龍 禮, 溫秀蘭, 林逸雪

(1.南京工程學(xué)院 自動化系，江蘇 南京 211176；2.南京理工大學(xué) 機(jī)械工程學(xué)院，江蘇 南京 210094)

0 引 言

人員與車輛等目標(biāo)產(chǎn)生的地震動信號由于激勵原理不同因而在時、頻域表現(xiàn)出不同的特征，基于此,可以對目標(biāo)類型進(jìn)行識別區(qū)分，具有隱蔽性好,識別精度高，低功耗，長期穩(wěn)定運行等特性[1～4]。聶偉榮針對目標(biāo)運動引起的地震動信號，提出并建立了4種有效的浮動閾值過零數(shù)算法規(guī)則能夠高效地獲取地震動信號的時域特征。并提取地震動信號頻域、時一頻域特征，提出了應(yīng)用統(tǒng)計模式識別和神經(jīng)網(wǎng)絡(luò)模式識別相結(jié)合的方法來進(jìn)行目標(biāo)識別，提高識別率[5]。張磊對三軸地震動傳感器采集到的地表運動目標(biāo)振動產(chǎn)生的瑞雷波進(jìn)行了分析，認(rèn)為目標(biāo)的運動具有一定隨機(jī)性，是一個隨機(jī)信號。為了提取地震動信號的特征信息分別采用了希爾伯特變換法、傅里葉變換法分別在時域及頻域?qū)π盘栠M(jìn)行分析[6]。安徽大學(xué)的徐照勝對運用小波變換原理對采集的地震動信號進(jìn)行了去噪處理，再對預(yù)處理后的地震動信號在時域范圍內(nèi)進(jìn)行過零數(shù)分析，通過過零數(shù)計算識別人員和車輛。再通過改進(jìn)的周期圖功率譜估計方法對信號進(jìn)行特征信息的提取，利用譜峰頻率和譜峰相對強(qiáng)度實現(xiàn)了單個人員目標(biāo)與多個人員目標(biāo)的判別[7]。

經(jīng)過多年的探索與發(fā)展，盡管許多先進(jìn)的模式識別的算法都應(yīng)用到目標(biāo)識別中，但絕大多數(shù)都受到單一特征模型的限制，面對多樣化的目標(biāo)類型，傳統(tǒng)的識別算法的泛化能力通常不高，因此，難以保證不同環(huán)境與距離下的目標(biāo)識別結(jié)果。本文提出一種基于遺傳算法—反向傳播(genetic algorithm-back propagation,GA-BP)神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法研究，融合多個特征判斷目標(biāo)類型，從而提高目標(biāo)識別率。

1 目標(biāo)地震動信號特征分析

如何提取地震動信號的有效特征是地面目標(biāo)分類識別的關(guān)鍵。地震動信號的時域特性反映了信號波形隨時間變化的特點。人與車的地震動信號在時域上的展現(xiàn)截然不同，前者類似于脈沖信號，能量小，持續(xù)時間短，而后者能量大，波形連續(xù)，持續(xù)時間長，因此，可以通過目標(biāo)的時域特征對目標(biāo)進(jìn)行識別。用于人車識別的時域特征主要包括過零數(shù)、最大過零時間間隔、標(biāo)準(zhǔn)差、峭度、短時能量比。

各類目標(biāo)的地震動信號時域特征如圖1所示，其中，大型車表示重型卡車、客車等，小型車表示轎車等。

圖1 各類地震動信號時域特征

由圖1(a)可以看出噪聲的過零數(shù)偏高一般在28以上，人員的過零數(shù)一般在10以下，而車輛的過零數(shù)位于兩者之間，因此，過零數(shù)僅能對人、車、噪聲進(jìn)行區(qū)分，而無法區(qū)分車輛類型;由圖1(b)可以看出人的最大時間間隔較大，一般在0.08 s以上，而噪聲的最大時間間隔偏低，在0.04～0.05 s之間，車輛則位于兩者之間，最大過零時間間隔僅能區(qū)分出人的類型，對其他目標(biāo)或非目標(biāo)信號區(qū)分不明顯;由圖1(c)可以看出，噪聲的標(biāo)準(zhǔn)差最低，其次，是人員、小型車輛，大型車輛的標(biāo)準(zhǔn)差最高，約在0.6以上，標(biāo)準(zhǔn)差能夠?qū)Ψ悄繕?biāo)噪聲以及人員、車輛進(jìn)行區(qū)分，且在大小類型的車輛信號特征中也表現(xiàn)出差異;由圖1(d)可以看出人員的峭度最高，大型車輛其次，然后是小型車輛，噪聲的峭度最低，峭度能夠?qū)θ藛T、大小類型車輛以及噪聲進(jìn)行區(qū)分，但依然存在混淆的區(qū)域;由圖1(e)可以看出:噪聲的短時能量比最低，而其他類型的目標(biāo)的短時能量比均有較差，不易區(qū)分。

2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法

分析目標(biāo)特征分析可以得知，利用單一的信號特征對目標(biāo)進(jìn)行分類時往往只能夠區(qū)分人、車，并且由于數(shù)據(jù)單一容易出現(xiàn)判別失誤的情況，目標(biāo)分類的穩(wěn)定性較差。為了避免上述問題，本文擬采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)作為目標(biāo)識別方法，融合多個特征判斷目標(biāo)類型。

2.1 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

針對BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、泛化能力差的缺點，通過GA對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化。GA通過選擇、交叉與變異操作得到最優(yōu)的網(wǎng)絡(luò)初始權(quán)重與閾值，并且使BP網(wǎng)絡(luò)具有一定的動態(tài)自適應(yīng)性，能夠有效解決BP網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)解的問題。優(yōu)化后的BP網(wǎng)絡(luò)結(jié)構(gòu)簡單，且具有更好的泛化能力。根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)理論，利用GA對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，通過MATLAB軟件實現(xiàn)GA-BP神經(jīng)網(wǎng)絡(luò)識別算法編程，其流程圖如圖2所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)算法流程

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)

選擇中午時段較為安靜的地段作為實驗地點，采集人員、不同類型車輛(其中大型車表示重型卡車、客車等，小型車表示轎車等)經(jīng)過產(chǎn)生的地震動信號，以及背景噪聲信號，實驗場地示意圖如圖3所示。

圖3 實驗示意

地震動信號采集模塊包括地震動傳感器，調(diào)理電路，并選用NI數(shù)據(jù)采集系統(tǒng)以及筆記本電腦作為上位機(jī)對信號進(jìn)行采集和存儲。將地震動傳感器插入距離馬路3 m的土質(zhì)地面中，在距離傳感器橫向距離±30 m處進(jìn)行標(biāo)記，采集進(jìn)入的標(biāo)記范圍內(nèi)車輛或人員的地震動信號。以1KSPS采樣率進(jìn)行采樣，每個樣本長度為1 s，每種目標(biāo)信號采集80個樣本，并從每個類型樣本中分別隨機(jī)抽取50組作為訓(xùn)練樣本，剩下的30組作為測試樣本。

為了避免特征數(shù)據(jù)的冗余[8]，選取最具有代表性、分類性能最好的特征作為神經(jīng)網(wǎng)絡(luò)分類的訓(xùn)練樣本。將時域特征信息組合，得到表1所示的特征向量表。表中僅列出了部分樣本。

表1 地震動信號特征向量

具體算法實現(xiàn)步驟如下：

1)建立BP模型。根據(jù)訓(xùn)練集數(shù)據(jù)設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點為5，輸出層節(jié)點為4，設(shè)置隱含層節(jié)點為5。

2)初始化種群。個體編碼方法選擇實數(shù)編碼，由步驟(1)設(shè)定的輸入層、輸出層以及隱含層節(jié)點數(shù)可以得到個體編碼長度為5×5+5×4+5+4=54。

3)適應(yīng)度函數(shù)計算。適應(yīng)度表示度量群體中各個個體在優(yōu)化計算中接近最優(yōu)解的優(yōu)良程度，將預(yù)測輸出和期望輸出之間的誤差平方和SE的倒數(shù)作為個體適應(yīng)度值F，即

(1)

4)采用輪盤賭法進(jìn)行選擇操作。

5)交叉操作。采用實數(shù)交叉法，第k個染色體ak和第l個染色體aj在j位的交叉操作如下

(2)

式中b為隨機(jī)數(shù)且b∈[0,1]。

6)變異操作，選取第i個個體的第j個基因進(jìn)行變異，方法如下

(3)

式中amax與amin分別為基因aij的上界與下界；f(g)=r2(1-g/Gmax)2，r2為隨機(jī)數(shù)，g為當(dāng)前迭代次數(shù)，Gmax為最大進(jìn)化次數(shù)；r為隨機(jī)數(shù)且r∈[0,1]。

7)用新染色體代替原來染色體，計算適應(yīng)度，如果滿足條件，跳到步驟(7)；否則，轉(zhuǎn)到步驟(3)繼續(xù)優(yōu)化。

8)達(dá)到性能指標(biāo)后，將最優(yōu)權(quán)重和閾值賦給BP神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)直到達(dá)到設(shè)定的誤差要求。

3 實驗驗證

為了驗證本文使用的GA-BP神經(jīng)網(wǎng)絡(luò)算法相比BP神經(jīng)網(wǎng)絡(luò)算法在目標(biāo)識別性能更優(yōu)，利用同一組訓(xùn)練集和測試集分別GA-BP神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與測試，并對訓(xùn)練與測試結(jié)果進(jìn)行分析。

首先利用GA對BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重與閾值進(jìn)行優(yōu)化篩選，得到適應(yīng)度曲線如圖4所示。

圖4 遺傳算法適應(yīng)度曲線

當(dāng)遺傳代數(shù)到達(dá)300后GA收斂，即尋求到最佳個體。將優(yōu)化后的權(quán)重與閾值賦給建立的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)果如圖5(a)所示，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖5(b)所示。

圖5 GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練均方差曲線

利用測試集分別測試訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)，測試分類結(jié)果如圖6所示，其中，類別標(biāo)簽1～4分別表示人、大型車輛、小型車輛與噪聲。

圖6 GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果

對比上述實驗過程可以得到：

1)圖5表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過497步才收斂，誤差為9.891×10-3，而優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)僅僅需要20步就已經(jīng)收斂，且誤差為2.253×10-7。優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)收斂速度遠(yuǎn)遠(yuǎn)大于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，且誤差更小。

2)圖6的測試結(jié)果表明，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果中含有16組錯誤數(shù)據(jù)，識別率為86.67 %，而GA-BP的識別率為100 %，具有更高的準(zhǔn)確性。

3)利用MATLAB中的自帶函數(shù)Tic、Toc計算兩個網(wǎng)絡(luò)的訓(xùn)練時間并進(jìn)行比較，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間為1.49 s，GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間為0.28 s，計算速度也同樣優(yōu)于前者。

4 結(jié) 論

針對BP神經(jīng)網(wǎng)絡(luò)收斂性差易陷入局部最優(yōu)的缺點，利用遺傳算法對其進(jìn)行優(yōu)化，將融合多個時域特征的特征向量帶入改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測試。實驗結(jié)果表明:改進(jìn)后的GA-BP神經(jīng)網(wǎng)絡(luò)在地震動信號識別分類上表現(xiàn)優(yōu)異，且無論是從收斂性、準(zhǔn)確性還是實時性都優(yōu)于傳統(tǒng)算法。