BP神經網絡曲線識別技術及在探雷上的應用

閆　巖，孫彩堂，周逢道，劉長勝

（吉林大學儀器科學與電氣工程學院，吉林 長春 130026）

BP神經網絡曲線識別技術及在探雷上的應用

閆巖，孫彩堂，周逢道，劉長勝

（吉林大學儀器科學與電氣工程學院，吉林 長春 130026）

提出一種基于BP神經網絡的地雷識別方法，利用電磁探測方法測得的地雷響應曲線對地雷進行識別。首先分析BP神經網絡對4類常見曲線（正弦波、方波、鋸齒波、梯形波）的識別效果，通過改變隱含層節點數、學習算法等網絡參數以及對正常曲線加入一定比例的噪聲，仿真分析它們對曲線識別的影響。實驗結果表明：該方法對正常曲線的識別率幾乎均達到100%，對于噪聲＜10%的信號也具有較高的識別能力。將該技術應用于地雷的識別中，取得比較好的識別效果。

BP神經網絡；曲線識別；網絡參數；識別率；地雷識別

0　引　言

目前，地雷探測仍是世界性的難題，很多國家的科研人員都在研究新的探雷方法。在軍事戰爭和戰后的清理工作中，探測并識別出地雷對于避免無辜傷亡具有重要意義。探雷的方法有很多，如基于聲-地震耦合原理的聲波共振探雷技術[1]、基于時頻原子分解的探雷方法[2]等。近年來，隨著曲線識別技術的發展，基于曲線匹配的識別應用逐漸增多，如Huang等[3]用歸一化的電磁感應光譜曲線與目標譜相匹配算法自動識別地雷，吻合度達90%；Lee等[4]用Bezier曲線擬合的方法分析表情進而識別人的情緒；Shangguan等[5]基于GSR（galyanic skin response）信號的曲線擬合方法實現對人情感的識別；Huang等[6]利用高斯函數和正弦函數擬合的方法實現了對無線電發射機“指紋”的識別。

BP（back propagation）神經網絡是人工神經網絡的分支之一。1986年Rumelhart等提出誤差反向傳播的學習機制，此后，經過研究人員不斷改進與完善，使其具有強大的數據識別和模擬功能，在預測分析、故障診斷、模式識別等領域得到實際應用[7-9]。

吉林大學研制出了基于電磁探測方法的地雷探測系統，采集的數據是地下目標在一定頻率下的電磁響應，為此本文提出了基于BP神經網絡的識別曲線方法，并將其應用到地雷識別中，取得了一定的效果。

1　基于BP神經網絡的曲線識別

BP神經網絡是一種前饋神經網絡，具有強大的計算能力，理論上可以近似表達任意一種復雜的映射，它具有大規模并行處理、自學習和自適應能力、較強的魯棒性和容錯性等特點。

BP神經網絡的算法流程如圖1所示。

圖1　BP算法流程圖

2　BP神經網絡結構設計及識別模型的建立

2.1BP神經網絡結構設計

采用3層BP神經網絡模型，其結構如圖2所示。其中，x1，…，xm為輸入向量，y1，y2，…，yn為輸出層輸出向量。

圖2　3層BP神經網絡模型結構

2.2識別模型的建立

BP神經網絡模型的建立過程如下：

1）輸入和輸出定義。網絡的輸入層節點數為21，分別代表一個周期內曲線的21個離散點；輸出層有4個節點，分別代表4類不同的曲線，輸出節點的輸出值取值范圍為[0，1]。在本文所有實驗中，如果4個輸出節點中輸出結果有且僅有一個值≥0.8，且其他3個值均＜0.4，則認為輸入的是對應的曲線；否則，認為輸入曲線不是4類曲線中的任何一種。

2）樣本生成。為了得到4類曲線的訓練樣本和測試樣本，本文分別采用如下方法生成仿真曲線，并對它們進行采樣，代表不同的樣本：

①正弦波：改變曲線的幅度和初始相位；

②鋸齒波：改變曲線的幅度和斜率；

③方波：改變曲線的幅度和占空比；

④梯形波：改變曲線的幅度和占空比。

生成的4類曲線樣本如圖3所示。

3）網絡參數設定。隱含層傳輸函數采用雙曲正切S形函數，其輸出范圍為-1~1；輸出層選用對數S形函數作為傳輸函數，輸出范圍為0~1，兩種函數表達式分別為

式中k為常數。

在本文所有實驗中，學習率取0.01，訓練目標誤差取10-5。

3　實驗分析

為了驗證算法的有效性，進行了3組實驗：1）識別標準曲線；2）識別加入10%～50%高斯噪聲的曲線；3）改變隱含層節點數和學習算法，分析它們對識別率的影響。在3組實驗中，4種曲線都采用200個訓練樣本和50個測試樣本。所有實驗中，都訓練并測試30次，然后計算識別率的平均值，作為最終的識別率。

圖3　樣本波形

3.1理想曲線識別

本文首先利用標準曲線作為訓練樣本和測試樣本，實驗分析了BP神經網絡的曲線識別性能，具體步驟如下：

1）利用2.2中的樣本生成方法，生成不含噪聲的樣本，每種曲線從中隨機選取200個樣本作為訓練集，采用OSS算法作為學習算法，對BP神經網絡模型進行訓練，隱含層節點數根據經驗定為30；

2）其余的樣本作為測試集，將它們輸入1）獲得的神經網絡模型進行識別，記錄識別結果。

識別結果見表1，可以看出，BP神經網絡對不加噪聲的標準曲線識別率可達100%。

表1　測試集不加噪聲和加入不同水平的高斯噪聲曲線識別率對比　%

3.2高斯噪聲對曲線識別的影響分析

為了分析噪聲對識別效果的影響，本文在待識別曲線中加入10%，15%，20%，30%和50%的高斯噪聲，進行了實驗分析，采用的學習算法和隱含層節點數同3.1。識別結果見表1的3～7列，可以看出，加入噪聲會對各曲線識別率產生不利影響。隨著噪聲水平的增加，各曲線識別率會不同程度地降低。其中正弦波受噪聲的影響最大，當加入15%噪聲時，其識別率只有66%；而方波和梯形波受噪聲影響相對較小，當加入20%噪聲時，其識別率也可達90%。

3.3網絡參數對曲線識別的影響分析

影響BP神經網絡穩定性和泛化能力的因素有很多，改變某個特定的參數也可能會對識別能力產生影響。本文分別通過改變隱含層節點數和采用不同的學習算法，對標準曲線進行了相應實驗。

3.3.1隱含層節點數對曲線識別的影響分析

在隱含層節點數影響分析實驗中，隱含層節點數分別取5，10，20，30，40，其識別結果如表2所示?？梢钥闯觯涸陔[含層節點數為30時，各曲線識別率幾乎都可達100%。

阿里糊涂間，似乎又記得有這么回事。他眨了半天眼，還是想不起。阿東便把他拖起來，逼著他穿好衣服。此時的天光，已然亮開。

表2　不同隱含層節點數對應的曲線識別率　%

3.3.2學習算法對曲線識別的影響分析

在隱含層節點影響分析的基礎上，隱含層節點數取30，其他參數與3.1相同。分別采用了以下4種BP算法：1）OSS（one step secant）算法，即一步割線算法，它可以減少存儲量和計算量；2）SCG（scaled conjugate gradient）算法，即量化共軛梯度算法，它運用了模型信任區間逼近原理，可以避免搜索方向計算的耗時問題；3）RPROP（resilient back-propagation）算法，即彈性BP算法，該算法可以消除梯度幅度的不利影響，在進行權值修正時，僅僅用到偏導的符號，而幅值卻不影響權值的修正，權值大小的改變取決于與幅值無關的修正值；4）GDX算法，即變學習率的動量梯度BP算法，該算法可以使學習率根據局部誤差曲面做出相應的調整。實驗結果如圖4所示，由圖可知，4種學習算法對曲線識別率都較高，其中OSS算法的識別率最高。

圖4　不同學習算法對應的曲線識別率

4　用BP神經網絡方法識別地雷

吉林大學研制了電磁探雷系統（見圖5）。該系統由發射系統（主要由發射機和發射線圈組成）和接收系統（主要由接收線圈和接收機組成）兩部分組成。其中，發射機產生不同頻率的激勵信號，加載到發射線圈，從而產生交變磁場。地下介質感應產生二次場，接收線圈探測感應磁場的變化，將該信號轉化成電信號并由接收機采集。

圖5　電磁探雷系統示意圖

采集得到的數據是地下介質在不同頻率下的響應，對它們進行預處理，可以得到對應的同相分量I、正交分量Q曲線，如圖6所示。

圖6　GLD160在不同深度的地雷特征曲線

地雷特征曲線是不規則的，但是通過不同條件下多次采集數據來看，不同類型的地雷所對應的I、Q曲線有所不同，而同類型地雷對應的I、Q曲線趨于一致。該類曲線雖有別于前面提到的4類常見曲線，但BP神經網絡函數功能強大并具有模糊判斷的特點，可以滿足對地雷特征曲線的識別要求。因此，可以用BP神經網絡方法識別地雷。

根據BP網絡識別算法流程，首先將I、Q曲線的數據進行歸一化處理，然后對處理的數據進行網絡訓練，最后對地雷特征曲線進行識別，進而判斷地雷的種類。

實驗中將兩種地雷庫（GLD111庫和GLD160庫）作為數據集。其中，GLD111庫和GLD160庫中分別由4個不同深度（2，4，6，8cm），每個深度對應25組，共計200組的I、Q曲線組成。在實驗過程中，將地雷庫中曲線分成訓練集和測試集兩個部分。從GLD111庫和GLD160庫中分別隨機選取40組，且每個深度中選取10組作為測試集。采用3層BP神經網絡結構，利用OSS學習算法、輸入層節點數為20，輸出節點數為2，隱層節點數為15。計算曲線的識別率，統計結果見表3。

表3　地雷庫在不同深度的識別率　%

由表可知，采用BP神經網絡方法對地雷曲線的識別率可達到75%~90%，識別率較高；另外可以看出，隨著地雷埋深的增加，曲線識別率有所降低，這是由于地雷埋深的增加會導致曲線的形態發生變化，但OSS學習算法的識別率仍然在可以接受的范圍內。因此采用BP神經網絡方法識別地雷有一定的應用價值。

5　結束語

本文研究了BP神經網絡基本原理及算法并通過實驗仿真的手段將其應用于正弦波、方波、鋸齒波和梯形波4類常見曲線的識別。

通過對正常曲線及對其加入不同水平的噪聲、改變網絡參數（如隱含層節點數和學習算法）等進行了仿真實驗，得出如下結論：

1）對4類正常曲線的識別率幾乎均可達到100%。

2）高斯噪聲對曲線的識別率影響實驗表明：當噪聲水平＜10%時，對4類曲線識別率仍然能達到80%以上。

3）能夠根據所提供的數據較好地識別出地雷。但對于一些因環境等因素影響嚴重的曲線，該識別方法可能會不再適用。

嘗試將BP神經網絡方法應用于地雷的識別，結果表明：對地雷曲線的識別率可達75%~90%，識別率較高，具有一定的應用價值。

[1]王馳，于瀛潔，李醒飛.一種基于聲-地震耦合的室內聲波探雷實驗系統[J].天津大學學報，2011，44（1）：79-84.

[2]施云飛，宋千，金添，等.基于時頻原子分解的地雷目標特征提取及分類[J].國防科技大學學報，2012，34（1）：100-106.

[3]HUANGHP，WON IJ.Automated identification of buried landminesusingnormalizedelectromagneticin duction spectroscopy[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41（3）：640-651.

[4]LEE Y H，HAN W，KIM Y.Emotional recognition from facial expression analysis using bezier curve fitting[C]∥2013 16th International Conference on Network-Based Information Systems，2013：250-254.

[5]SHANGGUAN P C，LIU G Y，WEN W H.The emotion recognition based on GSR signal by curve fitting[J]. Journal of Information&Computational Science，2014，11（8）：2635-2646.

[6]HUANG L F，WU X P，ZHAO C D，et al.Identification of radio transmitters fingerprint based on curve fitting[C]∥2013 IEEE International Conference on Signal Processing，Communications and Computing（ICSPCC），2013：1-5.

[7]厲英，王正，敖志廣，等.BP神經網絡漏鋼預測系統優化[J].控制與決策，2011，25（3）：453-456.

[8]GUO Y M，RAN C B，JI X Y，et al.Fault diagnosis in analog circuits based on combined-optimization BP neural networks[J].Journal of Northwestern Polytechnical University，2013，31（1）：44-48.

[9]TANG J，HE L.Genetic optimization of BP neural network in the application of suspicious financial transactions patternrecognition[C]∥2012 International Conference on Management of e-Commerce and e-Government（ICMeCG），2012：280-284.

（編輯：莫婕）

Curve recognition technology based on BP neural network and its application in landmine detection

YAN Yan，SUN Caitang，ZHOU Fengdao，LIU Changsheng
（College of Instrument Science and Electrical Engineering，Jilin University，Changchun 130026，China）

This paper is about a way to detect landmines based on BP neural network，put it more specifically，landmines are detected via landmine response curves acquired by electromagnetic detection.First，it tested the recognition effect of BP neural network upon four common curves namelysinewave，squarewave，sawtoothwaveandtrapezoidalwave;second，simulation experiments are carried out to see how these curves areaffectedbychangingthenetwork parameters such as the number of hidden layer nodes and learning algorithms as well as by adding a certain proportion of noise in normal curves.Experimental results show that the recognition rate of all normal curves is 100%and that of the signals with noise less than 10%is also high.This technology has been applied to detect landmines and produced good results.

BP neural network；curve recognition；network parameter；recognition rate；landmine detection

A

1674-5124（2016）03-0090-04

10.11857/j.issn.1674-5124.2016.03.021

2015-04-13；

2015-05-15

吉林大學青年基金項目（450060445672）

閆巖（1987-），男，吉林長春市人，碩士研究生，專業方向為數據處理與模式識別。