基于LSBAS-BP模型的鐵路車站人員物品危險(xiǎn)性預(yù)測

白 偉，伍柳伊，呂曉軍，毋 健，楊 帆，衛(wèi)麗娟

(1.中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京 100081；2.山西大學(xué) 自動(dòng)化與軟件學(xué)院，山西 太原 030013)

0 引言

近年來，我國鐵路飛速發(fā)展，龐大的客流為鐵路安全運(yùn)營帶來巨大挑戰(zhàn)。安檢作為旅客進(jìn)入車站的重要關(guān)口，其作業(yè)可靠性直接影響著鐵路的安全運(yùn)行。如何高效地識(shí)別檢查旅客及其攜帶物品并分析其危險(xiǎn)性，對(duì)于鐵路運(yùn)輸系統(tǒng)的平穩(wěn)可控有著重要意義[1-3]。

在此背景下，國內(nèi)學(xué)者做了大量的研究工作，在物品檢測方面，連福生等[4]設(shè)計(jì)出了一種基于CNN 深度神經(jīng)網(wǎng)絡(luò)X 射線圖像的檢測分類方法，該方法能夠?qū)崿F(xiàn)較高精度的安檢設(shè)備采集圖像的分類。曹洋等[5]基于ResNet50網(wǎng)絡(luò)骨架，提出了一種多目標(biāo)違禁物品識(shí)別算法，該算法引入了注意力機(jī)制，并添加了局部強(qiáng)化和空洞殘差特征增強(qiáng)等模塊，獲得了較優(yōu)的識(shí)別精度。鄧文鋒[6]提出基于X射線的技術(shù)理論，通過對(duì)典型違禁物品的識(shí)別研究，提高了違禁物品的識(shí)別率。在人員檢測方面，侯曉迪[7]建立了基于安檢人員的疲勞風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，并驗(yàn)證了該指標(biāo)體系對(duì)于疲勞風(fēng)險(xiǎn)進(jìn)行綜合性量化時(shí)的可行性。趙振武等[8]介紹了關(guān)于旅客差異化安檢的3 種方法，并提出了將這3 種方法綜合應(yīng)用的設(shè)想。馮文剛等[9］構(gòu)建了民航旅客分級(jí)指標(biāo)體系，并提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的分級(jí)分類模型。除此之外，其他的一些方法也被成功地應(yīng)用于該領(lǐng)域中，介紹了遺傳算法并對(duì)其進(jìn)行了改進(jìn)。改進(jìn)傳統(tǒng)的遺傳算法的輪盤賭法是一種模式，采用了適度性函數(shù)，使得BP 神經(jīng)網(wǎng)絡(luò)一開始的權(quán)值和閾值能夠達(dá)到更好的標(biāo)準(zhǔn)，將改進(jìn)后的遺傳算法代入到BP 神經(jīng)網(wǎng)絡(luò)模型中對(duì)其進(jìn)行優(yōu)化之后構(gòu)建了一個(gè)新的BP 神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行數(shù)據(jù)的測試與實(shí)驗(yàn)，驗(yàn)證發(fā)現(xiàn)在訓(xùn)練的速度和預(yù)測的精準(zhǔn)度上，改進(jìn)后的遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)具有更好的準(zhǔn)確性和訓(xùn)練速度，能夠更好地完成預(yù)測[10-11]。

為了更有效地識(shí)別人員及其攜帶物品存在的潛在安全隱患，提出了基于LSBAS-BP模型的人員物品危險(xiǎn)性預(yù)測方法，BP 神經(jīng)網(wǎng)絡(luò)存在參數(shù)容易陷入局部最優(yōu)、人工調(diào)整繁復(fù)等問題，因而近期各類研究將傳統(tǒng)啟發(fā)式算法與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，在BP 神經(jīng)網(wǎng)絡(luò)計(jì)算過程中加入遺傳、模擬退火、粒子群等算法對(duì)參數(shù)進(jìn)行最優(yōu)化調(diào)整，可在一定程度上增加BP 神經(jīng)網(wǎng)絡(luò)的識(shí)別效率。首先建立了人員物品危險(xiǎn)等級(jí)劃分準(zhǔn)則，并采用BAS-BP神經(jīng)網(wǎng)絡(luò)[12-14]來建立網(wǎng)絡(luò)模型，通過引入局部搜索(LS)對(duì)天牛須算法(BAS)進(jìn)行優(yōu)化，提高算法精度。之后，給出了不同風(fēng)險(xiǎn)等級(jí)的風(fēng)險(xiǎn)決策措施。仿真結(jié)果表明，相比于BP，BAS-BP，GA-BP 等算法，改進(jìn)后的LSBAS-BP 算法能進(jìn)一步提高網(wǎng)絡(luò)的準(zhǔn)確度，達(dá)到更加理想的識(shí)別和預(yù)測效果。

1 數(shù)據(jù)準(zhǔn)備

1.1 人員物品以及危險(xiǎn)綜合評(píng)價(jià)等級(jí)劃分

根據(jù)《鐵路安全管理?xiàng)l例》及對(duì)相關(guān)安檢專家的調(diào)研咨詢，分別對(duì)人員與物品進(jìn)行危險(xiǎn)等級(jí)劃分，并將危險(xiǎn)綜合評(píng)價(jià)等級(jí)進(jìn)行了劃分。

首先，根據(jù)人員的危險(xiǎn)程度，將人員危險(xiǎn)等級(jí)劃分為3 類：在逃犯罪人員、具有犯罪前科的人員及正常人員。并且對(duì)于具有犯罪前科的人員與正常人員，采用微表情識(shí)別的識(shí)別結(jié)果來進(jìn)行具體級(jí)別的劃分，人員危險(xiǎn)等級(jí)劃分如表1所示。

表1 人員危險(xiǎn)等級(jí)劃分Tab.1 Classification of personnel risk levels

其次，結(jié)合相關(guān)規(guī)定，將進(jìn)站物品大致分為禁止攜帶的物品、限量攜帶的物品及允許攜帶物品3 類。然而，考慮到一些特殊的具有危害公共安全類物品，如爆炸物品、槍支彈藥等，攜帶此類物品的人員有著極大的社會(huì)危險(xiǎn)性。因此，將該類物品單獨(dú)作為一類并賦予最高的危險(xiǎn)等級(jí)，并將最終輸出的危險(xiǎn)綜合評(píng)價(jià)等級(jí)直接定為高度危險(xiǎn)，物品危險(xiǎn)等級(jí)劃分如表2所示。

表2 物品危險(xiǎn)等級(jí)劃分Tab.2 Classification of danger levels of goods

最后，建立危險(xiǎn)綜合評(píng)價(jià)等級(jí)，將危險(xiǎn)等級(jí)作4 級(jí)劃分，分別為Ⅰ：正常，Ⅱ：低度危險(xiǎn)，Ⅲ：中度危險(xiǎn)，Ⅳ：高度危險(xiǎn)。

1.2 危險(xiǎn)等級(jí)量化

采用改進(jìn)LSBAS-BP神經(jīng)網(wǎng)絡(luò)時(shí)，以人員與物品信息作為輸入，危險(xiǎn)綜合評(píng)價(jià)等級(jí)值作為輸出，采用公式⑴對(duì)上述危險(xiǎn)等級(jí)進(jìn)行量化。

式中：value表示危險(xiǎn)等級(jí)的量化值；ρL表示表1 和表2 中的人員、物品類別(Ⅰ，Ⅱ，Ⅲ，Ⅳ)對(duì)應(yīng)的基礎(chǔ)值，且危險(xiǎn)性Ⅰ＜Ⅱ＜Ⅲ＜Ⅳ，取ρⅠ=10，ρⅡ=20，ρⅢ=30，ρⅣ=40；γ是一個(gè)常數(shù)，表示各等級(jí)類別之間的差異，取值10；κ是對(duì)應(yīng)類別所劃分的級(jí)別數(shù)；l表示具體級(jí)別(L1，L2，L3，L4)，且危險(xiǎn)性L1>L2>L3>L4。

在安檢人員與物品的危險(xiǎn)性預(yù)測中，不同等級(jí)的人員與物品間可能存在不明確的隱含關(guān)系，且最終的危險(xiǎn)綜合評(píng)價(jià)等級(jí)與人員、物品等級(jí)關(guān)系模糊，無法確切地描述彼此之間的映射?？紤]到人工神經(jīng)網(wǎng)絡(luò)有著較強(qiáng)的非線性動(dòng)態(tài)處理能力，能夠處理任何復(fù)雜、非線性、不確定及多因素問題，避免人為及其他因素對(duì)預(yù)測結(jié)果的影響。因此，通過大量有效的實(shí)際安檢數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)安檢人員與物品建立危險(xiǎn)預(yù)測模型，是可行、有價(jià)值的途徑。采用BP 神經(jīng)網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)框架，并提出了改進(jìn)的天牛須算法(Local Search Beetle Antennae Search，LSBAS)來克服傳統(tǒng)BP 網(wǎng)絡(luò)存在的缺點(diǎn)。

2 LSBAS-BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)基本原理如圖1 所示，該模型一般由輸入層、隱藏層和輸出層組成。隱藏層可以是單層或者是多層，相鄰層間的神經(jīng)元實(shí)現(xiàn)全連接，而每層的神經(jīng)元之間無連接。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本原理Fig.1 Basic principles of BP neural network

BP神經(jīng)網(wǎng)絡(luò)主要由正向傳播與反向傳播2部分組成，正向傳播指的是當(dāng)BP 網(wǎng)絡(luò)獲得一組輸入矢量后，經(jīng)過隱藏層一層一層計(jì)算處理，最后傳送到輸出層。如果輸出層的實(shí)際輸出與期望輸出之間存在誤差，則進(jìn)入BP 神經(jīng)網(wǎng)絡(luò)的反向傳播階段。在反向傳播階段，將上述誤差以某種形式反向經(jīng)過隱藏層，并調(diào)整權(quán)值與閾值，直至到達(dá)輸出層。隨著參數(shù)的調(diào)整，實(shí)際輸出與期望輸出的誤差不斷減小，當(dāng)誤差達(dá)到了預(yù)定的范圍內(nèi)，學(xué)習(xí)停止，從而完成整個(gè)傳輸過程。

2.2 LSBAS算法

BAS 是2017 年由Jiang 等人提出的一種新智能優(yōu)化算法，該算法模擬了天牛搜尋食物時(shí)的搜索方式，是一種單體搜索算法，該算法存在原理簡單、參數(shù)少、計(jì)算量少等優(yōu)點(diǎn)，尤其是在處理低維優(yōu)化目標(biāo)時(shí)有著明顯的優(yōu)勢，天牛須算法步驟如下。

式中：rnd(·)為隨機(jī)函數(shù)；k為位置維數(shù)。

此外，通過模擬甲蟲觸角的活動(dòng)，分別給出了左右兩側(cè)的搜索行為

式中：xr表示右側(cè)搜索區(qū)域中的位置；xl表示左側(cè)搜索區(qū)域中的位置；xt表示t時(shí)刻甲蟲觸角的狀態(tài)；dt表示t時(shí)刻與探索能力相對(duì)應(yīng)的觸角的傳感長度，開始時(shí)其應(yīng)該足夠大以覆蓋一個(gè)合適的搜索區(qū)域，然后隨著時(shí)間的推移衰減。

其次，生成迭代模型，將搜索行為與氣味檢測進(jìn)行關(guān)聯(lián)，得到

式中：xt-1表示t-1 時(shí)刻甲蟲觸角的狀態(tài)；δt是t時(shí)刻搜索的步長，其值遵循t的遞減，δ的初始化應(yīng)等效于搜索區(qū)域；sign(·)表示一個(gè)符號(hào)函數(shù)；f(·)表示狀態(tài)值。

針對(duì)天線長度d與步長δ搜索參數(shù)，給出了以下更新規(guī)則。

式中：δt-1是t-1 時(shí)刻搜索的步長；c為常數(shù)，表示步長與天線長度之間的關(guān)系；λ是[0，1]之間靠近1的隨機(jī)數(shù)。

當(dāng)使用BAS 算法處理高維多極值問題時(shí)，雖然大步長可以有效搜索大規(guī)模，但會(huì)錯(cuò)過搜索全局最優(yōu)解的可能性。同時(shí)，步長衰減率也會(huì)顯著影響全局尋優(yōu)精度。此外，同其他智能算法一樣，BAS算法在搜索接近全局最優(yōu)時(shí)，也容易陷入局部最優(yōu)。因此，將LS 與BAS 相結(jié)合，幫助算法跳出局部最優(yōu)，搜索更優(yōu)的解，結(jié)合后的算法稱為LSBAS。

當(dāng)算法在K次迭代時(shí)沒有找到最優(yōu)解時(shí)，算法陷入局部最優(yōu)，此時(shí)算法進(jìn)入局部搜索，并以算法開始陷入局部最優(yōu)時(shí)迭代次數(shù)所對(duì)應(yīng)的步長，作為局部搜索的初始步長。這種步長只存在于LS 中，并且在LS 中完成了動(dòng)態(tài)衰減。當(dāng)在局部搜索中找到更優(yōu)解時(shí)，該解作為當(dāng)前算法的最優(yōu)解，繼續(xù)算法執(zhí)行。

式中：t表示主程序當(dāng)前的迭代次數(shù)；i表示LS 的當(dāng)前迭代次數(shù)；表示在i步局部搜索狀態(tài)；表示在i-1 步局部搜索狀態(tài)；p為基本步長；m為LS的最大迭代次數(shù)。隨著局部搜索迭代次數(shù)i的增加，的取值不斷減小以進(jìn)行更加精細(xì)的搜索。

同樣，在局部搜索部分，x采用公式⑽、公式⑾和公式⑿進(jìn)行更新。

2.3 LSBAS-BP神經(jīng)網(wǎng)絡(luò)模型建立

BP 神經(jīng)網(wǎng)絡(luò)有著較強(qiáng)的非線性映射能力，且訓(xùn)練過程無需引入額外新的參數(shù)。然而，BP 網(wǎng)絡(luò)對(duì)初始權(quán)值和閾值的調(diào)整依賴較大，初始權(quán)值的細(xì)微變化不僅會(huì)影響B(tài)P 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果，也會(huì)帶來網(wǎng)絡(luò)的不穩(wěn)定。此外，采用隨機(jī)初始化的方式來獲得初始權(quán)值及閾值容易加大其對(duì)網(wǎng)絡(luò)性能的影響。大量研究表明，采用智能優(yōu)化算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值能在很大程度上提高網(wǎng)絡(luò)的性能?？紤]到BAS 具有良好的全局搜索能力和收斂性，且LSBAS能進(jìn)一步提高算法的搜索精度，因此，采用了LSBAS算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，模型建立步驟如下。

（1）算法初始化。①初始化算法運(yùn)行參數(shù)，包括x0，d0，δ0，最大迭代次數(shù)T，局部搜索最大迭代次數(shù)m，基本步長p等。②設(shè)搜索的空間維度為η，模型結(jié)構(gòu)為M-N-1。其中，M表示輸入層神經(jīng)元的個(gè)數(shù)，N表示隱含層神經(jīng)元的個(gè)數(shù)，輸出層神經(jīng)元個(gè)數(shù)為1，因而可確定最終的搜索空間維度為η=M×N+N×1+N+1。③將測試數(shù)據(jù)的均方根誤差MSE作為訓(xùn)練過程中的適應(yīng)度評(píng)價(jià)函數(shù)，如公式⒀所示。

式中：fitness為適應(yīng)度評(píng)價(jià)函數(shù)；N為訓(xùn)練集樣本數(shù)量；tout(i)為第i個(gè)樣本的輸出值；yi為第i個(gè)樣本的實(shí)際值。

（2）生成初始解xt=[x1，x2，…，xi]T，xi表示第i只天牛的狀態(tài)。初始參數(shù)取[-1，1]之間的隨機(jī)數(shù)作為BAS 的初始解集，即天牛的初始位置，并將其保存在Xbest中，作為初始最優(yōu)解。

（3）根據(jù)公式⒀計(jì)算初始解的適應(yīng)度值，并保存為fitnessbest，作為初始最優(yōu)適應(yīng)度評(píng)價(jià)值。

（5）當(dāng)在規(guī)定的迭代次數(shù)K內(nèi)，算法沒有找到更優(yōu)的全局解時(shí)，算法進(jìn)入局部搜索LS，并以算法開始陷入局部最優(yōu)時(shí)所對(duì)應(yīng)迭代次數(shù)的步長作為初始步長，采用公式⑻和公式⑼對(duì)局部搜索步長進(jìn)行更新，公式⑽、公式⑾和公式⑿對(duì)x進(jìn)行更新。若找到比當(dāng)前全局解更優(yōu)的解，則對(duì)Xbest，fitnessbest進(jìn)行更新，當(dāng)達(dá)到最大迭代次數(shù)m后，令K=0，退出局部搜索。

（6）判斷適應(yīng)度函數(shù)值是否達(dá)到停止條件，若滿足條件，則轉(zhuǎn)步驟(7)，否則，返回步驟(4)繼續(xù)迭代。

（7）算法停止迭代，輸出的Xbest即為訓(xùn)練的最優(yōu)解，即為網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值，之后將上述最優(yōu)解重新輸入到BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，以建立最后的預(yù)測模型。

LSBAS優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖2所示。

圖2 LSBAS優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程Fig.2 LSBAS optimizes BP neural network process

3 決策措施

針對(duì)上述不同危險(xiǎn)等級(jí)(除正常級(jí)別外)并結(jié)合相應(yīng)的專家意見，預(yù)防與控制措施如表3所示。

表3 預(yù)防與控制措施Tab.3 Prevention and control measures

4 結(jié)果與分析

根據(jù)客運(yùn)站提供的60 組數(shù)據(jù)并經(jīng)過上述等級(jí)量化過程量化后，選擇其中的50 組數(shù)據(jù)作為訓(xùn)練集，10 組數(shù)據(jù)作為測試集，通過MATLAB 進(jìn)行仿真實(shí)驗(yàn)，BP 網(wǎng)絡(luò)部分選用其自帶的神經(jīng)網(wǎng)絡(luò)工具箱[15]。

4.1 LSBAS與BAS的對(duì)比實(shí)驗(yàn)

為了比較LSBAS 與BAS 之間的搜索精度，設(shè)置了兩種算法的對(duì)比實(shí)驗(yàn)，并將兩種算法的公共參數(shù)設(shè)置為一致以此來排除因參數(shù)不同而對(duì)算法比較造成的影響。LSBAS 算法參數(shù)設(shè)置如表4 所示，LSBAS 與BAS 仿真比較如圖3 所示。值得注意的是，由于LSBAS 中添加了局部搜索來幫助算法在迭代后期跳出局部最優(yōu)，因而對(duì)于兩種算法都設(shè)置了較大的迭代次數(shù)，以此來反映LSBAS 算法的優(yōu)越性。LSBAS 與BAS 運(yùn)行15 次實(shí)驗(yàn)結(jié)果如圖4 所示，LSBAS與BAS15次實(shí)驗(yàn)對(duì)比結(jié)果如表5所示。

圖3 LSBAS與BAS仿真比較Fig.3 Simulation comparison between LSBAS and BAS

圖4 LSBAS與BAS運(yùn)行15次實(shí)驗(yàn)結(jié)果Fig.4 Results of 15 runs of LSBAS and BAS

表4 LSBAS算法參數(shù)設(shè)置Tab.4 Parameter settings of LSBAS algorithm

表5 LSBAS與BAS15次實(shí)驗(yàn)對(duì)比結(jié)果Tab.5 Comparison results of 15 experiments between LSBAS and BAS

從圖3中可以看出，LSBAS即使在初始解較差的情況下也獲得了比BSA 更高的搜索精度，這是由于當(dāng)算法在陷入局部最優(yōu)的時(shí)候，LS 可以憑借其較強(qiáng)的搜索能力幫助算法找到更優(yōu)解從而跳出局部最優(yōu)，并基于該解繼續(xù)最優(yōu)解的搜索。圖3 中紅色橢圓區(qū)域?yàn)樗涗浀腖SBAS 進(jìn)入局部搜索所帶來的解改進(jìn)，進(jìn)一步體現(xiàn)了改進(jìn)算法的搜索能力。

圖4 顯示，15 次實(shí)驗(yàn)中，14 次LSBAS 的最優(yōu)適應(yīng)度值小于BAS，這表明帶有局部搜索的LSBAS算法能夠有效提高算法的搜索精度。從表5數(shù)據(jù)可以進(jìn)一步看出，LSBAS 較BAS 在適應(yīng)度均值上提高了22.9%，標(biāo)準(zhǔn)差提高了7.4%，以上均表明LSBAS 不論在搜索精度還是在穩(wěn)定性方面都優(yōu)于BAS算法。

4.2 BP，BAS-BP，LSBAS-BP及GA-BP網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

為驗(yàn)證改進(jìn)后模型的效果，設(shè)置了BP，BASBP，LSBAS-BP及GA-BP 4種網(wǎng)絡(luò)模型的比較實(shí)驗(yàn)，每種網(wǎng)絡(luò)模型均采用相同的BP 神經(jīng)網(wǎng)絡(luò)。在本部分實(shí)驗(yàn)中，每一種算法的BP 神經(jīng)網(wǎng)絡(luò)均采用雙輸入、單輸出以及單隱藏層的設(shè)置。根據(jù)隱藏層神經(jīng)元的經(jīng)驗(yàn)公式，…，10）以及反復(fù)試驗(yàn)，確定最終的隱藏層神經(jīng)元個(gè)數(shù)為7，因而設(shè)置BP 的網(wǎng)絡(luò)結(jié)構(gòu)為2-7-1。此外，選用了相對(duì)誤差均值E與相關(guān)系數(shù)R2作為評(píng)價(jià)指標(biāo)來評(píng)價(jià)各模型的性能[13-14]，并將結(jié)果繪制在圖9 中，圖5、圖6、圖7 和圖8 分別為4 種網(wǎng)絡(luò)模型訓(xùn)練集的擬合結(jié)果。兩種指標(biāo)的計(jì)算公式如下。

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果Fig.5 BP neural network training prediction results

圖6 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果Fig.6 GA-BP neural network training prediction results

圖7 BAS-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果Fig.7 BAS-BP neural network training prediction results

圖8 LSBAS-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果Fig.8 LSBAS-BP neural network training prediction results

圖9 4種算法2種指標(biāo)對(duì)比情況Fig.9 Comparison of four algorithms in two indicators

式中：y'i(i=1，2，…，n)表示第i個(gè)樣本的預(yù)測值；yi對(duì)應(yīng)其真實(shí)值；n表示樣本數(shù)量。當(dāng)E越小，R2越接近于1時(shí)，表示模型性能越好。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果如圖5所示，GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果如圖6 所示，BAS-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果如圖7 所示，LSBAS-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測結(jié)果如圖8所示。從圖5—圖8中可以看出，4 種算法中，LSBAS-BP 網(wǎng)絡(luò)有著更優(yōu)的擬合效果，更逼近真實(shí)值。4 種算法2 種指標(biāo)對(duì)比情況如圖9 所示，相比BP，GA-BP 網(wǎng)絡(luò)，BAS-BP 與LSBAS-BP不論是在E還是在R2上，都獲得了更好的值。這表明兩種算法都有更好的擬合能力，且相比BAS-BP，LSBAS-BP 的擬合效果更佳，反映了LSBAS-BP預(yù)測模型在人員物品危險(xiǎn)性預(yù)測方面具有良好的適用性。

5 結(jié)束語

進(jìn)站安檢是鐵路運(yùn)輸?shù)闹匾h(huán)節(jié)，其作業(yè)可靠性直接影響著鐵路的安全運(yùn)行以及旅客的出行安全保障，人工判圖及核查模式效率較低且多依賴作業(yè)人員經(jīng)驗(yàn)，如何高效地識(shí)別和檢查旅客及其攜帶物品并分析其危險(xiǎn)性，對(duì)保障旅客生命財(cái)產(chǎn)安全和鐵路運(yùn)輸平穩(wěn)可控具有重要意義。通過LSBAS-BP模型對(duì)安檢過程中人員物品危險(xiǎn)性進(jìn)行預(yù)測，能夠快速有效地識(shí)別危險(xiǎn)人員及物品，并評(píng)估其危險(xiǎn)程度，科學(xué)輔助安檢人員進(jìn)行安檢查危，能夠大大提高安檢識(shí)別精度和安檢效率，并減輕安檢人員的工作壓力，同時(shí)能夠?yàn)榘矙z業(yè)務(wù)智能化發(fā)展提供支撐。