基于Richer子波神經(jīng)網(wǎng)絡(luò)的入侵事件識(shí)別方法

程博

摘 ? 要：針對(duì)入侵事件中的挖掘事件和人步行事件的識(shí)別，文章設(shè)計(jì)了一種Richer子波神經(jīng)網(wǎng)絡(luò)模型，用來識(shí)別由挖掘和人步行事件引起的震動(dòng)信號(hào)的種類。實(shí)驗(yàn)中一共采用200個(gè)樣本，其中120個(gè)作訓(xùn)練，80個(gè)作測(cè)試，通過分析網(wǎng)絡(luò)訓(xùn)練輸出數(shù)據(jù)的降維可視化散點(diǎn)分布，可以得到該模型訓(xùn)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(diǎn)，且該模型網(wǎng)絡(luò)分類識(shí)別準(zhǔn)確率最高可達(dá)96.25%，平均識(shí)別準(zhǔn)確率約為95%。

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

傳統(tǒng)的基于震動(dòng)信號(hào)檢測(cè)的入侵事件識(shí)別方法，主要是通過提取信號(hào)“精確”的特征，以實(shí)現(xiàn)對(duì)某些特定種類信號(hào)的識(shí)別，這種識(shí)別方法的模型泛化能力較差[1-2]。隨著以神經(jīng)網(wǎng)絡(luò)為核心的深度學(xué)習(xí)算法通過對(duì)大量樣本的學(xué)習(xí)，得到相應(yīng)的分類模型，其對(duì)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(shí)都取得了不錯(cuò)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(dòng)信號(hào)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(jìn)的網(wǎng)絡(luò)模型（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，實(shí)驗(yàn)中平均識(shí)別準(zhǔn)確率約為95%。Titos等[4]設(shè)計(jì)了一種用于火山地震識(shí)別的深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)，以線性預(yù)測(cè)系數(shù)的組合特征向量和統(tǒng)計(jì)特性作為特征，針對(duì)7種不同種類的孤立地震事件進(jìn)行識(shí)別，實(shí)驗(yàn)中平均識(shí)別準(zhǔn)確率約為94.32%。

本文針對(duì)入侵事件中的挖掘和人步行事件的識(shí)別，設(shè)計(jì)了一種基于Richer子波（雷克子波）的神經(jīng)網(wǎng)絡(luò)模型。該模型是在小波神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上，設(shè)計(jì)的一種用于對(duì)震動(dòng)信號(hào)進(jìn)行分類識(shí)別的神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明，利用Richer神經(jīng)網(wǎng)絡(luò)對(duì)挖掘和人步行事件的識(shí)別準(zhǔn)確率最高可達(dá)96%，且損失函數(shù)收斂快。

1 ? ?Richer子波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

針對(duì)入侵事件中的挖掘和人步行事件的識(shí)別，本文設(shè)計(jì)的Richer子波神經(jīng)網(wǎng)絡(luò)是在“緊致型”小波神經(jīng)網(wǎng)絡(luò)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(luò)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(dòng)信號(hào)的神經(jīng)網(wǎng)絡(luò)模型。具體的，在輸入層之后緊跟的是兩個(gè)隱含層，最后一層為全連接的輸出層。Richer子波函數(shù)被認(rèn)為第一個(gè)隱含層的激活函數(shù)。

2 ? ?實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析

本文需要識(shí)別的事件是挖掘和人步行事件，利用在野外環(huán)境下實(shí)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(shè)計(jì)的Richer子波神經(jīng)網(wǎng)絡(luò)模型以及相關(guān)的對(duì)比實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行分類實(shí)驗(yàn)，通過輸入模型前后的樣本數(shù)據(jù)散點(diǎn)分布情況、識(shí)別準(zhǔn)確率（Accuracy）以及損失函數(shù)收斂速度來評(píng)價(jià)實(shí)驗(yàn)效果。

在利用本文所設(shè)計(jì)的網(wǎng)絡(luò)模型進(jìn)行分類實(shí)驗(yàn)前，需要確定網(wǎng)絡(luò)模型的相關(guān)參數(shù)，主要是各隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)量。而對(duì)于隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)，本文通過計(jì)算不同隱含層節(jié)點(diǎn)數(shù)下網(wǎng)絡(luò)的均方誤差值，分析得出最佳的網(wǎng)絡(luò)神經(jīng)元節(jié)點(diǎn)數(shù)為：輸入層2 000，第一個(gè)隱含層50，第二個(gè)隱含層10，輸出層2。

實(shí)驗(yàn)采用的是實(shí)際采集的挖掘和人步行事件信號(hào)，經(jīng)過預(yù)處理之后提取信號(hào)1 000 Hz以內(nèi)的頻譜數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)為每種事件100個(gè)樣本，其中120個(gè)樣本作訓(xùn)練，80個(gè)樣本作測(cè)試。將測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的Richer子波神經(jīng)網(wǎng)絡(luò)模型中，網(wǎng)絡(luò)輸出數(shù)據(jù)經(jīng)過降維后的散點(diǎn)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(luò)訓(xùn)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(diǎn)。分類實(shí)驗(yàn)的準(zhǔn)確率以及損失函數(shù)隨訓(xùn)練次數(shù)的變化曲線如圖1（b）所示。可以發(fā)現(xiàn)，網(wǎng)絡(luò)分類識(shí)別準(zhǔn)確率最高可達(dá)96.25%，平均識(shí)別準(zhǔn)確率約為95%。

3 ? ?結(jié)語

首先，本文指出傳統(tǒng)的震動(dòng)信號(hào)識(shí)別算法需要提取信號(hào)較為“精確的”特征這一缺陷。其次，說明神經(jīng)網(wǎng)絡(luò)這項(xiàng)技術(shù)應(yīng)用于信號(hào)識(shí)別時(shí)，無需對(duì)輸入信號(hào)提取“精確”的特征。最后，指出可以用神經(jīng)網(wǎng)絡(luò)技術(shù)來解決本文所面臨的問題。本文介紹了設(shè)計(jì)的基于Richer子波的小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及網(wǎng)絡(luò)訓(xùn)練的原理。在實(shí)驗(yàn)部分，通過計(jì)算不同神經(jīng)元節(jié)點(diǎn)數(shù)下的網(wǎng)絡(luò)均方誤差，挑選出最佳的神經(jīng)元節(jié)點(diǎn)數(shù)。通過對(duì)網(wǎng)絡(luò)訓(xùn)練輸出數(shù)據(jù)的降維可視散點(diǎn)圖的分析，可以發(fā)現(xiàn)網(wǎng)絡(luò)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(diǎn)，且該模型對(duì)震動(dòng)信號(hào)的識(shí)別準(zhǔn)確率平均能夠達(dá)到95%，且損失函數(shù)收斂快。

[參考文獻(xiàn)]

[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.