基于人工智能的邊境管控無線傳感數據處理系統設計

文春明 , 張超群, 羅麗平, 盧振坤, 覃 曉, 周 衛, 黃華娟, 朱曉前

(1 廣西民族大學 信息科學與工程學院， 南寧 530006； 2 廣西高校復雜系統與智能計算重點實驗室， 南寧 530006；3 廣西邊海防委員會辦公室， 南寧 530028)

引言

沿邊境地區是中國對外開放的重要門戶，是國家重要的戰略資源儲備基地和安全屏障，邊境管控在國防安全和國民經濟社會發展中具有重要作用。中國擁有2.28萬公里的陸地邊境線，同14個國家毗鄰，區域面積200萬平方公里，分布有45個少數民族。沿邊境地區地形復雜，山嶺連綿，谷深坡陡，崎嶇不平，溝壑交錯，氣候多變。在邊境一線，除有國家級、省級海關通道外，還有很多痕跡不清，路面崎嶇，植被覆蓋，行走極為不便的通道難以管控。隨著國內社會經濟的飛速發展與進步，走私、販毒、內潛外逃等問題卻仍可探察到活動發生之跡象，傳統的小分隊定時、定點巡邏方式已不適應當前的形勢，邊境管控面臨著日趨嚴峻的考驗[1-4]。

依托信息獲取和集成融合的現代無線傳感技術，建立事件精確位置和相關信息、管控智能的邊境嚴防體系，在邊境地區進行有針對性的檢查和攔截是目前高度有效的重要方法與手段。本文提出了采用傳感器、視頻監控等組成無線傳感網絡，利用人工智能技術對獲取的信息進行智能分析和處理，協助邊境管理部門加強邊境管控，滿足“事前預警、目標跟蹤、事件處置”的要求，探索和推進邊境管控智能化工作，實現人流、物流、信息流由粗放管理向精細化、智能化、標準化、自動化遠程管理的轉變，全面提升邊境管控效率和邊境管理水平。

1 邊境管控系統的信息獲取及預處理

無線傳感網絡(Wireless Sensor Network，WSN)是由大量靜止或移動的傳感器以自組織和多跳的方式構成的無線網絡，協作地感知、采集、處理和傳輸網絡覆蓋地理區域內被感知對象的信息，并且再將這些信息(位置、時間等)發送給網絡的所有者[5]。無線傳感網絡廣泛應用于國防、軍事、工業、農業、商業、智能交通、環境監控、醫療衛生等多個領域，在攸關國計民生等諸多方面發揮著全局基礎性的影響與作用[6-14]。

傳感器將欲探測對象的信息由非電量轉換成電量輸出。一般由敏感元件、轉換元件、轉換電路、信號調理電路組成，可將被監測的物體或區域的信息通過傳感器轉換成電信號。如利用熱釋電人體紅外傳感器探測通道是否有人通過，光纖振動傳感器可將監測的振動信號記錄下來，再輔以一定的特征分析，可判斷是人、動物或其他物體(機動車)等的振動。研究可得設計結構如圖1所示。

圖1 傳感器原理圖Fig. 1 Sensor schematic

無線傳感節點由傳感器、無線通信芯片、微處理器、電源等組成，與傳統的單純傳感器相比，增加了微處理器和無線通信芯片，能夠對獲取的傳感信息進行簡單的分析處理和無線網絡傳輸。無線傳感網絡由傳感節點、無線通信網絡和控制管理中心三部分組成。其主要組成部分是集成有傳感器、數據處理單元和通信模塊的傳感節點，各節點通過協議自組成一個分布式網絡，再將采集來的數據通過優化后經無線電波傳輸給信息處理中心。

在邊境管控無線傳感網絡系統傳回的信息中有很多是本地居民正常工作、生活的相關信息，如到邊境線附近的耕地、水田、山林的日常勞作，正常的跨邊境貿易等，還有諸如大型動物(野豬等)經過傳感器傳回的信號等，如果不對這些信號進行智能處理，則管控系統的預警信號的誤報率會呈數量級上升，使邊防人員疲于奔命，但卻收效極微。因此必須對接收到的信號提供必要的預處理，將大量傳感數據實現分類記錄處理，整體流程如圖2所示。再將得到的結果用于訓練神經網絡模型進行綜合分析判斷，提取非正常穿越邊境行為特征(隱藏在時間、跨境路線、地點等信息后面的深層特征)。旨在提升信息的價值含量，減少誤報率，使邊防人員的攔截和檢查有的放矢，提高有效性和針對性。

圖2 邊境管控系統傳感信息預處理流程圖

Fig.2Frontiermanagementsystemsensorinformationpre-processingflowchart

2 邊境管控系統的智能化信息處理

人的活動都遵循一定的規律，具有一定的特征，對于大量的群體活動，其特征更為明顯，特別是用大數據記錄下其活動后，經過人工智能的數據分析處理，能更深入刻畫其本質，掌握其規律。神經網絡是在生物功能啟示下建立起來的一種數據處理技術。這是由大量簡單神經元互連而構成的一種計算結構，在某種程度上模擬生物神經系統的工作過程，神經網絡具有很強的自適應性和學習能力、非線性映射能力、魯棒性和容錯能力，因而具備解決實際問題的應用優勢[15-19]。人工神經網絡結構如圖3所示。

圖3 人工神經網絡結構示意圖Fig. 3 Schematic diagram of artificial neural network structure

圖3中，xj表示輸入層第j個信息(坐標、時間、天氣狀況等)(j=1，…，M)；wij表示隱含層第i個節點到輸入層第j個節點之間的權值；θi表示隱含層第i個節點的閾值；φ(x)表示隱含層的激勵函數；wki表示輸出層第k個節點到隱含層第i個節點之間的權值(i=1，…，q)；ak表示輸出層第k個節點的閾值(k=1，…，L)；ψ(x)表示輸出層的激勵函數；ok表示輸出層第k個節點的輸出；TK表示第k個節點的期望輸出，在人工神經網絡學習階段，期望輸出為對應的信息分類。

人工神經網絡對邊境傳感信息的處理包括2個過程,具體如下:

(1)傳感信息的正向傳播處理過程。傳感信息從輸入層經隱含層逐層計算傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。隱含層第i個節點的輸入neti的數學表述為:

(1)

隱含層第i個節點的輸出yi的計算公式為：

(2)

輸出層第k個節點的輸入netk的數學公式可表示為：

(3)

輸出層第k個節點的輸出ok的對應公式為：

(4)

(2)傳感誤差的反向傳播過程。即在輸出層沒有得到期望輸出的情況下，則由輸出層開始逐層計算各層神經元的誤差，然后根據誤差梯度下降法來調節各層的權值和閾值，使得修改后網絡的最終輸出能接近期望值Tk。

根據誤差梯度下降法依次修正輸出層權值的修正量Δwki，輸出層閾值的修正量Δak，隱含層權值的修正量Δwij，隱含層閾值的修正量Δθi，η為學習速率，研究得到其公式為：

(5)

經過化簡整理，最后得到輸出層和隱含層的權值、閾值調整公式分別為:

(6)

(7)

wki·φ′(neti)·xj

(8)

wki·φ′(neti)

(9)

人工神經網絡的軟件設計流程如圖4所示。

圖4 人工神經網絡程序流程圖Fig. 4 Artificial neural network program flow chart

3 實驗

用Matlab對所述的傳感信息(坐標、時間、天氣狀況等)進行仿真實驗。首先隨機產生5 000組實驗數據，選擇中3 000組數據用于人工神經網絡訓練，其余2 000組數據用于測試。

測試的結果如圖5所示。從圖5中可以看出，測試樣本的分類結果幾乎與實際的分類情況相同，測試的準確率為99.65%。因此用人工神經網絡可以對傳感信息進行有效的分類提升信息的價值含量，使邊防人員的攔截和檢查工作也隨即增強了可執行性和目標針對性。

圖5 人工神經網絡分類測試效果圖Fig. 5 Artificial neural network classification test results

運用Matlab研發得到的系統校驗結果如圖6所示，橫軸為迭代次數，縱軸為方差。從圖6中可以看出，系統的最佳校驗效果是在迭代10次時，方差為0.030 718，之后不再下降，保持在0.03附近，訓練數據的方差則隨著迭代次數的增長而下降。究其原因就是系統是先用一部分數據進行訓練，需要對這部分數據實現全擬合，故這部分數據的方差隨著迭代次數增長而呈現下降，而測試和檢驗數據則是根據神經網絡訓練得到的結構進行測試和檢驗，故存在一定的誤差。

圖6 系統校驗結果圖Fig. 6 System calibration results

對系統進行多次測試，可得測試結果如圖7所示。從圖7中可以看出，雖然每次測試的準確率不完全相同，但準確率基本一致，且均在99%以上，由此可以得到，系統的穩定性較好，可靠性較高。

圖7 系統測試次數與準確率關系圖Fig. 7 Relation between system test times and accuracy

4 結束語

針對目前邊境管理部門難以監控數量眾多，分布極廣的跨境便道，本文提出了用傳感器拾取跨越事件信息，以無線的方式將信息傳輸到信息中心，設計提出了一種人工神經網絡對邊境傳感信息進行分析處理，有效識別出異常邊境傳感信號，并生成報警提示，以便在邊境地區展開有針對性的檢查和攔截，提高邊境管控的水平和效率。考慮到無線傳感網絡傳感器種類多、數目可觀，以及拾取的信息量巨大，如何從海量傳感數據中利用人工智能技術進行高效挖掘，獲取更有價值的信息，則是未來下一步工作的研究重點。

[1] 董振國，王軍偉. 極端思想蠱惑 千余偷渡分子走上不歸路[EB/OL]. [2015-01-19]. http://www.banyuetan.org/chcontent/sz/szgc/2015119/123165.shtml.

[2] 王亞寧. 論研究中國邊境安全的必要性[J]. 中國公共安全(學術版), 2015(1):1-4.

[3] 王茜. 廣西與越南邊境地區安全問題與治理研究[D]. 南寧：廣西民族大學, 2016.

[4] 央視網. 揭開越南生豬走私非法利益鏈：一天上萬頭越南生豬走私入境[EB/OL].[2016-11-20]. http://news.cctv.com/2016/11/20/ARTIRgSGOFKrljDwpKD9Fnap161120.shtml.

[5] 孫利民, 李建中, 陳渝,等. 無線傳感器網絡[M]. 北京:清華大學出版社, 2005.

[6] 石魯生, 朱慧博. 一種基于RSSI的區域重疊質心室內定位算法[J]. 智能計算機與應用, 2017, 7(3):55-57.

[7] 尤政, 王偉忠, 陳碩,等. 無線MEMS傳感系統在燃氣輪機等惡劣環境下的應用[J]. 航空學報, 2014, 35(8):2081-2090.

[8] 羅路勝, 文春明. 基于ARM的無線溫濕度監測控制系統[J]. 科技創新與應用, 2016(13):26-27.

[9] 溫志渝, 溫中泉, 賀學鋒,等. 振動式壓電發電機及其在無線傳感器網絡中的應用[J]. 機械工程學報, 2008, 44(11):75-79.

[10]WEN Chunming, LUO Liping, HUANG Huajuan, et al. Research on RSSI location environment parameter detection based on artificial neural network[J]. Journal of machine leaning and signal processing,2016,3(4):299-303.

[11]彭群忠, 譚敏生, 李洋偉,等. 基于無線傳感網絡的β輻射監測系統的實現[J]. 智能計算機與應用, 2012, 2(5):49-51.

[12]KOMAR C, DONMEZ M Y, ERSOY C. Detection quality of border surveillance wireless sensor networks in the existence of trespassers’ favorite paths[J]. Computer Communications, 2012, 35(10):1185-1199.

[13]GHATAOURA D S, MITCHELL J E, MATICH G E. Networking and application interface technology for wireless sensor network surveillance and monitoring[J]. IEEE Communications Magazine, 2011, 49(10):90-97.

[14]WEN Chunming, ZHANG Chaoqun, ZHOU Wei, et al. A wireless sensor network location approach based on the characteristics of electromagnetic wave symmetry[C]//5thInternational Conference on Measurement, Instrumentation and Automation (ICMIA 2016). Shenzhen, China: Atlantis Press, 2016: 685-689.

[15]陳國良, 韓文廷. 人工神經網絡理論研究進展[J]. 電子學報, 1996,24(1):70-74.

[16]熊偉晴, 燕曉波, 姜守旭,等. 基于BP神經網絡和模糊推理系統的短時交通流預測[J]. 智能計算機與應用, 2015,5(2):43-46,51.

[17]文春明, 吳建生. 基于神經網絡的智能教學系統學生模型設計[J]. 智能計算機與應用, 2011, 1(4):52-53,58.

[18]LUO Qifang, WEN Chunming, QIAO Shilei, et al. Dual-system water cycle algorithm for constrained engineering optimization problems[M]// HUANG D S. ICIC 2016,part I, LNCS 9771. Switzerland:Springer International Publishing,2016: 730-741.

[19]ZHOU Yongquan, ZHAO Ruxin, LUO Qifang, et al. Sensor deployment scheme based on social spider optimization algorithm for Wireless Sensor Networks[J]. Neural Processing Letters, 2017(16):1-24.