杜 珺，高九萍

（1.晉中職業(yè)技術(shù)學(xué)院，山西 晉中 030600；2.山西北方風(fēng)雷工業(yè)集團(tuán)有限公司，山西 侯馬 043000）

0 引言

在軍事偵察中，對目標(biāo)的判斷與識別十分重要，傳統(tǒng)可見光目標(biāo)識別受環(huán)境雜光、目標(biāo)偽裝等影響明顯，往往無法有效區(qū)分目標(biāo)、偽目標(biāo)以及背景［1-3］?；诠鈱W(xué)手段的目標(biāo)識別主要分為主動型和被動型。主動型指采用主動光源完成對被測區(qū)域照射，進(jìn)而獲取目標(biāo)圖像，如激光光源等［4］?；诩す獾闹鲃有湍繕?biāo)識別系統(tǒng)具有很強(qiáng)的指向性，具備精確定位及成像的能力，受環(huán)境干擾小，掃描式激光還可實(shí)現(xiàn)精度較高的目標(biāo)形狀信息［5］；被動型雖然識別效率不如主動型，但由于無源而更安全更隱蔽。通過采集待測區(qū)域的可見光、紅外光或偏振光等完成對目標(biāo)的圖像重建，從而實(shí)現(xiàn)目標(biāo)識別的目的。由于可見光無法全天候監(jiān)測，偏振光受待測目標(biāo)合作性影響顯著，故基于光譜探測的目標(biāo)識別技術(shù)備受追捧。

在同等光學(xué)成像設(shè)備基礎(chǔ)上，目標(biāo)識別概率與誤檢率主要取決于光譜數(shù)據(jù)處理算法，用于光譜數(shù)據(jù)處理的算法有很多，例如主成分分析［6］、偏最小二乘回歸［7］、反向傳輸神經(jīng)網(wǎng)絡(luò)（BP，Back Propagation neural network）［8］、支持向量機(jī)［9］、粒子群優(yōu)化（PSO，Particle Swarm Optimization）［10］、蟻群算法（ACO）［11］等。各種算法根據(jù)其不同的特點(diǎn)，適用于不同的應(yīng)用場合，ANN 和PLS 多用于光譜特征明顯或變化趨勢顯著的數(shù)據(jù)區(qū)分；BP 和SVM 對多組分光譜、混合光譜中非線性數(shù)據(jù)分類具有較好的應(yīng)用效果；PSO 和ACO 則更適用于數(shù)據(jù)量較大的尋優(yōu)計(jì)算與快速收斂問題。單一的處理算法往往無法完全滿足實(shí)際問題中對光譜數(shù)據(jù)處理的需求，所以算法聯(lián)用的例子也十分常見。

本文通過改進(jìn)粒子群優(yōu)化算法參數(shù)設(shè)置，并結(jié)合BP 神經(jīng)網(wǎng)絡(luò)聯(lián)用的光譜數(shù)據(jù)處理算法，通過粒子信息共享提高光譜數(shù)據(jù)分類的優(yōu)化效率，利用動態(tài)不敏感區(qū)的設(shè)計(jì)提高模型精度，最終，由PSO 高效的全局尋優(yōu)能力實(shí)現(xiàn)對帶調(diào)值的BP 神經(jīng)網(wǎng)絡(luò)輸入層光譜信息的區(qū)分，提高算法目標(biāo)識別的能力。

1 目標(biāo)識別系統(tǒng)設(shè)計(jì)

目標(biāo)識別系統(tǒng)采集待測區(qū)域內(nèi)的紅外圖像，再通過改進(jìn)型PSO-BP 算法將待測目標(biāo)從背景譜中分離，并由光譜數(shù)據(jù)庫中各類目標(biāo)光譜特性實(shí)現(xiàn)對目標(biāo)的種類判斷與識別。整體目標(biāo)識別系統(tǒng)如圖1所示。

圖1 目標(biāo)識別系統(tǒng)示意圖

系統(tǒng)通過聚束整形透鏡組完成對待測區(qū)域紅外光的收集，再將紅外圖像聚焦成像在CCD 上，最終將圖像傳給CPU 進(jìn)行目標(biāo)識別處理。處理過程中，通過改進(jìn)型PSO-BP 算法對圖像數(shù)據(jù)進(jìn)行識別分析，在對比已知光譜數(shù)據(jù)庫的基礎(chǔ)上完成對目標(biāo)種類的識別。設(shè)目標(biāo)輻亮度和背景輻亮度分別為St和S0，則目標(biāo)與背景輻射光譜可表示為Lt和L0，即

2 改進(jìn)型PSO-BP 算法

改進(jìn)型PSO-BP 算法是在PSO 對多組分光譜分離的基礎(chǔ)上實(shí)現(xiàn)對BP 神經(jīng)輸入層數(shù)據(jù)的優(yōu)化，從而提高光譜數(shù)據(jù)特征提取的有效性。在PSO 算法中，通過設(shè)置具有紅外目標(biāo)特性的變異規(guī)則提高光譜分類的指向性；在BP 神經(jīng)網(wǎng)絡(luò)中，通過將反饋權(quán)值設(shè)置為調(diào)值變量，從而根據(jù)不同區(qū)間段完成反饋收斂，消除局部最優(yōu)的問題。該改進(jìn)型算法可以解決傳統(tǒng)BP 模型易陷入局部極值、訓(xùn)練周期長、穩(wěn)定性差等缺點(diǎn)，提高光譜特征數(shù)據(jù)分類的準(zhǔn)確性與收斂速度。

2.1 PSO-BP 算法

由于BP 神經(jīng)網(wǎng)絡(luò)具有對大數(shù)據(jù)量處理的能力，還有自學(xué)習(xí)、自適應(yīng)、魯棒性強(qiáng)的特點(diǎn)，故對多組分光譜數(shù)據(jù)處理具有一定優(yōu)勢。針對背景輻射變化、目標(biāo)輪廓可能不完整等戶外目標(biāo)識別的復(fù)雜情況，采用BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以提高目標(biāo)識別效率，降低偽目標(biāo)誤檢概率。

整個視場內(nèi)的光譜數(shù)據(jù)量很大，直接采用BP神經(jīng)網(wǎng)絡(luò)對原始光譜數(shù)據(jù)進(jìn)行訓(xùn)練，不但運(yùn)算速度慢，而且還會影響預(yù)測精度，故在訓(xùn)練前首先需要確定合適的波長位置和個數(shù)參數(shù)。以波長間相關(guān)系數(shù)及偏差為參考，有

PSO 算法是通過樣本個體間信息交互實(shí)現(xiàn)最優(yōu)解計(jì)算的，有

式中，N 為粒子總數(shù)，i∈N，j 為維度，σ 為權(quán)重；k、k+1 分別為相鄰兩次迭代數(shù)；Xij為粒子位置；Vij為粒子速度；Pij和Pgj分別為個體極值和群極值，c1和c2為兩個特征波長的加速度因子。式（3）為BP 模型中更新粒子位置和速度提供了最優(yōu)路徑，提高了運(yùn)算效率保證了運(yùn)算精度。

2.2 改進(jìn)型PSO-BP 算法

改進(jìn)算法的主要創(chuàng)新之處在于針對PSO 算法設(shè)置參數(shù)的改進(jìn)，通過主要擬識別目標(biāo)的紅外光譜特征設(shè)置粒子變異規(guī)則，實(shí)現(xiàn)種群的最優(yōu)收斂。同時，針對紅外目標(biāo)識別運(yùn)算過程中由于特征點(diǎn)分散而容易陷入局部極值收斂的問題，設(shè)計(jì)了權(quán)值調(diào)整型反饋參數(shù)，從而降低提前收斂的風(fēng)險(xiǎn)，將部分權(quán)值調(diào)整數(shù)據(jù)累計(jì)到下一次誤差驗(yàn)算過程中，則實(shí)際權(quán)值調(diào)整有

其中，β 為調(diào)整系數(shù)，E（x）為全局誤差。根據(jù)系統(tǒng)具體測試數(shù)據(jù)可知，算法中調(diào)整紅外波長位置，在圖像中從方向分別累加，最終引入調(diào)整因子后有：

其中，x 為訓(xùn)練次數(shù)，mc 為動量因子，δij為隱含層誤差，η 為學(xué)習(xí)速率。

將改進(jìn)型PSO 算法的優(yōu)化參數(shù)導(dǎo)入具有調(diào)整參數(shù)的BP 神經(jīng)網(wǎng)絡(luò)模型，使BP 反饋信息過程中首先完成光譜數(shù)據(jù)參數(shù)的最優(yōu)解逼近。通過適應(yīng)度值、粒子速度與粒子位置完成對初始光譜數(shù)據(jù)優(yōu)選的收斂控制，實(shí)現(xiàn)全局尋優(yōu)的目的。通過將BP 模型中各層之間的連接權(quán)值以及閾值以粒子的形式實(shí)現(xiàn)編碼，從而由粒子群位置替代，經(jīng)過循環(huán)迭代最終獲得最優(yōu)種群粒子。解碼過程中將BP 模型的全局最優(yōu)解對應(yīng)連接權(quán)值以及閾值定量，然后，在此基礎(chǔ)上建立PSO-BP 算法模型。

圖2 PSO-BP 算法流程圖

改進(jìn)型PSO-BP 算法流程如圖2 所示。首先，構(gòu)建一個3 層的BP 神經(jīng)網(wǎng)絡(luò)（每層包含5 個節(jié)點(diǎn)），然后初始化粒子群位置和粒子速度。每個粒子都對應(yīng)BP 模型中的一個節(jié)點(diǎn)，而對于粒子群而言，其代表BP 模型中對應(yīng)的連接權(quán)值以及閾值，再通過解碼獲得最終的BP 模型。為了完成改進(jìn)型PSO-BP模型的構(gòu)建，系統(tǒng)通過更新粒子群的位置和速度信息參數(shù)完成對最優(yōu)解的逼近。粒子適應(yīng)度F 函數(shù)可以表示為

式中，Li為目標(biāo)輻射光譜測試值，Li'為目標(biāo)輻射光譜預(yù)測值。由此循環(huán)完成粒子位置與速度的迭代，最終獲得最優(yōu)解。將改進(jìn)型PSO 算法計(jì)算得到的最優(yōu)種群粒子解碼，進(jìn)而完成BP 模型最優(yōu)連接權(quán)值和閾值，完成模型構(gòu)建。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)條件

采用Model-102F 型紅外Fourier 成像光譜儀對明顯目標(biāo)a、隱蔽目標(biāo)b 和偽目標(biāo)c 進(jìn)行探測實(shí)驗(yàn)，成像系統(tǒng)波長區(qū)間：3.5 μm～5.0 μm，最優(yōu)分辨率為3.0 cm-1。實(shí)驗(yàn)中明顯目標(biāo)a 是停放在距離較近的無遮擋條件下的汽車，隱蔽目標(biāo)b 是停放在遠(yuǎn)處的存在部分雜草遮擋的汽車，偽目標(biāo)c 是放置在目標(biāo)b附近的金屬板。測試過程中，首先需要將汽車熄火靜置2 h，使目標(biāo)汽車與環(huán)境溫度同溫，減少由于發(fā)動機(jī)高溫造成的紅外輻射，主要針對目標(biāo)不同反射界面的紅外特性進(jìn)行研究，獲得的紅外圖像經(jīng)二值化處理后得到圖3。

圖3 經(jīng)二值化的目標(biāo)紅外圖像

3.2 對比分析

圖4 傳統(tǒng)BP 算法識別結(jié)果

圖5 PSO-BP 算法識別結(jié)果

改進(jìn)型PSO-BP 算法中，首先針對特征波長位置與數(shù)量進(jìn)行最優(yōu)解計(jì)算，然后才完成在最優(yōu)解基礎(chǔ)上的收斂訓(xùn)練，從而提高系統(tǒng)目標(biāo)識別效率。對粒子位置（Xij）和粒子速度（Vij）進(jìn)行優(yōu)化選取，通過圖2 流程完成對光譜數(shù)據(jù)的循環(huán)優(yōu)化處理，實(shí)現(xiàn)輸入層數(shù)據(jù)的預(yù)選。對于同等特征波長數(shù)的輸入端而言，采用改進(jìn)型PSO-BP 算法的識別結(jié)果如圖5（a）和（b）所示。

4 結(jié)論

本文設(shè)計(jì)了一種改進(jìn)型PSO-BP 算法，通過粒子變異對PSO 算法進(jìn)行優(yōu)化，通過權(quán)值函數(shù)對收斂區(qū)間進(jìn)行分段校正，從而實(shí)現(xiàn)了對全部數(shù)據(jù)的綜合優(yōu)化。最終，由設(shè)置粒子位置與速度完成對BP 模型輸入層特征波長位置及數(shù)量的優(yōu)化，從而提高系統(tǒng)模型光譜分類識別精度及收斂速度。與傳統(tǒng)BP 模型相比，該算法優(yōu)化得到的目標(biāo)圖像信噪比高、目標(biāo)失真程度低，對偽目標(biāo)抑制效果明顯，在同等條件下收斂速度更快?？梢娫撓到y(tǒng)具有一定的優(yōu)勢。