基于神經網絡集成學習模型的目標識別方法研究

摘要：隨著人工智能技術的進一步發展及其在諸多領域的廣泛應用，以模式識別為應用需求的目標識別也成為了當前的研究熱點。本文首先探討了機器學習中主流的神經網絡結構模型，并以BP神經網絡為基礎，將其作為基學習器，分析研究了集成學習模型，提出了基于BP神經網絡集成學習模型的目標識別方法，從而為復雜環境下更為精準化的目標模式識別提供了一定的參考依據。

關鍵詞：BP神經網絡；基學習器；迭代學習；集成模型；目標識別

隨著多源信息技術的進一步發展，目標識別技術也已成為當前模式識別領域的一個重要研究方向[1]。而目標信息所呈現出的多樣化和海量化的特點，也給精準化的目標識別帶來了挑戰[2]。在基于數據驅動的諸多目標識別方法中，基于統計分析的方法有著廣泛的應用領域。而傳統的基于統計分析的方法主要有主成分分析方法[3]（Principal Component Analysis），又稱為主元分析，簡稱為PCA，該方法統計分析方法中的一種常用的數據分析方法。PCA也是一種常用的數據降維方法，其基本思想是，按照重要性的不同，從一組數據特征中計算得到新的維度空間的新的數據特征，并將其按從大到小的順序進行排列，所得到的新的特征作為原有維度空間數據的線性組合，表征著彼此不相關的特性。而原有數據樣本在新的維度空間上的特征映射也即為降維后的新的數據樣本。可以看出，PCA就是用一組正交向量對原維度空間的數據特征進行空間變換從而得到新的維度空間的數據特征。原始數據通過PCA的這種線性變換，可以提取出數據的主要特征，而新的維度空間的數據要在數據降維需求的基礎上，還要盡可能的保留原有空間數據的信息，因而，就需要在新的維度特征中選取出其前n個能夠表征原空間數據信息的最大主元。PCA方法可以有效的消除原始數據之間的冗余性，降低數據處理的復雜性，但由于其空間降維的特點，也使得PCA在某些情況下會造成某些重要的數據信息丟失的情況。

而隨著人工智能技術的發展，各種人工智能技術的目標識別方法也相繼提出，基于機器學習的目標識別方法也逐漸展現出其在各個應用領域中的優勢。常用的機器學習方法有K近鄰、支持向量機、隨機森林和神經網絡等。本文就是使用當前較為主流的神經網絡技術，研究探討基于神經網絡集成學習的目標識別方法。

1 目標識別

目標識別是相對于目標跟蹤而言的一個更為廣泛的概念，是指在基于多個目標傳感器所獲取的目標屬性數據信息的基礎上，使用相關的數據組合方法，所得到的關于目標身份信息的屬性識別。由于所涉及的目標傳感器的種類繁多，因而所獲取到的目標屬性數據在某些情況下也會很多，因而在目標識別中，將會出現維度較高的特征變量及特征數據。而隨著當前人工智能技術的進一步發展，目標識別過程中所涉及到相關數據組合方法，主要是多源數據融合式的模式識別方法。模式作為所識別目標在時間和空間中所展現出的一種屬性分布信息，使用計算機能夠對其進行模式的分類，即模式識別就是將目標根據其模式屬性的不同劃分到所對應的類別中。

2 神經網絡及其結構形式

2.1 神經網絡

作為人工智能領域的一個研究熱點，神經網絡（Neural Network，NN）從其產生之時就得到了國內外的廣泛關注，而神經網絡也以其獨特的性能優勢在諸多行業領域有著廣泛的應用。準確的說，本文所指的神經網絡，也就是人工神經網絡，即是在生物神經網絡的基礎上，模仿生物神經網絡的結構和思維、記憶等相關功能，從而設計出的用以進行數據信息處理的一種數學運算模型。通過該數學運算模型對數據信息進行相關的非線性處理，能夠實現相關功能。類似于生物神經網絡，人工神經網絡也是有大量的被稱為神經元的節點逐層地相互連接而構成的，神經元節點負責數據信息的保存和更新，而不同層的神經元節點與節點之間的連接也對應有一個稱為權重的參數。可以看出，神經元是神經網絡處理數據信息的基本單元。為了是神經網絡更符合現實世界的信息表達特性，在不同網絡層所連接的節點之間增加激勵函數（activation function），將線性輸入轉換為非線性的函數關系，通過這種非線性因素的引入從而給神經網絡增加了更為豐富的數據表達能力。神經網絡中常用的非線性激勵函數有sigmoid函數、tanh函數以及relu函數等。

2.2 神經網絡的結構

神經網絡在其結構形式上采用多層的結構形式，即神經元按其功能的不同分為輸入層、隱藏層和輸出層[4]。其中神經網絡的輸入層和輸出層都僅為一層，而隱藏層可以有多層。由此可以看出，神經網絡最簡單的結構形式就是三層神經網絡結構，即僅有一個隱藏層的結構。同一層中的各個神經元節點彼此不相連，而相鄰層間的神經元節點則彼此相連。在神經網絡的各層中，輸入層的神經元節點根據其設計功能，是用來接收外部的輸入數據的，通過輸入層所接收到輸數據，進而傳輸到神經網絡中間隱藏層的各神經元節點進行處理，經過所有隱藏層處理后的數據傳輸到網絡輸出層進行輸出顯示。這里作為數據處理單元的中間隱藏層，只負責數據的運算處理和網絡內部的傳輸，而與網絡結構外部的輸入和輸出并不存在直接的連接關系。

2.3 BP神經網絡

神經網絡中使用最為廣泛的一種網絡形式就是反向傳播神經網絡（Back-Propagation），即BP神經網絡[5]。BP神經網絡在其設計和實現上以通用逼近定理為基礎，即通過在數據樣本下的迭代式學習，進而訓練出能夠逼近任意函數的網絡。在具體實現上，BP神經網絡采用反向傳播算法，能夠用于神經網絡的參數更新以及調節神經網絡內部各個不同層間節點間的連接關系，從而得到整個網絡的數據輸入與數據輸出之間的函數映射關系。也正因為BP神經網絡的這種反向傳播特性，使得神經網絡具備了自組織學習和自適應的能力。

BP神經網絡的自學習和自適應可分為工作信號的前向傳播以及誤差信號的反向傳播兩個過程。其中，工作信號的前向傳播過程即為數據信號通過輸入層進入神經網絡，在神經網絡中經過單個隱藏層或者多個隱藏層的數據處理并到達輸出層，在輸出層輸出經過處理的輸出信號，在數據的這一前向傳播過程中，神經網絡的網絡權值保持不變，而每個神經元所儲存的數據信息只受到其上層連接神經元所傳送的數據與所對應的網絡權值的影響，并將其所更新后的數據信息傳送到下層神經元，以這樣的前向傳播方式在輸出層所得到的輸出數據如果滿足條件，則學習訓練過程結束，而如果輸出數據與期望輸出之間存在較大的誤差，則進行誤差信號的反向傳播過程。所謂誤差信號，就是神經網絡的實際輸出與期望輸出之間的誤差值，而該誤差值如果大于某一預先設定的網絡閾值時，則需要進行誤差信號的反向傳播。在反向傳播時，誤差信號從輸出層開始反向地逐層向前進行數據的傳輸，而在逐層前向傳播過程中，各層的網絡權值也將會根據誤差信號的反饋信息進行自適應的調整，以滿足誤差逐漸降低的需求，亦即通過網絡權值不斷的自適應調整，使整個神經網絡的實際輸出與期望輸出之間的誤差逐漸減小，實際輸出也逐漸接近期望輸出。

可以看出，BP神經網絡的前向傳播和反向傳播是一個反復交替的迭代式的自學習過程，通過這個學習過程的反復迭代，從而獲取到能夠滿足實際需求的網絡權值參數，并使得網絡的實際輸出和期望輸出之間的誤差處于允許范圍之內。

3 神經網絡集成學習模型

單一的學習模型（即基學習器）只能在其一種模型下預測出識別結果，而與基學習器相比，集成學習模型能夠將多個不同的基學習器的多個預測識別結果通過相關的決策融合規則進行有機地結合，從而通過所融合的集成學習模型獲取到比基學習器更為準確的識別結果。可以看出，集成學習其本身并不是單獨的機器學習算法，而是集成了多個基學習器，并且其效果和性能也要優于各個不同的基學習器。集成學習模型的設計能夠有效地提升學習模型的預測識別準確率，同時還能夠通過不同基學習器所存在的差異性從而避免網絡學習模型的過擬合。而隨著近年來集成學習技術的進一步發展，各種不同的性能優越的集成學習模型也隨之出現，使得目標的識別準確率有了一定的提升。

本文在基于BP神經網絡的基礎上，以具有相同網絡結構的兩個BP神經網絡為基學習器，提出一種基于雙BP神經網絡的集成學習模型，如圖1所示。

從圖1 中可以看出，本文所構建的BP神經網絡集成學習模型由兩個BP神經網絡基學習器所組成，通過分別對兩個BP神經網絡基學習器進行迭代式的學習訓練，得到不同的具有差異性的兩個基學習器模型，并在此基礎上，進一步構建BP神經網絡集成學習模型。在具體實現上，首先將待識別目標的主要識別特征信息作為輸入數據樣本，分別輸入到BP神經網絡基學習器1和BP神經網絡基學習器2中，采用隨機化的初始權重值和閾值等網絡參數以及非線性激勵函數對兩個BP神經網絡進行并行的迭代式學習訓練，以獲取到收斂的網絡狀態及相關的權值參數。而又由于網絡參數初始化的隨機性，使得所訓練好的兩個BP神經網絡參數集并不相同，因而其作為基學習器，分類識別的預測結果可能并不相同。這時，將兩個BP神經網絡基學習器進行集成，通過對具有不同差異性的兩個BP神經網絡基學習器所輸出的結果進行融合，從而構建了集成學習模型。

在集成學習模型的決策融合方法中，常用的有投票法和平均法，這兩種方法是分別針對分類預測和回歸預測而言的。其中投票法又分為簡單投票法、加權投票法以及概率投票法等三種方法，而平均法則又分為簡單平均法和加權平均法兩種方法。而考慮到目標識別是對目標的類型進行識別預測的，而目標類型屬于分類預測，因而使用集成學習決策融合方法中的投票法對集成學習模型的識別結果進行分類預測。同時，考慮到本文所提出雙BP神經網絡集成模型的特殊性，使用簡單投票法并不能對分類識別結果做出很好的預測，因而可以采用加權投票法和概率投票法兩種方法，即以適當的投票權值或是概率來預測集成學習模型的識別結果。

4 結語

隨著多源信息技術和人工智能技術的發展，精準化的目標識別在當前的諸多前沿應用領域成為了一個重要的研究方向。而面對日益復雜化和多元化的不同的應用環境，如何提高對多源復雜信息的甄別能力以及對目標識別的準確率，也成為了目標識別問題中的一個挑戰。本文以當前人工智能領域中主流的機器學習為技術背景，將機器學習中的BP神經網絡作為研究出發點，在分析BP神經網絡結構的基礎上，探討了BP神經網絡的迭代式學習過程，并以提高目標識別的準確率為需求，將BP神經網絡作為基學習器，提出了基于神經網絡集成模型的目標識別方法，通過該方法及相關模型的構建，能夠在一定程度上改善和提升目標識別模型的性能，同時也為復雜環境下的精準化目標識別提供了參考。

參考文獻

[1]宮法明，李翛然，馬玉輝.復雜場景下的運動目標識別算法[J].計算機系統應用，2018，27（08）：193-197.

[2]王璐.一種基于模糊控制的多傳感器管理算法的研究[J].電子設計工程，2018，26（21）：47-51.

[3]張秀琴， 陳立潮， 潘理虎. 基于DCT和分塊2D2PCA的人臉識別[J]. 太原科技大學學報， 2014（5）：333-338.

[4]李雋，王偉.遺傳算法優化神經網絡在圖像目標識別中的應用研究[J].現代電子技術，2017，40（20）：111-113.

[5]龔晗義，蘇賦文，高漢軍.基于改進遺傳算法和BP神經網絡的人臉識別方法[J].武漢理工大學學報（信息與管理工程版），2018，40（05）：498-502.