基于Richer子波神經(jīng)網(wǎng)絡的入侵事件識別方法

程博

摘 ? 要：針對入侵事件中的挖掘事件和人步行事件的識別，文章設計了一種Richer子波神經(jīng)網(wǎng)絡模型，用來識別由挖掘和人步行事件引起的震動信號的種類。實驗中一共采用200個樣本，其中120個作訓練，80個作測試，通過分析網(wǎng)絡訓練輸出數(shù)據(jù)的降維可視化散點分布，可以得到該模型訓練輸出的數(shù)據(jù)具有不同類間間隔大，同類間間隔小的特點，且該模型網(wǎng)絡分類識別準確率最高可達96.25%，平均識別準確率約為95%。

關(guān)鍵詞：入侵事件識別;挖掘;人步行;神經(jīng)網(wǎng)絡;Richer子波

傳統(tǒng)的基于震動信號檢測的入侵事件識別方法，主要是通過提取信號“精確”的特征，以實現(xiàn)對某些特定種類信號的識別，這種識別方法的模型泛化能力較差[1-2]。隨著以神經(jīng)網(wǎng)絡為核心的深度學習算法通過對大量樣本的學習，得到相應的分類模型，其對輸入樣本的特征精度沒有要求，許多領(lǐng)域的研究人員在采用這種技術(shù)時都取得了不錯的效果。其中，Peng等[3]通過分析采集得到的車輛和人員引起的震動信號的特征，并用提取多種特征組成特征向量，將特征向量輸入到改進的網(wǎng)絡模型（Back Propagation，BP）神經(jīng)網(wǎng)絡中進行分類，實驗中平均識別準確率約為95%。Titos等[4]設計了一種用于火山地震識別的深度神經(jīng)網(wǎng)絡系統(tǒng)，以線性預測系數(shù)的組合特征向量和統(tǒng)計特性作為特征，針對7種不同種類的孤立地震事件進行識別，實驗中平均識別準確率約為94.32%。

本文針對入侵事件中的挖掘和人步行事件的識別，設計了一種基于Richer子波（雷克子波）的神經(jīng)網(wǎng)絡模型。該模型是在小波神經(jīng)網(wǎng)絡的基礎(chǔ)之上，設計的一種用于對震動信號進行分類識別的神經(jīng)網(wǎng)絡模型。實驗結(jié)果表明，利用Richer神經(jīng)網(wǎng)絡對挖掘和人步行事件的識別準確率最高可達96%，且損失函數(shù)收斂快。

1 ? ?Richer子波神經(jīng)網(wǎng)絡結(jié)構(gòu)

針對入侵事件中的挖掘和人步行事件的識別，本文設計的Richer子波神經(jīng)網(wǎng)絡是在“緊致型”小波神經(jīng)網(wǎng)絡的基礎(chǔ)之上，采用Richer子波激活函數(shù)替代小波神經(jīng)網(wǎng)絡中的隱含層激活函數(shù)，并增加了必要的全連接隱含層，從而建立的一種用于處理震動信號的神經(jīng)網(wǎng)絡模型。具體的，在輸入層之后緊跟的是兩個隱含層，最后一層為全連接的輸出層。Richer子波函數(shù)被認為第一個隱含層的激活函數(shù)。

2 ? ?實驗及實驗結(jié)果分析

本文需要識別的事件是挖掘和人步行事件，利用在野外環(huán)境下實際采集得到的兩種事件樣本數(shù)據(jù)組成樣本庫，分別用本文所設計的Richer子波神經(jīng)網(wǎng)絡模型以及相關(guān)的對比實驗模型進行分類實驗，通過輸入模型前后的樣本數(shù)據(jù)散點分布情況、識別準確率（Accuracy）以及損失函數(shù)收斂速度來評價實驗效果。

在利用本文所設計的網(wǎng)絡模型進行分類實驗前，需要確定網(wǎng)絡模型的相關(guān)參數(shù)，主要是各隱含層的神經(jīng)元節(jié)點數(shù)量。而對于隱含層的神經(jīng)元節(jié)點數(shù)，本文通過計算不同隱含層節(jié)點數(shù)下網(wǎng)絡的均方誤差值，分析得出最佳的網(wǎng)絡神經(jīng)元節(jié)點數(shù)為：輸入層2 000，第一個隱含層50，第二個隱含層10，輸出層2。

實驗采用的是實際采集的挖掘和人步行事件信號，經(jīng)過預處理之后提取信號1 000 Hz以內(nèi)的頻譜數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入。輸入神經(jīng)網(wǎng)絡的數(shù)據(jù)為每種事件100個樣本，其中120個樣本作訓練，80個樣本作測試。將測試集數(shù)據(jù)輸入到訓練好的Richer子波神經(jīng)網(wǎng)絡模型中，網(wǎng)絡輸出數(shù)據(jù)經(jīng)過降維后的散點分布如圖1（a）所示。從中可以看出，經(jīng)過的Richer子波神經(jīng)網(wǎng)絡訓練后，輸出的樣本數(shù)據(jù)集具有不同類間間隔大，同類間間隔小的特點。分類實驗的準確率以及損失函數(shù)隨訓練次數(shù)的變化曲線如圖1（b）所示。可以發(fā)現(xiàn)，網(wǎng)絡分類識別準確率最高可達96.25%，平均識別準確率約為95%。

3 ? ?結(jié)語

首先，本文指出傳統(tǒng)的震動信號識別算法需要提取信號較為“精確的”特征這一缺陷。其次，說明神經(jīng)網(wǎng)絡這項技術(shù)應用于信號識別時，無需對輸入信號提取“精確”的特征。最后，指出可以用神經(jīng)網(wǎng)絡技術(shù)來解決本文所面臨的問題。本文介紹了設計的基于Richer子波的小波神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)以及網(wǎng)絡訓練的原理。在實驗部分，通過計算不同神經(jīng)元節(jié)點數(shù)下的網(wǎng)絡均方誤差，挑選出最佳的神經(jīng)元節(jié)點數(shù)。通過對網(wǎng)絡訓練輸出數(shù)據(jù)的降維可視散點圖的分析，可以發(fā)現(xiàn)網(wǎng)絡輸出的樣本數(shù)據(jù)集具有不同類間間隔大，同類間間隔小的特點，且該模型對震動信號的識別準確率平均能夠達到95%，且損失函數(shù)收斂快。

[參考文獻]

[1]KANNIGA E，RATHNAM K S R，YADAV A K.Wireless based target detection and object identification using seismic and pir sensors[J].Middle East Journal of Scientific Research，2014（3）：377-380.

[2]VIRENDRA，SHETE V，UKUNDE N.Intelligent embedded video monitoring system for home surveillance[C].Colorado：International Conference on Inventive Computation Technologies，2017.

[3]PENG Z Q，CAO C，HUANG JY，et al.Seismic signal recognition using improved BP neural network and combined feature extraction method[J].Journal of South-Central University，2014（5）：1898-1906.

[4]TITOS M，BUENO A，GARC?A L，et al.A deep neural networks approach to automatic recognition systems for volcano-seismic events [J].Selected Topics in Applied Earth Observations & Remote Sensing，2018（5）：1533-1544.