(內蒙古自治區(qū)財政廳，呼和浩特 010098)

0 引言

地面?zhèn)鞲衅麝嚵型ㄟ^獲取各種物理場特征信息實現(xiàn)對所監(jiān)控區(qū)域內目標的探測與識別。在不確定性和動態(tài)中檢測運動目標，環(huán)境對情報、監(jiān)視和偵察系統(tǒng)至關重要。為此，大型分布式傳感器網(wǎng)絡通常是有吸引力的，因為它們可以覆蓋范圍很廣的區(qū)域，運行成本適中。每個傳感器都在網(wǎng)絡中具備通信和計算能力以及具備集體智慧的行為。這種分布式傳感器網(wǎng)絡的成本效益非常關鍵，保持可靠的傳感性能同時限制需要進行可靠決策所需的通信量至關重要。單個傳感器信息處理能力通常受諸多方面因素制約，需要通過網(wǎng)絡實現(xiàn)數(shù)據(jù)交互與融合。目前，常用的數(shù)據(jù)融合方法很少考慮對傳感器工作環(huán)境變化的主動響應[1]，這與傳感器工作環(huán)境的日趨復雜構成了一對矛盾，特別是通過炮射[2]或無人機等方式布撒的傳感器，分布的地域較廣，面臨的工作環(huán)境更加多樣，給目標識別與分類帶來了極大的挑戰(zhàn)。為了準確識別目標并消除環(huán)境干擾影響。目前的目標檢測方法可分為三類：時域方法、頻域方法以及時頻域方法。一般來說，由于干擾噪聲的存在時域分析無法做到非常準確的檢測目標，因此相關研究集中在頻率域或時間頻率目標檢測和分類領域特別是基于小波變換的方法，焦點集中在去噪和時頻局部化特性，達到了良好的分析效果。對于環(huán)境因素影響的處理，文獻[3]提出了一種基于模型的傳感器陣列分布方法，從傳感器布設位置入手解決問題，該方法適合于人工布設傳感器的場景，但很難應用于機載布撒的傳感器陣列。文獻[4]采用目標分類與關聯(lián)跟蹤相結合的方法實現(xiàn)對環(huán)境影響的處理，其本質也是一種基于模型的方法，該方法能夠處理傳感器目標分類算法對環(huán)境噪聲的適應性，但對于回聲等因素尚無法處理。與基于模型的方法相比，動態(tài)數(shù)據(jù)驅動方法并不明確依賴于基于物理原理的科學模型。如果在不同的操作條件下有足夠的培訓數(shù)據(jù)，數(shù)據(jù)驅動方法明顯比基于模型的方法在計算執(zhí)行時間和內存需求方面有優(yōu)勢。本文提出一種基于動態(tài)數(shù)據(jù)驅動的目標分類算法。對時變的外部環(huán)境特征加以提取作為目標識別計算的反饋控制量，采用環(huán)境改進模型作為決策用有限狀態(tài)自動識別機，為其中每個狀態(tài)訓練相應的分類識別方法，實現(xiàn)識別算法對環(huán)境影響的自適應過程，從而提高分類識別的準確度。

1 識別算法框架

1.1 定義

本節(jié)首先給出與后續(xù)算法相關的一些數(shù)學定義和表達式。主要是關于有限狀態(tài)自動識別機和概率有限狀態(tài)機的定義。有限狀態(tài)自動識別機(DFSA)是一個三元組：

G=(∑,Q,δ)

(1)

其中:∑是非空有限集，稱為符號集，滿足|∑|<∞；Q是非空有限集，稱為狀態(tài)集，滿足|Q|<∞；δ:Q×∑→Q是狀態(tài)轉移映射 。

概率有限狀態(tài)機(PFSA)是基于一個DFSA構建的，形如：

K=(G,π)=(∑,Q,δ,π)

(2)

其中，π:Q×∑→[0,1]為概率映射函數(shù)滿足∑σ∈∑π(q,σ)=1，?q∈Q。

如果QG是已知環(huán)境的集合，Ψ是特征的集合，C為事件分類的有限集。則函數(shù)：

A:QG×Ψ→C

(3)

為基于環(huán)境的事件分類器，滿足：?q∈QG，?P∈Ψ，A(q,P)∈C。

1.2 目標分類算法框架

無人值守的地面?zhèn)鞲衅鞴ぷ髟趶碗s的環(huán)境條件之中，其觀察數(shù)據(jù)會隨這些因素改變。因此，目標分類算法及其訓練需要一個模型來捕捉外部因素。在某地理區(qū)域內布置傳感器陣列，陣列中傳感器之間具有通信能力。每個傳感器都包括不同的傳感器模塊，如被動紅外，聲學和地震模塊等[6-8]，即傳感器陣列包含一些獨立的傳感器，每個獨立的傳感器可感知一種或幾種物理場信息。每一個傳感器模塊都有一個有限的處理和通信能力，能夠完成目標檢測和分類任務，并將結果進行彼此溝通。令c為待探測的事件分類數(shù)量，例如：如車輛(C1)，動物(C2)，人員(C3)，則c=3，且定義C0為上述事件均未出現(xiàn)的狀態(tài)。動態(tài)數(shù)據(jù)驅動算法執(zhí)行的通用框架如圖1所示。

圖1 算法框架示意圖

算法的最底層，采用SDF法，通過來自傳感器的信號域數(shù)據(jù)(S1，…，Sm)用來計算各個狀態(tài)的概率矢量(p1，…，pm)。并將結果合并為一個特征矢量(P)。對于每個獨立的傳感器來說，都存在一個P矢量，如果傳感器節(jié)點數(shù)量為n，則可以獲得矢量P1，…，Pn，環(huán)境特征不能從單個傳感器數(shù)據(jù)中獨立獲得，需要進行特征層面的數(shù)據(jù)融合。待探測事件的集合{Ci，i=1，…，m}的具備空間維度上的一些特征[5]，采用下式對所獲得的特征矢量進行處理：

(4)

(5)

其中:i表示單獨獲取某種物理場的傳感器,m為一個傳感器節(jié)點上上述傳感器的總數(shù),ai是權值,n為傳感器節(jié)點的總數(shù)。

上述兩式中涉及的矢量運算定義如下：

pi=[pj1,pj2,…,pjd]?j∈{1,2,3}

p1⊕p2=p3

(6)

p1?α1=p2

(7)

考慮矢量加法和標量乘法的閉合性，將其變?yōu)镠ilbert空間中的符號表示法，詳見文獻[6]。

SDF處理算法可獲得特征空間中的一個數(shù)據(jù)點，在時間上重復該算法，在算法的上層，采用K均值聚類方法，引入非監(jiān)督學習機制，將相同的特征，即特征空間中相同的數(shù)據(jù)點加以合并，獲得特征數(shù)據(jù)集合如：G1，G2…，Gk，K的選擇由模型復雜性及模型誤差共同決定。這樣，特征集合可以借助符合Gk來表示，即獲得了公式 (1)中的∑。通過D-Markov方法獲得DFSA模型，該模型即為環(huán)境進化或環(huán)境改變模型。模型中每個狀態(tài)都是D符號的鏈，也可以認為是瞬時或短周期符號的集成，這樣就獲得了關于環(huán)境的符號表示。DFSA中的各個狀態(tài)，稱為環(huán)境狀態(tài)。一旦出現(xiàn)新的特征矢量，DFSA過程對環(huán)境狀態(tài)將做出更新，從而使得對目標的分類能夠應用最新的狀態(tài)反饋信息，適應環(huán)境的短時和長期變化。

2 基于符號化動態(tài)濾波的目標特征提取

符號化動態(tài)濾波(Symbolic Dynamic Filtering, SDF)用于從單個傳感器數(shù)據(jù)中提取特征參數(shù)，它的理論尚未完全成熟，目前普遍將動態(tài)濾波處理成一個雙時間尺度問題，在短周期上，系統(tǒng)對數(shù)據(jù)的獲取和處理模型可認為是時不變的，而采用長周期模型來描述系統(tǒng)中的緩變特征。其基本步驟為：

第一步，在長周期上采集傳感器數(shù)據(jù)的時間序列{q}∈Q，Q?n×N，n為時間序列的維數(shù)，N是每個時間序列的點數(shù)；

第二步，將狀態(tài)空間劃分為{B0,…，B(|∑|-1)}，每個元素用一個符號σi∈∑表示，范數(shù)形式任取，將時間序列映射到σi，即{q}轉換為符號序列{s}；

第三步，使用訓練數(shù)據(jù)，構建序列{s}以獲取PFSA，使用測試數(shù)據(jù)，通過上述PFSA識別函數(shù)π，此處的PFSA是D-Markov機[3]。使用上述π和δ，可獲得轉移概率矩陣Π=|Q|×|Q|，其元素含義為從狀態(tài)qi到狀態(tài)qj的轉移概率。將轉移概率矩陣進行上三角變換，其變換矢量p用來描述時間序列的特征。

以地震動傳感器為例，傳感器測量的直接結果是一個時間序列。采用SDF方法時，時間序列首先被轉換至小波域，小波系數(shù)是在不同的時間變換和尺度下產(chǎn)生的，基于單個信號的時頻特性選擇小波基函數(shù)與小波尺度。獲得小波表面輪廓后，將其進行劃分，將小波系數(shù)的像素值在最大值和最小值之間分成不同的相互排斥的區(qū)域，選擇不同的符號來標識區(qū)域的分區(qū)，即每個區(qū)域都被貼上標簽，這樣就得到了符號集，如果一個值位于上述特定的區(qū)域，則它被編碼為與該區(qū)域相關的符號。該過程的本質是一種基于原始樣本數(shù)據(jù)的特征提取，其關鍵在于選取能夠描述數(shù)據(jù)核心結構的特征，被選特征具備使得同類樣本在特征空間中呈現(xiàn)距離值最小化的特點，而特征矩陣就是對這一結果的數(shù)學描述。

3 特征層面數(shù)據(jù)融合

經(jīng)過SDF處理傳感器數(shù)據(jù)而獲得的符號系統(tǒng)是一個概率有限狀態(tài)自動機，為了從傳感器數(shù)組中推斷出環(huán)境特征，需要將SDF獲得的特征向量進行加權平均，權重的選擇依據(jù)傳感器工作性能先驗知識來確定，如果傳感器性能良好，則每個傳感器的權重一致，如果預先知道某傳感器性能退化，則降低其獲得的權重。

對于加權處理后的數(shù)據(jù)，應用于基于K均值的非監(jiān)督學習技術對其進行分類。K均值聚類用于將分組G的元素分成k個互斥簇。在初始啟動集群質心的位置之后，根據(jù)預定義的距離分配每個Gi到最近的群集測量。集群中心通過最小化每個Gi與其相應的聚類中心之間的距離度量的總和來更新。該集群分配和距離最小化過程是迭代重復的，直到算法收斂，G的要素沒有進一步的變化集群。集群質心的位置被隨機初始化以避免局部最小。并行使用重復與隨機初始啟動以確保算法返回距離度量的最小總和。該k均值聚類的輸出是重心的位置，可用于設置分類目標的門檻。由于很難預先知道哪些條件會顯著影響信號的生成聚合特性，即使所有條件都已知，也很難確定數(shù)據(jù)中集群，即分類的數(shù)量。可以用殘差來估計建模誤差，通過選擇一個參數(shù)權衡建模誤差和模型的復雜性。這樣，一旦獲得了數(shù)據(jù)集中的集群數(shù)量，K均值聚類就會給出K不相交的數(shù)據(jù)集。集群標簽被分配到該集合中的每個數(shù)據(jù)點，在后續(xù)環(huán)境模型中作為分類符號使用。

4 環(huán)境模型

要獲得環(huán)境及其變化的模型，需要借助于傳感器之間的網(wǎng)絡通信功能，將不同傳感器的數(shù)據(jù)進行基于時間和空間的聚合。如假設一組訓練數(shù)據(jù)來自分布于不同地質特征環(huán)境中的地震動傳感器，一部分傳感器布置于水泥地面，另一部分則布置于土質地面。這樣，經(jīng)過網(wǎng)絡的數(shù)據(jù)交換，位于網(wǎng)絡中的每個傳感器都會獲得這個環(huán)境信息，從而在目標分類過程中利用與環(huán)境信息有關的判斷準則進行判斷，達到處理環(huán)境變化的效果。環(huán)境的變化在模型中表示為狀態(tài)轉移函數(shù)，通過D-Markov方法獲得，D的層數(shù)表示狀態(tài)數(shù)的復雜性，即模型深度，更大的深度提供了更復雜的模型，能夠提高分類精度，但網(wǎng)絡中的通信量增加，必須進行權衡，選擇合適的深度以匹配網(wǎng)絡的其他性能。D-Markov機的構造是基于依據(jù)相對重要性進行狀態(tài)分割產(chǎn)生不同長度的符號塊，進而從符號塊中引入歷史數(shù)據(jù)完成狀態(tài)合并，在執(zhí)行任何狀態(tài)合并之前，SDF獲得的字符都可以作為狀態(tài)來處理。

5 仿真分析

采用仿真數(shù)據(jù)對上述算法進行驗證與分析，通過對數(shù)據(jù)疊加參數(shù)不同的高斯白噪聲模擬不同的環(huán)境特征。仿真數(shù)據(jù)的類型分為三種，分別表示動物、人和車輛；此外，另采用一組數(shù)據(jù)模擬沒有任何目標的情形。圖2中給出了疊加到數(shù)據(jù)中的模擬環(huán)境特征帶來的影響，對于仿真的同一組具有車輛信息的時間序列數(shù)據(jù)，添加不同的環(huán)境特征，其結果如圖2所示，圖中上面的兩個子圖表示時域數(shù)據(jù)的區(qū)別，下面兩個子圖代表特征矢量的區(qū)別，從中可以看出，對于同一目標，在不同環(huán)境下，其特征矢量發(fā)生了顯著變化。

圖2 不同環(huán)境特征對于目標數(shù)據(jù)的影響

在獲得了仿真的目標數(shù)據(jù)，并對其添加代表不同環(huán)境的噪聲后，對所產(chǎn)生的數(shù)據(jù)進行采樣，采樣所使用的頻率根據(jù)計算需求和數(shù)據(jù)類型確定。將采樣后的數(shù)據(jù)分為兩組，其一用于對計算模型的訓練，其二用于對算法的驗證。用于模型訓練的數(shù)據(jù)將獲得上文算法中的特征矢量，從而得到完備的目標分類模型。進一步地，將用于驗證的數(shù)據(jù)代入，驗證算法的有效性。

運用Hilbert空間中的符號表示法，確定數(shù)據(jù)中對應幾種目標，圖3中給出了分組數(shù)量與分組評分之間的關系，可以看出，當分組數(shù)量取3時，對應的評分為最小值，滿足符合表示法的規(guī)則要求，因此，目標分類為3，即算法中。

圖3 目標分組數(shù)量與分組評分示意圖

通過D-Markov機獲得的DFSA模型中每個狀態(tài)都是D符號的鏈，即瞬時或短周期符號的集成，由此獲得關于環(huán)境的符號表示。符號表示的復雜程度對于識別與分類算法的影響見圖4。

圖4 符號表示的復雜程度對結果的影響

從圖4中可以看出，符號表示數(shù)目增加，識別結果總體趨勢趨向更高的識別率，這是因為更多的符號表示數(shù)目其物理含義對應的是對環(huán)境特征的更具體的分類，增強了算法的環(huán)境適應能力。同時，也可以看到這個過程中擾動十分明顯，這是由于更細致的分類將引入更多的噪聲。因此，需要根據(jù)實際情況選擇合適的符號表示數(shù)目，以達到最佳的識別效果。

6 小結

文章給出了一種基于動態(tài)數(shù)據(jù)驅動的與環(huán)境互動的目標識別分類算法框架。通過一種具有聚合特性的傳感器融合技術，在指定區(qū)域的傳感器陣列的所有傳感節(jié)點中，獲取一個符號數(shù)據(jù)表示傳感器數(shù)據(jù)。利用K均值聚類算法獲取環(huán)境模型，依賴傳感器網(wǎng)絡的通信能力在網(wǎng)絡中不同區(qū)域傳感器之間傳遞環(huán)境改變的信息，以增強每個傳感器的目標檢測和分類能力。采用仿真數(shù)據(jù)對所提出的算法進行了仿真，結果表明該計算框架能夠提高傳感器陣列對于環(huán)境參數(shù)變化的適應性，提高不同環(huán)境中目標分類的準確性。

參考文獻：

[1] Iyengar S G, Varshney P K, Damarla T. On the Detection of Footsteps Based on Acoustic and Seismic Sensing[A]. Asilomar Conference on[C]. IEEE, 2008:2248-2252.

[2] 陳珅培, 王曙光, 寧全利. 一種基于炮射地面震動傳感器的目標識別算法研究[J]. 彈箭與制導學報, 2011, 31(2):185-188.

[3] 王 斌, 馮立杰. 陣列式振動傳感器環(huán)境干擾消除方法研究[J]. 電子設計工程, 2012, 20(18):155-157.

[4] 張 星, 王 雪, 劉 長. 傳感器陣列預測空域多信號分類目標定位跟蹤[J]. 儀器儀表學報, 2012, 33(5):970-975.

[5] Mehmood A, Patel V M, Damarla T. Discrimination of bipeds from quadrupeds using seismic footstep signatures[J]. IEEE Xplore,2013, 88(60):6920-6923.

[6] Jin X, Sarkar S, Ray A, et al. Target Detection and Classification Using Seismic and PIR Sensors[J]. IEEE Sensors Journal, 2012, 12(6):1709-1718.

[7] Mckenna M H, Mckenna J R, Anderson T S. Effects of Local Meteorological Variability on Surface and Subsurface Seismic-Acoustic Signals[A]. AGU Spring Meeting Abstracts[C]. 2006.

[8] Wilson D K, Marlin D H, Mackay S. Acoustic/seismic signal propagation and sensor performance modeling[A]. Proc. of Unattended Ground, Sea, and Air Sensor Technologies and Applications IX[C]. 2007.