劉亞雷, 于艷美, 孟春寧

(1.公安海警學(xué)院 機電管理系,浙江　寧波　315801; 2.寧波大學(xué) 科學(xué)與技術(shù)學(xué)院,浙江　寧波　315801)

?

基于粒子群神經(jīng)網(wǎng)絡(luò)的聲目標(biāo)識別系統(tǒng)設(shè)計研究

劉亞雷1, 于艷美2, 孟春寧1

(1.公安海警學(xué)院 機電管理系,浙江寧波315801; 2.寧波大學(xué) 科學(xué)與技術(shù)學(xué)院,浙江寧波315801)

為了提高聲目標(biāo)的自動識別率，開展了基于粒子群神經(jīng)網(wǎng)絡(luò)算法的聲目標(biāo)識別系統(tǒng)設(shè)計研究。首先給出了試驗中粒子群優(yōu)化算法的初始參數(shù)及算法流程；其次，分別設(shè)計了包含電源硬件、信號調(diào)理、鐵電存儲器、觸發(fā)以及通信接口等電路的聲目標(biāo)識別硬件電路；最后，通過聲信號采集試驗及系統(tǒng)樣機的制定，開展了目標(biāo)識別試驗研究，試驗結(jié)果驗證了聲目標(biāo)識別系統(tǒng)的有效性及穩(wěn)定性。

聲目標(biāo);粒子群優(yōu)化;識別系統(tǒng);樣機；識別系統(tǒng)；識別率

0　引　言

聲目標(biāo)識別是智能交通系統(tǒng)的重要任務(wù)，具有重要的學(xué)術(shù)價值，同時將產(chǎn)生巨大的社會及經(jīng)濟效益[1]。在軍事領(lǐng)域如何對各種輪式車輛、履帶式車輛等進行分類識別，對現(xiàn)代戰(zhàn)爭中的地面?zhèn)刹?、?zhàn)場態(tài)勢感知、威脅評估、指揮決策及精確打擊具有重要價值[2]。目前，對于民用聲目標(biāo)的探測識別主要采用光學(xué)手段[3],而對于軍事聲目標(biāo)的探測識別技術(shù)有聲探測[4-5]、地震波探測[6]以及電磁波探測[7]三種。其中聲探測技術(shù)具有隱蔽性好、可全天候工作、沒有雷達(dá)等工作盲區(qū)、系統(tǒng)結(jié)構(gòu)簡單、成本低廉及體積小等優(yōu)勢被廣泛應(yīng)用。上海交通大學(xué)針對復(fù)雜背景條件下聲目標(biāo)的自動識別問題，設(shè)計了一種基于模糊綜合評判的聲目標(biāo)識別系統(tǒng)[8]，南京理工大學(xué)根據(jù)戰(zhàn)場典型目標(biāo)聲信號的特性，設(shè)計了基于DSP和小波變換的戰(zhàn)場聲目標(biāo)快速識別系統(tǒng)[9]。隨著電子技術(shù)的發(fā)展，聲目標(biāo)識別系統(tǒng)趨向于小型化及快速化，本文設(shè)計了一種基于粒子群神經(jīng)網(wǎng)絡(luò)算法的聲目標(biāo)識別系統(tǒng)及試驗樣機，通過試驗分析了該樣機對于坦克、直升機目標(biāo)識別的有效性及穩(wěn)定性。

1　粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法

粒子群神經(jīng)網(wǎng)絡(luò)是粒子群優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)相互混合的一種神經(jīng)網(wǎng)絡(luò)模型[10]。本文給出了試驗中粒子群優(yōu)化算法的初始參數(shù)及算法流程，同時在試驗中與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法進行了對比分析。

1.1粒子群優(yōu)化算法的初始參數(shù)設(shè)置

本文涉及的粒子群優(yōu)化算法參數(shù)設(shè)置如下：

(1) 粒子數(shù)目。粒子數(shù)目越多，提高了系統(tǒng)的搜索時間，增加了計算量，但是，使得擴大了搜索空間的范圍，易于得到全局最優(yōu)解，本文結(jié)合前期的試驗分析，粒子數(shù)目取值為30。

(2) 粒子范圍。粒子范圍由具體優(yōu)化問題決定，本文試驗中粒子的范圍為問題參數(shù)取值范圍。

(3) 粒子最大速率。粒子最大速率決定了粒子在一次飛行中可以移動的最大距離。本文試驗分析中，粒子最大速率設(shè)置為：vmax=kxmax中的k=0.5。

(4) 學(xué)習(xí)因子。c1、c2表示粒子受社會知識和個體認(rèn)知的影響程度，設(shè)定為相同值以給兩者同樣的權(quán)重c1=c2=2。

(5) 算法終止條件。通常，粒子群優(yōu)化算法的終止條件設(shè)置為達(dá)到最大迭代次數(shù)或者滿足一定的誤差準(zhǔn)則。

(6) 適應(yīng)度函數(shù)。本文試驗分析中直接把目標(biāo)函數(shù)作為適應(yīng)度函數(shù)。

1.2粒子群優(yōu)化算法流程

粒子群優(yōu)化算法的算法流程如下：

(1) 依照初始化過程，對粒子群的隨機位置和速度進行初始設(shè)定；

(2) 計算每個粒子的適應(yīng)值；

(3) 對于每個粒子，將其適應(yīng)值與所經(jīng)歷過的最好位置的適應(yīng)值進行比較，若較好，則將其作為當(dāng)前的最好位置；

圖1　粒子群優(yōu)化算法基本流程圖

(4) 對于每個粒子，將其適應(yīng)值與全局所經(jīng)歷的最好位置的適應(yīng)值進行比較，若最好，則將其作為當(dāng)前的全局最好位置；

(5) 根據(jù)迭代方程式(1)和式(2)對粒子的速度和位置進行進化；

(6) 如未達(dá)到結(jié)束條件(通常為足夠好的適應(yīng)值或達(dá)到預(yù)設(shè)最大代數(shù))，則返回步驟(2)，該算法程序流程圖如圖1所示。

2　聲目標(biāo)識別硬件系統(tǒng)設(shè)計

2.1聲目標(biāo)識別系統(tǒng)組成

圖2　聲目標(biāo)識別系統(tǒng)功能框圖

圖2所示為聲目標(biāo)識別系統(tǒng)組成圖。該系統(tǒng)描述了聲信號的采集、信號存儲以及信號處理等功能。由圖可知，對于聲目標(biāo)識別系統(tǒng)而言，主要包含了電源硬件電路、信號調(diào)理電路、數(shù)據(jù)采集電路、存儲電路以及系統(tǒng)觸發(fā)電路幾個模塊。各個模塊在芯片的控制下完成信號預(yù)處理、特征提取和分類識別過程。

2.2系統(tǒng)硬件電路設(shè)計

(1) 電源硬件電路設(shè)計

圖3　電源硬件電路原理圖

本文設(shè)計的聲目標(biāo)識別系統(tǒng)工作模式分為低功耗工作模式和識別工作模式，在低功耗工作模式下，只是維持系統(tǒng)的正常運動，使系統(tǒng)不斷電，識別工作模式是在采集到信號后啟動。因此，系統(tǒng)需要兩種供電，分別是1.8 V和3.3 V。系統(tǒng)內(nèi)核供電主要由1.8 V電源提供，而I/O引腳供電由3.3 V電源提供。這樣設(shè)計的優(yōu)點是減少了電平轉(zhuǎn)換電路，從而使得I/O口直接和外部的低壓器件連接。如圖3所示為電源硬件模塊原理圖。為了維持電壓的穩(wěn)定，在電源引腳上接有電容。15 V電源經(jīng)過電平轉(zhuǎn)換芯片換成5 V電源，之后將5 V電源再次經(jīng)過轉(zhuǎn)換為3.3 V及1.8 V。

(2) 信號調(diào)理電路

圖4　信號調(diào)理電路

本文設(shè)計的信號調(diào)理電路包含兩個模塊，一個是信號放大電路，另一個為濾波電路。在實際的信號采集環(huán)境中，由于環(huán)境噪聲的干擾以及系統(tǒng)內(nèi)部的電磁干擾影響，使得信號存在著一定的誤差，嚴(yán)重的時候可能導(dǎo)致信號失真。信號調(diào)理電路的功能是提高聲信號的信噪比。設(shè)計放大電路主要是由于本系統(tǒng)的A/D轉(zhuǎn)換由系統(tǒng)內(nèi)部芯片完成，對于輸入電壓的范圍為在0～3 V，因此，需要對聲信號的進行適當(dāng)?shù)恼{(diào)整。如圖4所示，為信號調(diào)理電路硬件設(shè)計圖。

(3) 鐵電存儲器

圖5　鐵電存儲電路

聲識別中需要的信號樣本量較大，僅僅依賴于芯片內(nèi)存不能滿足實際的應(yīng)用需求，因此，本文設(shè)計了存儲器模塊。該模塊采用FM25L256芯片作為存儲器，其存儲容量為256 kB，頻率高達(dá)25 MHz，同時還滿足了RAM對數(shù)據(jù)讀和寫的速度。如圖5所示，為系統(tǒng)存儲器硬件電路模塊。

(4) 觸發(fā)電路

圖6　觸發(fā)電路

為了降低系統(tǒng)的誤判率，提高系統(tǒng)的效能，本系統(tǒng)設(shè)計了觸發(fā)電路模塊。如圖6所示，為本文設(shè)計的觸發(fā)電路模塊。模塊用于觸發(fā)A/D轉(zhuǎn)換開關(guān)，實現(xiàn)系統(tǒng)對信號的采集。只有當(dāng)輸入電壓達(dá)到一定的電平范圍后，才會觸發(fā)后續(xù)的數(shù)據(jù)采集電路。將輸入信號電壓和兩個電壓比較器進行電壓比較，如果電壓在兩個電壓比較器確定的正負(fù)范圍內(nèi)，則通過邏輯或門觸發(fā)采集電路，系統(tǒng)開始數(shù)據(jù)采集并完成數(shù)據(jù)存儲。如輸入信號電壓較低，說明周圍聲音信號不高，目標(biāo)沒有出現(xiàn)，系統(tǒng)處于待機狀態(tài)，等待觸發(fā)，以節(jié)省電源。

3　試驗分析

3.1聲目標(biāo)識別信號采集試驗

圖7　裝置位置圖

圖8　測試傳聲器陣列與聲源相對位置圖

聲目標(biāo)識別試驗樣機采用雙層PCB板設(shè)計。本次試驗采用四元聲傳感器組成直徑為1 m的圓形陣列，試驗過程中信號的采樣頻率為62.5 kHz，量程為10 V。本課題組前期分別采集了坦克、直升機的聲信號，試驗采用音響播放的方式模擬聲目標(biāo)，試驗裝置位置布置如圖7所示，具體試驗步驟如下：

(1) 將傳聲器陣列置于非同一波陣面內(nèi)，傳聲器與聲源相對位置按照圖8所示，其中B平面為四元傳感器(1、2、3、4)布置圓形平面，圓形陣列直徑為1 m。

(2) 在靜止聲陣列對面的1#-11#的聲源固定位置，對信號進行采集；

(3) 在靜止聲陣列對面的1#-11#位置勻速移動聲源，對信號進行采集；

(4) 在靜止聲陣列對面的1#-11#位置隨意移動聲源，速度不一，對信號進行采集。

3.2聲目標(biāo)識別結(jié)果分析

基于粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，分別在靜止?fàn)顟B(tài)、勻速運動狀態(tài)及機動狀態(tài)下選擇聲信號樣本總數(shù)為：20、25、30、35、40、45、50，分別對坦克和直升機目標(biāo)進行了識別試驗。試驗結(jié)果以樣機中的目標(biāo)類型指示燈信號為依據(jù)進行統(tǒng)計。同時，為了驗證粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的有效性，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法進行了對比。表1所示，為直升機與坦克目標(biāo)試驗樣機的識別結(jié)果。

(1) 聲識別系統(tǒng)試驗樣機有效性分析。由表1 可知，無論是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法還是粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法應(yīng)用在本試驗樣機中，其對坦克的識別率保持了在66.7%以上，對直升機目標(biāo)的識別率保持了在73.3%以上，特別是結(jié)合本文的粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，坦克的識別率保持了在75%以上，對直升機目標(biāo)的識別率保持了在84%以上，從而證實了無論基于傳統(tǒng)的理論算法，還是基于改進的算法中，本文設(shè)計的聲識別系統(tǒng)試驗樣機能夠有效完成對聲目標(biāo)識別，而且能夠保證識別結(jié)果的有效。

表1　直升機和坦克試驗樣機的識別結(jié)果

(2) 聲識別系統(tǒng)試驗樣機穩(wěn)定性分析。由表1 可知，基于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，對于坦克目標(biāo)，隨著樣本總數(shù)的增加，識別率保持在66.7%～72%，平均識別率為68.8%，識別率方差為1.75%；對于直升機目標(biāo)，隨樣本總數(shù)的增加，識別率保持在73.3%～80%，平均識別率為75.3%，識別率方差為2.2%；從而可以看出，本聲目標(biāo)識別試驗樣機在基于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法中，識別率的波動程度較少，系統(tǒng)穩(wěn)定。而在基于粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法中，對于坦克目標(biāo)，隨著樣本總數(shù)的增加，識別率保持在75%～88.6%，平均識別率為83.5%，識別率方差為4.12%；對于直升機目標(biāo)，隨樣本總數(shù)的增加，識別率保持在84%～91.1%，平均識別率為87.3%，識別率方差為2.35%；同理可知，試驗樣機的識別率的波動程度較少，系統(tǒng)穩(wěn)定。但是從識別率波動程度分析，由于基于粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法計算復(fù)雜，計算量大，因此，相應(yīng)的試驗樣機識別率的波動程度也增加。

(3) 不同目標(biāo)的識別率分析。由表1可知，無論是基于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法還是基于粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，聲目標(biāo)識別試驗樣機對直升機目標(biāo)的識別率高于對坦克目標(biāo)的識別率，這主要與聲源的傳播路徑相關(guān)。從聲信號的傳播分析，與直升機目標(biāo)相比，坦克目標(biāo)到聲陣列的距離要遠(yuǎn)低于直升機到聲陣列的距離，因此，直升機聲源更滿足于點聲源的條件。從聲信號的采集分析，坦克聲信號經(jīng)過地面的反射以及環(huán)境噪聲干擾強，采集到的聲源信號信噪比低，因此，坦克目標(biāo)的識別率低，從另一個角度分析，提高聲源信號的信噪比，可以提高對聲目標(biāo)的識別率。

4　結(jié)束語

本文在軟硬件設(shè)計的基礎(chǔ)上，完成了基于粒子群神經(jīng)網(wǎng)絡(luò)算法的聲目標(biāo)識別系統(tǒng)樣機的組裝與調(diào)試，并以坦克、直升機目標(biāo)為對象對試驗樣機的有效性及穩(wěn)定性進行了實測驗證?；跍y試結(jié)果可知，該系統(tǒng)對于坦克目標(biāo)識別率保持在75%～88.6%，平均識別率為83.5%，識別率方差為4.12%；對于直升機目標(biāo)，識別率保持在84%～91.1%，平均識別率為87.3%，識別率方差為2.35%，試驗結(jié)果驗證了本文設(shè)計的聲目標(biāo)識別系統(tǒng)的有效性及穩(wěn)定性。

[1] 李開明,張群口,羅迎，等.地面車輛目標(biāo)識別研究綜述[J].電子學(xué)報，2014,3(3)：538-546.

[2] RAVICHANDRAN B, GANDLHE AVINASH. Robust automatic target recognition using learning classifier systems[J]. Information Fusion, 2007,8(3):252-265.

[3] 劉怡光.車輛識別若干基礎(chǔ)算法與技術(shù)研究[D].成都:四川大學(xué),2004.

[4] KIM ARILD STEEN,JAMES H. MCCLELLAN,OLE GREEN， et al. Acoustic source tracking in long baseline microphone arrays[J].Applied Acoustics,2015,1(87):38-45.

[5] 呂艷新，孫書學(xué)，顧曉輝. 基于EMD的和能量比的戰(zhàn)場聲目標(biāo)分類與識別[J].振動與沖擊，2008，11(27)：51-55，61.

[6] 張珊珊,熊曉軍,賀振華.基于地震資料的煤層識別方法及其應(yīng)用[J].科學(xué)技術(shù)與工程,2015,15(6):21-25.

[7] 徐欣,王建宏.基于目標(biāo)優(yōu)先級的增量式雷達(dá)輻射源信號參數(shù)識別方法[J].科學(xué)技術(shù)與工程,2015,15(15):55-60

[8] 吉小軍,施文康,張國偉.聲目標(biāo)模糊模式識別系統(tǒng)及原理樣機實現(xiàn)[J].上海交通大學(xué)學(xué)報,2003,11(37):1728-1731.

[9] 唐海峰,李豪杰,張河.采用DSP和小波變換的戰(zhàn)場聲目標(biāo)快速識別系統(tǒng)[J].兵工學(xué)報,2003,24(2):273-276.

[10] 呂艷新.被動聲目標(biāo)識別理論研究[D].南京:南京理工大學(xué),2011.

Design Research of an Acoustic Target Recognition System Based on the Particle Swarm Neural Network

LIU Ya-lei1, YU Yan-mei2, MENG Chun-ning1

(1. Department of Electromechanical Management, China Maritime Police Academy, Ningbo Zhejiang 315801, China;2. College of Science and Technology, Ningbo University, Ningbo Zhejiang 315801, China)

In order to raise automatic recognition rate for acoustic targets, design research is carried out on the acoustic target recognition systems based on the particle swarm neural network algorithm. First, this paper gives initial parameters and algorithm procedure for the experiment on the particle swarm optimization algorithm. Second, it designs hardware circuits for acoustic target recognition, including circuits of power hardware, signal conditioning, FRAM, trigger and communication interface. Finally, through the experiment on acoustic target acquisition and making of the system prototype, we have made experimental research on target recognition. The experimental results validate the effectiveness and stability of the acoustic target recognition system.

acoustic target;particle swarm optimization;recognition system;prototype; recognition rate

國家自然科學(xué)青年基金項目 (61401105) 資助，浙江省自然科學(xué)基金資助(LY15E09004)

10.3969/j.issn.1000-3886.2016.02.035

TP391.4

A

1000-3886(2016)02-0115-04

劉亞雷，(1984-)，湖南永州人，講師/博士，主要研究領(lǐng)域：聲目標(biāo)識別、定位及跟蹤技術(shù)。于艷美，(1985-)，山東濱州人，助教/碩士，主要研究領(lǐng)域：聲信號處理。孟春寧，(1985-)，山東濟寧人，講師/博士，主要研究領(lǐng)域：目標(biāo)識別技術(shù)、圖像處理。

定稿日期: 2015-07-09