qū)域代表監(jiān)控區(qū)域無線傳感網(wǎng)器網(wǎng)絡(luò)中的一個簇所在的子區(qū)域,簇中包含n個節(jié)點。節(jié)點采集到聲音并且完成特征提取后,進(jìn)行本地計算完成局部決策,將結(jié)果傳送給簇首進(jìn)行融合決策。訓(xùn)練階段,使用的模擬序列長度3 000,針對每個噪聲強度(β)進(jìn)行了30次模擬,每次測試所用的序列長度為500。
4個節(jié)點的情況(n=4),每回合選取1個節(jié)點報停(y=1),結(jié)果如圖7~圖8所示。
圖7 不同噪聲強度下子節(jié)點平均通信量比值(n=4)
圖8 不同噪聲強度下兩種情況的正確率(n=4)
不同噪聲強度下子節(jié)點平均通信量比值,H0為不采用此策略的子節(jié)點平均通信量,H1采用改進(jìn)策略后的子節(jié)點平均通信量;不同噪聲強度下正確率均值比值。p1為采用改進(jìn)策略后的正確率,p0為不采用此策略的正確率。正確率=判斷正確的時刻段數(shù)/總的時刻段數(shù),此處即:正確的次數(shù)/500。改進(jìn)后的處理過程在不同噪聲強度下正確率下降控制在1.3%以內(nèi),子節(jié)點平均通信量約減少了10%左右。
五個節(jié)點的情況(n=5),每回合分析選取兩個子節(jié)點報停(y=2),結(jié)果如圖9~圖10所示。
圖9 不同噪聲強度下子節(jié)點平均通信量比值(n=5)
圖10 不同噪聲強度下兩種情況的正確率(n=5)
本文討論了在無線傳感網(wǎng)中基于HMM利用聲學(xué)信號對目標(biāo)對象進(jìn)行分類以及決策融合的問題。以HMM模型基礎(chǔ)來解決文獻(xiàn)[7]中的簇節(jié)點的決策融合。
通過采用HMM對目標(biāo)對象狀態(tài)信息進(jìn)行建模,減少了假設(shè)狀態(tài)的個數(shù),通過對工作狀態(tài)較差的節(jié)點進(jìn)行調(diào)整以減少傳輸信息量,從而延長網(wǎng)絡(luò)壽命。在測試階段,主節(jié)點利用上一時刻綜合判斷結(jié)果,通知工作狀態(tài)不好的子節(jié)點(如車輛距離子節(jié)點較遠(yuǎn))對HMM狀態(tài)進(jìn)行調(diào)整,并在接下去的幾個時刻停止向主節(jié)點報送本節(jié)點分類判斷結(jié)果,避免無效的傳輸能量消耗。實驗結(jié)果表明,該算法在維持辨別正確率的同時進(jìn)一步減少了信息傳輸量。這提供了子節(jié)點能量較為有限的情形下延長系統(tǒng)工作壽命的有效方法。
由于本文對于子節(jié)點停報間隔的設(shè)置是隨機的,可以進(jìn)一步地研究報送間隔對于性能的影響;此外,在Viterbi算法上糾正路徑也能夠更加精確地獲取分類信息,從而提高系統(tǒng)的性能。
參考文獻(xiàn):
[1]Padmavathi G,Shanmugapriya D,Kalaivani M.A study on vehicle detection and tracking using wireless sensor networks[J].Wireless Sensor Network,2010,2(2):173-185.
[2]李開明,張群,羅迎,等.地面車輛目標(biāo)識別研究綜述[J].電子學(xué)報,2014(3).
[3]Chen H,Tse C K,F(xiàn)eng J.Source extraction in bandwidth constrained wireless sensor networks[J].IEEE Transactions on Circuits and Systems-II:Express Briefs,2008,55(9):947-951.
[4]Kaia Y,Qia H,Jianminga W,et al.Multiple vehicle signals separation based on particle filtering in wireless sensor network[J].Journal of Systems Engineering and Electronics,2008,19(3):440-446.
[5]Drakopoulos E,Chao J J,Lee C C.A two-level distributed multiple hypothesis decision system[J].IEEE Transactions on Automatic Control,1992,37(3):380-384.
[6]黃軻.基于視覺感知的弱對比度車輛目標(biāo)識別[D].北京交通大學(xué),2014.
[7]Duarte M F,Hen Hu Y.Vehicle classification in distributed sensor networks[J].Journal of Parallel and Distributed Computing,2004,64(7):826-838.
[8]Aljaafreh A,Dong L.Hidden markov model based classification approach for multiple dynamic vehicles in wireless sensor networks[C]//2010 International Conference on Networking,Sensing and Control(ICNSC),IEEE,2010:540-543.
[9]Roberts W J,Sabrin H W,Ephraim Y.Ground vehicle classification using hidden Markov Models[R].Atlantic Coast Technologies Inc Silver Spring MD,2001.
[10]王宇婷.BP神經(jīng)網(wǎng)絡(luò)與HOG特征提取相結(jié)合的車輛識別技術(shù)在無線設(shè)備下的應(yīng)用[D].長春:吉林大學(xué),2014.
[11]Kotecha J H,Ramachandranand V,Sayeed A M.Distributed multitarget classification in wireless sensor networks[J]. IEEE Journal on Selected Areas in Communications,2005,23(4):703-824.
[12]Aljaafreh A,Al-Fuqaha A.Multi-target classification using acoustic signatures in wireless sensor networks:A survey[J]. Signal Processing-An International Journal(SPIJ),2010,4(4):75-246.
[13]Merrill W,Sohrabi K,Girod L,et al.Open standard development platforms for distributed sensor networks[C]// Proc SPIE—Unattended Ground Sensor Technologies and Applications IV4743,2002:327-337.
[14]Alkilani A,Shirkhodaie A.A survey on acoustic signature recognition and classification techniques for persistent surveillance systems[C]//Proc of SPIE Vol,2011,8392:83920U-1.
[15]Evans N.Automated vehicle detection and classification using acoustic and seismic signals[D].University of York,2002.
Target classification based on hidden Markov model in Wireless Sensor Networks.
YANG Mingxia1,3,WANG Wanliang1,2,SHAO Pengfei1,4
1.College of Information,Zhejiang University of Technology,Hangzhou 310023,China
2.College of Computer Science,Zhejiang University of Technology,Hangzhou 310023,China
3.Quzhou University,Quzhou,Zhejiang 324000,China
4.Zhejiang Wanli University,Ningbo,Zhejiang 315100,China
It is challenging to classify multiple targets in wireless sensor networks based on the time-varying and continuous signals.In this paper,Hidden Markov Model is utilized as a framework for classification.The states in the HMM represent various combinations of vehicles of different types.With a sequence of observations,Viterbi algorithm is used at each sensor node to estimate the most likely sequence of states.Simulation results show that it reduce transmission more than 10% while maintaining identification rate.
target classification;wireless sensor networks;hidden Markov models;Viterbi
A
TP3
10.3778/j.issn.1002-8331.1411-0350
國家自然科學(xué)基金面上項目(No.61379123);浙江省自然科學(xué)基金項目(No.LQ12F03011,No.LQ14F020005,No.LY13F030011);寧波市自然科學(xué)基金(No.2012A610016);2013浙江省重點實驗室開放基金項目(No.2013026);衢州學(xué)院師資隊伍建設(shè)基金(No.XNZQN201308)。
楊明霞(1979—),講師,在讀博士,主研究方向為智能信息處理。E-mail:37847098@qq.com
2014-11-26
2015-02-03
1002-8331(2015)22-0228-05
CNKI網(wǎng)絡(luò)優(yōu)先出版:2015-07-03,http://www.cnki.net/kcms/detail/11.2127.TP.20150703.1611.029.html