孫宇貞+方永輝+胡超

摘 要：采用矩陣式紅外熱電堆采集空間溫度數(shù)據(jù)，并利用改進(jìn)的RBF（Radical Basis Function徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)算法進(jìn)行人體入侵檢測(cè)。通過改進(jìn)的粒子群算法優(yōu)化RBF的精度和收斂速度，其中為了消除基本PSO（Particle Swarm Optimization粒子群算法）在某些函數(shù)的優(yōu)化上有收斂速度慢、精度較差的缺點(diǎn)，采用慣性權(quán)重因子改進(jìn)了粒子群算法。將改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到人體入侵檢測(cè)識(shí)別中，通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練效果有明顯的提升，檢測(cè)效果也有明顯的提高。

關(guān)鍵詞：矩陣式紅外熱電堆；RBF神經(jīng)網(wǎng)絡(luò)；慣性權(quán)重因子；粒子群算法

DOI：10.16640/j.cnki.37-1222/t.2017.04.220

1 引言

常用的人體入侵檢測(cè)方法有視頻監(jiān)測(cè)、超聲波、機(jī)電檢測(cè)、紅外檢測(cè)等，而它的準(zhǔn)確性和可靠性對(duì)人們的生命財(cái)產(chǎn)安全起確定性的作用。本文采用的是Melexis（邁來芯）的一套矩陣式紅外熱電堆溫度采集裝置，其中傳感器MLX90621是一款采用16*4像素的紅外陣列傳感器，可以檢測(cè)出一副畫面中64個(gè)點(diǎn)的溫度，可以提供的視角范圍是，配合電機(jī)，它的檢測(cè)范圍可以達(dá)到，因此它每一幀可以測(cè)得的溫度數(shù)據(jù)有個(gè)。相比于傳統(tǒng)的檢測(cè)方法，雖然它的檢測(cè)像素低，但是在后面的算法計(jì)算中，它的計(jì)算量會(huì)降低，它的優(yōu)勢(shì)在于成本低、體積小易于隱蔽，而且不易受環(huán)境因素的影響，比如黑夜、電磁干擾等。在人體識(shí)別部分，本文采用的是改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)算法，RBF神經(jīng)網(wǎng)絡(luò)是一種采用局部接受域來執(zhí)行函數(shù)映射的人工神經(jīng)網(wǎng)絡(luò)[1]。而如何確定RBF神經(jīng)網(wǎng)絡(luò)的隱層基函數(shù)的個(gè)數(shù)、中心向量以及寬度是訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵所在。假如設(shè)定的隱層基函數(shù)的個(gè)數(shù)偏多會(huì)造成訓(xùn)練和測(cè)試的時(shí)間加長(zhǎng)，不僅容易產(chǎn)生過擬合[2]，而且還會(huì)造成網(wǎng)絡(luò)的泛化能力下降。相反，設(shè)定偏少的話會(huì)造成神經(jīng)網(wǎng)絡(luò)的收斂誤差變大。一般采用K-mean聚類算法來確定徑向基函數(shù)的個(gè)數(shù)和中心向量，但其依賴初始中心的選擇，只能獲得局部最優(yōu)解[3]。

粒子群算法（PSO）是基于群體智能的優(yōu)化算法，通過粒子間的合作與競(jìng)爭(zhēng)的群體智能理論的優(yōu)化搜索，它可以記憶所有粒子都共享的迄今為止問題的最優(yōu)解[4]。PSO的優(yōu)勢(shì)在于簡(jiǎn)單且易于實(shí)現(xiàn)。但基本PSO的缺點(diǎn)在于其參數(shù)是相對(duì)固定的，會(huì)導(dǎo)致在優(yōu)化某些函數(shù)時(shí)，造成精度差、收斂速度慢等。因此本文針對(duì)基本PSO的缺點(diǎn)，提出了結(jié)合慣性權(quán)重模型，將適應(yīng)度擇優(yōu)選取引入基本PSO算法的方法進(jìn)行改進(jìn)。RBF神經(jīng)網(wǎng)絡(luò)首先采用最近鄰聚類算法來確定隱層基函數(shù)的個(gè)數(shù)，中心向量即為聚類的的均值。同時(shí)將改進(jìn)的粒子群優(yōu)化算法來優(yōu)化最近鄰聚類算法的聚類半徑，從而確定出RBF神經(jīng)網(wǎng)絡(luò)最優(yōu)的隱層基函數(shù)和中心向量，使其不用依靠初始中心的選擇，減少了現(xiàn)有算法中人為因素的影響，從而有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度。獨(dú)立訓(xùn)練特定的RBF網(wǎng)絡(luò)并合成其預(yù)測(cè)結(jié)果，可以有效得提高神經(jīng)網(wǎng)絡(luò)表達(dá)對(duì)象的準(zhǔn)確性[5，6]。將改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用于人體入侵檢測(cè)識(shí)別中，通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證，準(zhǔn)確率相對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)有了顯著的提高。

2 RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1 RBF基本原理

RBF 神經(jīng)網(wǎng)絡(luò)，即徑向基神經(jīng)網(wǎng)絡(luò)，是前饋神經(jīng)網(wǎng)絡(luò)的一種，具有三層結(jié)構(gòu)，如圖 1 所示。它的基本思想是用RBF作為隱單元的“基”構(gòu)成隱含層空間，將輸入矢量直接（即不需要通過權(quán)鏈接）映射到隱空間，當(dāng)RBF神經(jīng)網(wǎng)絡(luò)的中心確定之后，映射關(guān)系也就隨之確定了。隱含層的作用是把向量從低維映射到高維，這樣低維線性不可分的情況到高維就線性可分了，隱含層空間到輸出空間的映射關(guān)系是線性的。

（1）假設(shè)已經(jīng)有個(gè)聚類中心，分別為：，分別計(jì)算與它們之間的距離，。

（2），即到中心的歐式距離最小。

（3）比較與的大小，如果，則就會(huì)被設(shè)定為一個(gè)新的聚類中心，如果，則按照更新，。

（4）重新選取下一個(gè)輸入的樣本數(shù)據(jù)，返回1）。

（5）所有的輸入數(shù)據(jù)取完則結(jié)束。

從上面的算法步驟來看，可以得出，隱層基函數(shù)的中心的確定，最主要的因素是聚類半徑，若過大，會(huì)造成基函數(shù)的中心個(gè)數(shù)較少的情況，從而導(dǎo)致網(wǎng)絡(luò)的收斂誤差偏大，反之則會(huì)造成基函數(shù)的中心個(gè)數(shù)較多的情況，從而導(dǎo)致網(wǎng)絡(luò)的泛化能力下降。因此本文在最近鄰聚類算法中選取合適的聚類半徑時(shí)，采用改進(jìn)的粒子群算法，最后可以確定出最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)的隱層基函數(shù)的中心向量。

3 粒子群優(yōu)化算法

3.1 基本粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）是由Kennedy和 Eberhart于1995年提出的一種通過模仿鳥類群體捕食行為研究的群體智能算法[7]。粒子群優(yōu)化算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解[8]。它的優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)并且沒有許多參數(shù)的調(diào)節(jié)[9]，目前已被廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。在由 m 個(gè)粒子組成的粒子群中，每個(gè)搜索空間中的潛在的解由粒子的位置來確定，新的個(gè)體在取值時(shí)主要由粒子的當(dāng)前速度、粒子群中的最優(yōu)個(gè)體以及當(dāng)前粒子的歷史最優(yōu)解3個(gè)因素來決定，其中粒子的當(dāng)前速度控制著搜索的步長(zhǎng)，算法的全局以及全局搜索能力由其決定，對(duì)PSO的收斂速度和質(zhì)量有著重要的影響；后兩者則主要用于控制搜索的方向，反映了可利用的梯度信息[10]。粒子根據(jù)如下三條原則來更新自身狀態(tài)：（1）保持自身慣性；（2）按自身的最優(yōu)位置來改變狀；（3）按群體的最優(yōu)位置來改變狀態(tài)。

算法描述：在一個(gè) n維的搜索空間中，是由m個(gè)粒子組成的粒子群，其中，為第個(gè)粒子的位置為，為速度。其中，為個(gè)體極值，為種群的全局極值。接下去粒子會(huì)根據(jù)公式（6）不斷更新自己的速度，根據(jù)公式（7）不斷更新自己的位置。

3.2 慣性權(quán)重因子的引入及其改進(jìn)

為改善粒子群算法的搜索性能，以及基本PSO參數(shù)固定優(yōu)化某些函數(shù)時(shí)精度較差的問題，Shi和Eberhart對(duì)基本PSO算法進(jìn)行了改進(jìn)，在粒子的速度進(jìn)化方程中引入慣性權(quán)重[11]。一般地，較大的權(quán)重有利于提高算法的全局開發(fā)能力，而較小的權(quán)重則能增強(qiáng)算法的局部搜索能力[12]。因此慣性權(quán)重因子對(duì)當(dāng)前速度的大小起決定性因素，提升PSO性能的關(guān)鍵一環(huán)是慣性權(quán)重因子和調(diào)整策略的合理設(shè)置[13，14]。將代入公式（6）可得：

上式中，和分別代表第個(gè)粒子和最優(yōu)粒子在第次迭代時(shí)相應(yīng)的函數(shù)值。的計(jì)算是用來判斷目標(biāo)函數(shù)的平整度[16]。由圖2可以看出，在迭代時(shí)變化越明顯，表明目標(biāo)函數(shù)越不平整，相反則表示越平整。通過跟隨的變化而變化，以此來實(shí)現(xiàn)的動(dòng)態(tài)變化。

4 基于改進(jìn)PSO算法的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

前面提到RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)個(gè)數(shù)和中心向量難以獲取最優(yōu)的缺點(diǎn)，本文將改進(jìn)PSO算法應(yīng)用到RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中，有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度，大大地增強(qiáng)了網(wǎng)絡(luò)的泛化能力。粒子群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖3所示。具體的優(yōu)化步驟如下：

1）首先對(duì)樣本進(jìn)行歸一化處理。

2）初始化。由參數(shù)，，組成粒子群，然后隨機(jī)賦上初始值，并根據(jù)這些隨機(jī)值來初始化粒子群的位置和速度。

3）計(jì)算適應(yīng)度值。根據(jù)得到的RBF神經(jīng)網(wǎng)絡(luò)輸入輸出值，應(yīng)用公式：

來計(jì)算粒子群的適應(yīng)度值，以此來確定和。其中和分別為訓(xùn)練樣本數(shù)和輸出神經(jīng)元個(gè)數(shù)，、分別為第個(gè)樣本的第個(gè)分量的輸出值和期望輸出值。

4）根據(jù)公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判斷優(yōu)化目標(biāo)是否滿足終止條件，若滿足，則結(jié)束算法；否則返回到（3）。

5 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

本文在對(duì)上述改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行尋優(yōu)測(cè)試后發(fā)現(xiàn)，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法在尋找最優(yōu)值時(shí)，收斂速度和精度上都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)算法，且大大提高了網(wǎng)絡(luò)的泛化能力。然后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)運(yùn)用到實(shí)際的人體識(shí)別檢測(cè)中來進(jìn)行驗(yàn)證。在實(shí)驗(yàn)中，通過MLX90621紅外陣列傳感器配合電機(jī)采集一個(gè)空間在不同情況下的溫度數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，每一幀有16X36個(gè)溫度數(shù)據(jù)，共測(cè)得297組數(shù)據(jù)用于訓(xùn)練。下面附上其中一張實(shí)測(cè)數(shù)據(jù)結(jié)果驗(yàn)證圖（見圖4）：

圖中坐標(biāo)軸中顯示的溫度數(shù)據(jù)就是實(shí)測(cè)的空間溫度數(shù)據(jù)，綠色區(qū)域?yàn)闊嵩锤蓴_物，紅色區(qū)域?yàn)槟繕?biāo)。根據(jù)采集獲得的溫度數(shù)據(jù)將其分為最高溫度、最低溫度、平均溫度三類，在正常情況下，由于人體的正常溫度存在一個(gè)絕對(duì)范圍，因此結(jié)合這個(gè)絕對(duì)范圍并將分割處理后的圖像一起作為訓(xùn)練的特征值對(duì)改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了對(duì)人體目標(biāo)的檢測(cè)，然后利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)直接對(duì)新的溫度數(shù)據(jù)進(jìn)行分類，檢測(cè)并判斷每一幀是否有人。

下面分別采集無人無干擾和無人有熱源干擾的兩種情況下的空間溫度數(shù)據(jù)，用這兩組數(shù)據(jù)作為訓(xùn)練樣本對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)和改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如表1所示：

從訓(xùn)練結(jié)果來看，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練效果有了很大的提高，無論在無人無干擾還是無人有熱源干擾的數(shù)據(jù)中，測(cè)得的無人的準(zhǔn)確率都高于基本RBF神經(jīng)網(wǎng)絡(luò)。最后用測(cè)得的有人有熱源干擾的空間溫度數(shù)據(jù)用來進(jìn)行結(jié)果驗(yàn)證，驗(yàn)證結(jié)果如表2所示：

重新在一個(gè)空間中測(cè)得99組有人有干擾的溫度數(shù)進(jìn)行結(jié)果驗(yàn)證，在基本PSO的基礎(chǔ)上引入慣性權(quán)重因子，對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果有明顯的提升，改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法測(cè)得有人的準(zhǔn)確率明顯高于基本RBF神經(jīng)網(wǎng)絡(luò)。

6 結(jié)論

對(duì)人體識(shí)別算法進(jìn)行了研究，最終確定使用RBF神經(jīng)網(wǎng)絡(luò)作為研究對(duì)象，并使用最近鄰聚類算法來確定RBF神經(jīng)網(wǎng)絡(luò)的中心向量，成功地消除了操作時(shí)人為因素的參與。本文通過引入動(dòng)態(tài)慣性權(quán)重因子對(duì)基本PSO算法進(jìn)行改進(jìn)，將改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)與基本RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，對(duì)比訓(xùn)練的過程及結(jié)果可以得出，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效果上有了很大的提升，精度、收斂速度以及穩(wěn)定性都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)。最后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到人體入侵檢測(cè)識(shí)別中，經(jīng)過實(shí)測(cè)數(shù)據(jù)驗(yàn)證，雖然改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)在排除干擾的問題上提升不是非常明顯，但是識(shí)別的準(zhǔn)確率有了很大的提高，說明改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)更加適用于低精度且計(jì)算量少的人體入侵檢測(cè)識(shí)別中。

參考文獻(xiàn)：

[1]SimonHaykin.Neural Networks：A comprehensive Foundation，SecondEdition[M]. U.S：Prentive Hall，1988.

[2]段其昌.一種改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的新方法[J]計(jì)算機(jī)仿真，2009，26（12）：126-129.

[3]Y Moddy and C J Darken. Fast learning in network of locally tuned processing unites [C] .Neural Computation，1989（01）：281-294.

[4]Kennedy J and R C Eberhart. Particle swarm optimization[C]. Conf.Neural Networks.1995.1942-1948.

[5]王桂洋，張亞庭.基于APSO優(yōu)化算法的 GCHP 系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制[J].計(jì)算機(jī)測(cè)量與控制，2014，22（01）：106-108.

[6]譚子平.基于白適應(yīng)權(quán)值神經(jīng)網(wǎng)絡(luò)的 PID 參數(shù)優(yōu)化[J].計(jì)算機(jī)光盤軟件與應(yīng)用，2014，17（07）：97-98.

[7]皮倩瑛，葉洪濤.一種動(dòng)態(tài)調(diào)節(jié)慣性權(quán)重的粒子群算法[J].廣西科技大學(xué)學(xué)報(bào)，2016，27（03）：26-31.

[8]胡珀，婁淵勝.改進(jìn)粒子群優(yōu)化算法在服務(wù)組合中的應(yīng)用[J].計(jì)算機(jī)工程，2011，37（17）：130-133.

[9]任圓圓，劉培玉，薛素芝.一種新的自適應(yīng)動(dòng)態(tài)文化粒子群優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究，2013（30）11：3240-3243.

[10]于海鵬，翟紅生.基于混合策略的自適應(yīng)粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（07）：2552-2556.

[11]Shi Y，Eberhart R C.A Modified Particle Swarm Op-timizer[C]/ / Proceedings of the IEEE Congress onEvolutionary Computation.Now York： IEEE，1998：303-308.

[12]羅金炎.粒子群優(yōu)化算法慣性權(quán)重的一種動(dòng)態(tài)調(diào)整策略[J]沈陽化工大大學(xué)學(xué)報(bào)，2013（04）：371-375.

[13]De Silva I J，Rider IM J，Romero R，et al.Transmission network expansion planning with security constraints[J].IEEE Proc Gener Transm Distrib，2005，152（6）：828-836.

[14]左浩，李雯.混沌粒子群與模糊聚類在圖像分割中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（02）：194-196.

[15]田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)[M].北京：科學(xué)出版社，2009.

[16]王啟付，王戰(zhàn)江，王書.一種動(dòng)態(tài)改變慣性權(quán)重的粒子群優(yōu)化算法[J].中國(guó)機(jī)械工程，2005，16（11）：945-948.

作者簡(jiǎn)介：孫宇貞（1975-），女，山東棲霞人，副教授，碩士研究生導(dǎo)師，研究方向：電力設(shè)備智能控制，電廠過程控制。