閆　巖，孫彩堂，周逢道，劉長(zhǎng)勝

（吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，吉林 長(zhǎng)春 130026）

BP神經(jīng)網(wǎng)絡(luò)曲線識(shí)別技術(shù)及在探雷上的應(yīng)用

閆巖，孫彩堂，周逢道，劉長(zhǎng)勝

（吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，吉林 長(zhǎng)春 130026）

提出一種基于BP神經(jīng)網(wǎng)絡(luò)的地雷識(shí)別方法，利用電磁探測(cè)方法測(cè)得的地雷響應(yīng)曲線對(duì)地雷進(jìn)行識(shí)別。首先分析BP神經(jīng)網(wǎng)絡(luò)對(duì)4類常見曲線（正弦波、方波、鋸齒波、梯形波）的識(shí)別效果，通過改變隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)算法等網(wǎng)絡(luò)參數(shù)以及對(duì)正常曲線加入一定比例的噪聲，仿真分析它們對(duì)曲線識(shí)別的影響。實(shí)驗(yàn)結(jié)果表明：該方法對(duì)正常曲線的識(shí)別率幾乎均達(dá)到100%，對(duì)于噪聲＜10%的信號(hào)也具有較高的識(shí)別能力。將該技術(shù)應(yīng)用于地雷的識(shí)別中，取得比較好的識(shí)別效果。

BP神經(jīng)網(wǎng)絡(luò)；曲線識(shí)別；網(wǎng)絡(luò)參數(shù)；識(shí)別率；地雷識(shí)別

0　引　言

目前，地雷探測(cè)仍是世界性的難題，很多國(guó)家的科研人員都在研究新的探雷方法。在軍事戰(zhàn)爭(zhēng)和戰(zhàn)后的清理工作中，探測(cè)并識(shí)別出地雷對(duì)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(shù)[1]、基于時(shí)頻原子分解的探雷方法[2]等。近年來，隨著曲線識(shí)別技術(shù)的發(fā)展，基于曲線匹配的識(shí)別應(yīng)用逐漸增多，如Huang等[3]用歸一化的電磁感應(yīng)光譜曲線與目標(biāo)譜相匹配算法自動(dòng)識(shí)別地雷，吻合度達(dá)90%；Lee等[4]用Bezier曲線擬合的方法分析表情進(jìn)而識(shí)別人的情緒；Shangguan等[5]基于GSR（galyanic skin response）信號(hào)的曲線擬合方法實(shí)現(xiàn)對(duì)人情感的識(shí)別；Huang等[6]利用高斯函數(shù)和正弦函數(shù)擬合的方法實(shí)現(xiàn)了對(duì)無線電發(fā)射機(jī)“指紋”的識(shí)別。

BP（back propagation）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的分支之一。1986年Rumelhart等提出誤差反向傳播的學(xué)習(xí)機(jī)制，此后，經(jīng)過研究人員不斷改進(jìn)與完善，使其具有強(qiáng)大的數(shù)據(jù)識(shí)別和模擬功能，在預(yù)測(cè)分析、故障診斷、模式識(shí)別等領(lǐng)域得到實(shí)際應(yīng)用[7-9]。

吉林大學(xué)研制出了基于電磁探測(cè)方法的地雷探測(cè)系統(tǒng)，采集的數(shù)據(jù)是地下目標(biāo)在一定頻率下的電磁響應(yīng)，為此本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別曲線方法，并將其應(yīng)用到地雷識(shí)別中，取得了一定的效果。

1　基于BP神經(jīng)網(wǎng)絡(luò)的曲線識(shí)別

BP神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，具有強(qiáng)大的計(jì)算能力，理論上可以近似表達(dá)任意一種復(fù)雜的映射，它具有大規(guī)模并行處理、自學(xué)習(xí)和自適應(yīng)能力、較強(qiáng)的魯棒性和容錯(cuò)性等特點(diǎn)。

BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

圖1　BP算法流程圖

2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及識(shí)別模型的建立

2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

采用3層BP神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)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(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.2識(shí)別模型的建立

BP神經(jīng)網(wǎng)絡(luò)模型的建立過程如下：

1）輸入和輸出定義。網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為21，分別代表一個(gè)周期內(nèi)曲線的21個(gè)離散點(diǎn)；輸出層有4個(gè)節(jié)點(diǎn)，分別代表4類不同的曲線，輸出節(jié)點(diǎn)的輸出值取值范圍為[0，1]。在本文所有實(shí)驗(yàn)中，如果4個(gè)輸出節(jié)點(diǎn)中輸出結(jié)果有且僅有一個(gè)值≥0.8，且其他3個(gè)值均＜0.4，則認(rèn)為輸入的是對(duì)應(yīng)的曲線；否則，認(rèn)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(xùn)練樣本和測(cè)試樣本，本文分別采用如下方法生成仿真曲線，并對(duì)它們進(jìn)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(wǎng)絡(luò)參數(shù)設(shè)定。隱含層傳輸函數(shù)采用雙曲正切S形函數(shù)，其輸出范圍為-1~1；輸出層選用對(duì)數(shù)S形函數(shù)作為傳輸函數(shù)，輸出范圍為0~1，兩種函數(shù)表達(dá)式分別為

式中k為常數(shù)。

在本文所有實(shí)驗(yàn)中，學(xué)習(xí)率取0.01，訓(xùn)練目標(biāo)誤差取10-5。

3　實(shí)驗(yàn)分析

為了驗(yàn)證算法的有效性，進(jìn)行了3組實(shí)驗(yàn)：1）識(shí)別標(biāo)準(zhǔn)曲線；2）識(shí)別加入10%～50%高斯噪聲的曲線；3）改變隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)算法，分析它們對(duì)識(shí)別率的影響。在3組實(shí)驗(yàn)中，4種曲線都采用200個(gè)訓(xùn)練樣本和50個(gè)測(cè)試樣本。所有實(shí)驗(yàn)中，都訓(xùn)練并測(cè)試30次，然后計(jì)算識(shí)別率的平均值，作為最終的識(shí)別率。

圖3　樣本波形

3.1理想曲線識(shí)別

本文首先利用標(biāo)準(zhǔn)曲線作為訓(xùn)練樣本和測(cè)試樣本，實(shí)驗(yàn)分析了BP神經(jīng)網(wǎng)絡(luò)的曲線識(shí)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(jī)選取200個(gè)樣本作為訓(xùn)練集，采用OSS算法作為學(xué)習(xí)算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)定為30；

2）其余的樣本作為測(cè)試集，將它們輸入1）獲得的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識(shí)別，記錄識(shí)別結(jié)果。

識(shí)別結(jié)果見表1，可以看出，BP神經(jīng)網(wǎng)絡(luò)對(duì)不加噪聲的標(biāo)準(zhǔn)曲線識(shí)別率可達(dá)100%。

表1　測(cè)試集不加噪聲和加入不同水平的高斯噪聲曲線識(shí)別率對(duì)比　%

3.2高斯噪聲對(duì)曲線識(shí)別的影響分析

為了分析噪聲對(duì)識(shí)別效果的影響，本文在待識(shí)別曲線中加入10%，15%，20%，30%和50%的高斯噪聲，進(jìn)行了實(shí)驗(yàn)分析，采用的學(xué)習(xí)算法和隱含層節(jié)點(diǎn)數(shù)同3.1。識(shí)別結(jié)果見表1的3～7列，可以看出，加入噪聲會(huì)對(duì)各曲線識(shí)別率產(chǎn)生不利影響。隨著噪聲水平的增加，各曲線識(shí)別率會(huì)不同程度地降低。其中正弦波受噪聲的影響最大，當(dāng)加入15%噪聲時(shí)，其識(shí)別率只有66%；而方波和梯形波受噪聲影響相對(duì)較小，當(dāng)加入20%噪聲時(shí)，其識(shí)別率也可達(dá)90%。

3.3網(wǎng)絡(luò)參數(shù)對(duì)曲線識(shí)別的影響分析

影響B(tài)P神經(jīng)網(wǎng)絡(luò)穩(wěn)定性和泛化能力的因素有很多，改變某個(gè)特定的參數(shù)也可能會(huì)對(duì)識(shí)別能力產(chǎn)生影響。本文分別通過改變隱含層節(jié)點(diǎn)數(shù)和采用不同的學(xué)習(xí)算法，對(duì)標(biāo)準(zhǔn)曲線進(jìn)行了相應(yīng)實(shí)驗(yàn)。

3.3.1隱含層節(jié)點(diǎn)數(shù)對(duì)曲線識(shí)別的影響分析

在隱含層節(jié)點(diǎn)數(shù)影響分析實(shí)驗(yàn)中，隱含層節(jié)點(diǎn)數(shù)分別取5，10，20，30，40，其識(shí)別結(jié)果如表2所示?？梢钥闯觯涸陔[含層節(jié)點(diǎn)數(shù)為30時(shí)，各曲線識(shí)別率幾乎都可達(dá)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(shí)的天光，已然亮開。

表2　不同隱含層節(jié)點(diǎn)數(shù)對(duì)應(yīng)的曲線識(shí)別率　%

3.3.2學(xué)習(xí)算法對(duì)曲線識(shí)別的影響分析

在隱含層節(jié)點(diǎn)影響分析的基礎(chǔ)上，隱含層節(jié)點(diǎn)數(shù)取30，其他參數(shù)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(chǔ)量和計(jì)算量；2）SCG（scaled conjugate gradient）算法，即量化共軛梯度算法，它運(yùn)用了模型信任區(qū)間逼近原理，可以避免搜索方向計(jì)算的耗時(shí)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(jìn)行權(quán)值修正時(shí)，僅僅用到偏導(dǎo)的符號(hào)，而幅值卻不影響權(quán)值的修正，權(quán)值大小的改變?nèi)Q于與幅值無關(guān)的修正值；4）GDX算法，即變學(xué)習(xí)率的動(dòng)量梯度BP算法，該算法可以使學(xué)習(xí)率根據(jù)局部誤差曲面做出相應(yīng)的調(diào)整。實(shí)驗(yàn)結(jié)果如圖4所示，由圖可知，4種學(xué)習(xí)算法對(duì)曲線識(shí)別率都較高，其中OSS算法的識(shí)別率最高。

圖4　不同學(xué)習(xí)算法對(duì)應(yīng)的曲線識(shí)別率

4　用BP神經(jīng)網(wǎng)絡(luò)方法識(shí)別地雷

吉林大學(xué)研制了電磁探雷系統(tǒng)（見圖5）。該系統(tǒng)由發(fā)射系統(tǒng)（主要由發(fā)射機(jī)和發(fā)射線圈組成）和接收系統(tǒng)（主要由接收線圈和接收機(jī)組成）兩部分組成。其中，發(fā)射機(jī)產(chǎn)生不同頻率的激勵(lì)信號(hào)，加載到發(fā)射線圈，從而產(chǎn)生交變磁場(chǎng)。地下介質(zhì)感應(yīng)產(chǎn)生二次場(chǎng)，接收線圈探測(cè)感應(yīng)磁場(chǎng)的變化，將該信號(hào)轉(zhuǎn)化成電信號(hào)并由接收機(jī)采集。

圖5　電磁探雷系統(tǒng)示意圖

采集得到的數(shù)據(jù)是地下介質(zhì)在不同頻率下的響應(yīng)，對(duì)它們進(jìn)行預(yù)處理，可以得到對(duì)應(yīng)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(guī)則的，但是通過不同條件下多次采集數(shù)據(jù)來看，不同類型的地雷所對(duì)應(yīng)的I、Q曲線有所不同，而同類型地雷對(duì)應(yīng)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(jīng)網(wǎng)絡(luò)函數(shù)功能強(qiáng)大并具有模糊判斷的特點(diǎn)，可以滿足對(duì)地雷特征曲線的識(shí)別要求。因此，可以用BP神經(jīng)網(wǎng)絡(luò)方法識(shí)別地雷。

根據(jù)BP網(wǎng)絡(luò)識(shí)別算法流程，首先將I、Q曲線的數(shù)據(jù)進(jìn)行歸一化處理，然后對(duì)處理的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最后對(duì)地雷特征曲線進(jìn)行識(shí)別，進(jìn)而判斷地雷的種類。

實(shí)驗(yàn)中將兩種地雷庫(kù)（GLD111庫(kù)和GLD160庫(kù)）作為數(shù)據(jù)集。其中，GLD111庫(kù)和GLD160庫(kù)中分別由4個(gè)不同深度（2，4，6，8cm），每個(gè)深度對(duì)應(yīng)25組，共計(jì)200組的I、Q曲線組成。在實(shí)驗(yàn)過程中，將地雷庫(kù)中曲線分成訓(xùn)練集和測(cè)試集兩個(gè)部分。從GLD111庫(kù)和GLD160庫(kù)中分別隨機(jī)選取40組，且每個(gè)深度中選取10組作為測(cè)試集。采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用OSS學(xué)習(xí)算法、輸入層節(jié)點(diǎn)數(shù)為20，輸出節(jié)點(diǎn)數(shù)為2，隱層節(jié)點(diǎn)數(shù)為15。計(jì)算曲線的識(shí)別率，統(tǒng)計(jì)結(jié)果見表3。

表3　地雷庫(kù)在不同深度的識(shí)別率　%

由表可知，采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)地雷曲線的識(shí)別率可達(dá)到75%~90%，識(shí)別率較高；另外可以看出，隨著地雷埋深的增加，曲線識(shí)別率有所降低，這是由于地雷埋深的增加會(huì)導(dǎo)致曲線的形態(tài)發(fā)生變化，但OSS學(xué)習(xí)算法的識(shí)別率仍然在可以接受的范圍內(nèi)。因此采用BP神經(jīng)網(wǎng)絡(luò)方法識(shí)別地雷有一定的應(yīng)用價(jià)值。

5　結(jié)束語(yǔ)

本文研究了BP神經(jīng)網(wǎng)絡(luò)基本原理及算法并通過實(shí)驗(yàn)仿真的手段將其應(yīng)用于正弦波、方波、鋸齒波和梯形波4類常見曲線的識(shí)別。

通過對(duì)正常曲線及對(duì)其加入不同水平的噪聲、改變網(wǎng)絡(luò)參數(shù)（如隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)算法）等進(jìn)行了仿真實(shí)驗(yàn)，得出如下結(jié)論：

1）對(duì)4類正常曲線的識(shí)別率幾乎均可達(dá)到100%。

2）高斯噪聲對(duì)曲線的識(shí)別率影響實(shí)驗(yàn)表明：當(dāng)噪聲水平＜10%時(shí)，對(duì)4類曲線識(shí)別率仍然能達(dá)到80%以上。

3）能夠根據(jù)所提供的數(shù)據(jù)較好地識(shí)別出地雷。但對(duì)于一些因環(huán)境等因素影響嚴(yán)重的曲線，該識(shí)別方法可能會(huì)不再適用。

嘗試將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于地雷的識(shí)別，結(jié)果表明：對(duì)地雷曲線的識(shí)別率可達(dá)75%~90%，識(shí)別率較高，具有一定的應(yīng)用價(jià)值。

[1]王馳，于瀛潔，李醒飛.一種基于聲-地震耦合的室內(nèi)聲波探雷實(shí)驗(yàn)系統(tǒng)[J].天津大學(xué)學(xué)報(bào)，2011，44（1）：79-84.

[2]施云飛，宋千，金添，等.基于時(shí)頻原子分解的地雷目標(biāo)特征提取及分類[J].國(guó)防科技大學(xué)學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)漏鋼預(yù)測(cè)系統(tǒng)優(yōu)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(xué)青年基金項(xiàng)目（450060445672）

閆巖（1987-），男，吉林長(zhǎng)春市人，碩士研究生，專業(yè)方向?yàn)閿?shù)據(jù)處理與模式識(shí)別。