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

(1 廣西民族大學(xué) 信息科學(xué)與工程學(xué)院， 南寧 530006； 2 廣西高校復(fù)雜系統(tǒng)與智能計(jì)算重點(diǎn)實(shí)驗(yàn)室， 南寧 530006；3 廣西邊海防委員會(huì)辦公室， 南寧 530028)

引言

沿邊境地區(qū)是中國對(duì)外開放的重要門戶，是國家重要的戰(zhàn)略資源儲(chǔ)備基地和安全屏障，邊境管控在國防安全和國民經(jīng)濟(jì)社會(huì)發(fā)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(gè)國家毗鄰，區(qū)域面積200萬平方公里，分布有45個(gè)少數(shù)民族。沿邊境地區(qū)地形復(fù)雜，山嶺連綿，谷深坡陡，崎嶇不平，溝壑交錯(cuò)，氣候多變。在邊境一線，除有國家級(jí)、省級(jí)海關(guān)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(nèi)社會(huì)經(jīng)濟(jì)的飛速發(fā)展與進(jìn)步，走私、販毒、內(nèi)潛外逃等問題卻仍可探察到活動(dòng)發(fā)生之跡象，傳統(tǒng)的小分隊(duì)定時(shí)、定點(diǎn)巡邏方式已不適應(yīng)當(dāng)前的形勢(shì)，邊境管控面臨著日趨嚴(yán)峻的考驗(yàn)[1-4]。

依托信息獲取和集成融合的現(xiàn)代無線傳感技術(shù)，建立事件精確位置和相關(guān)信息、管控智能的邊境嚴(yán)防體系，在邊境地區(qū)進(jìn)行有針對(duì)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(jiān)控等組成無線傳感網(wǎng)絡(luò)，利用人工智能技術(shù)對(duì)獲取的信息進(jìn)行智能分析和處理，協(xié)助邊境管理部門加強(qiáng)邊境管控，滿足“事前預(yù)警、目標(biāo)跟蹤、事件處置”的要求，探索和推進(jìn)邊境管控智能化工作，實(shí)現(xiàn)人流、物流、信息流由粗放管理向精細(xì)化、智能化、標(biāo)準(zhǔn)化、自動(dòng)化遠(yuǎn)程管理的轉(zhuǎn)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(tǒng)的信息獲取及預(yù)處理

無線傳感網(wǎng)絡(luò)(Wireless Sensor Network，WSN)是由大量靜止或移動(dòng)的傳感器以自組織和多跳的方式構(gòu)成的無線網(wǎng)絡(luò)，協(xié)作地感知、采集、處理和傳輸網(wǎng)絡(luò)覆蓋地理區(qū)域內(nèi)被感知對(duì)象的信息，并且再將這些信息(位置、時(shí)間等)發(fā)送給網(wǎng)絡(luò)的所有者[5]。無線傳感網(wǎng)絡(luò)廣泛應(yīng)用于國防、軍事、工業(yè)、農(nóng)業(yè)、商業(yè)、智能交通、環(huán)境監(jiān)控、醫(yī)療衛(wèi)生等多個(gè)領(lǐng)域，在攸關(guān)國計(jì)民生等諸多方面發(fā)揮著全局基礎(chǔ)性的影響與作用[6-14]。

傳感器將欲探測(cè)對(duì)象的信息由非電量轉(zhuǎn)換成電量輸出。一般由敏感元件、轉(zhuǎn)換元件、轉(zhuǎn)換電路、信號(hào)調(diào)理電路組成，可將被監(jiān)測(cè)的物體或區(qū)域的信息通過傳感器轉(zhuǎn)換成電信號(hào)。如利用熱釋電人體紅外傳感器探測(cè)通道是否有人通過，光纖振動(dòng)傳感器可將監(jiān)測(cè)的振動(dòng)信號(hào)記錄下來，再輔以一定的特征分析，可判斷是人、動(dòng)物或其他物體(機(jī)動(dòng)車)等的振動(dòng)。研究可得設(shè)計(jì)結(jié)構(gòu)如圖1所示。

圖1 傳感器原理圖Fig. 1 Sensor schematic

無線傳感節(jié)點(diǎn)由傳感器、無線通信芯片、微處理器、電源等組成，與傳統(tǒng)的單純傳感器相比，增加了微處理器和無線通信芯片，能夠?qū)Λ@取的傳感信息進(jìn)行簡單的分析處理和無線網(wǎng)絡(luò)傳輸。無線傳感網(wǎng)絡(luò)由傳感節(jié)點(diǎn)、無線通信網(wǎng)絡(luò)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(shù)據(jù)處理單元和通信模塊的傳感節(jié)點(diǎn)，各節(jié)點(diǎn)通過協(xié)議自組成一個(gè)分布式網(wǎng)絡(luò)，再將采集來的數(shù)據(jù)通過優(yōu)化后經(jīng)無線電波傳輸給信息處理中心。

在邊境管控?zé)o線傳感網(wǎng)絡(luò)系統(tǒng)傳回的信息中有很多是本地居民正常工作、生活的相關(guān)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(mào)易等，還有諸如大型動(dòng)物(野豬等)經(jīng)過傳感器傳回的信號(hào)等，如果不對(duì)這些信號(hào)進(jìn)行智能處理，則管控系統(tǒng)的預(yù)警信號(hào)的誤報(bào)率會(huì)呈數(shù)量級(jí)上升，使邊防人員疲于奔命，但卻收效極微。因此必須對(duì)接收到的信號(hào)提供必要的預(yù)處理，將大量傳感數(shù)據(jù)實(shí)現(xiàn)分類記錄處理，整體流程如圖2所示。再將得到的結(jié)果用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型進(jìn)行綜合分析判斷，提取非正常穿越邊境行為特征(隱藏在時(shí)間、跨境路線、地點(diǎn)等信息后面的深層特征)。旨在提升信息的價(jià)值含量，減少誤報(bào)率，使邊防人員的攔截和檢查有的放矢，提高有效性和針對(duì)性。

圖2 邊境管控系統(tǒng)傳感信息預(yù)處理流程圖

Fig.2Frontiermanagementsystemsensorinformationpre-processingflowchart

2 邊境管控系統(tǒng)的智能化信息處理

人的活動(dòng)都遵循一定的規(guī)律，具有一定的特征，對(duì)于大量的群體活動(dòng)，其特征更為明顯，特別是用大數(shù)據(jù)記錄下其活動(dòng)后，經(jīng)過人工智能的數(shù)據(jù)分析處理，能更深入刻畫其本質(zhì)，掌握其規(guī)律。神經(jīng)網(wǎng)絡(luò)是在生物功能啟示下建立起來的一種數(shù)據(jù)處理技術(shù)。這是由大量簡單神經(jīng)元互連而構(gòu)成的一種計(jì)算結(jié)構(gòu)，在某種程度上模擬生物神經(jīng)系統(tǒng)的工作過程，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)性和學(xué)習(xí)能力、非線性映射能力、魯棒性和容錯(cuò)能力，因而具備解決實(shí)際問題的應(yīng)用優(yōu)勢(shì)[15-19]。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig. 3 Schematic diagram of artificial neural network structure

圖3中，xj表示輸入層第j個(gè)信息(坐標(biāo)、時(shí)間、天氣狀況等)(j=1，…，M)；wij表示隱含層第i個(gè)節(jié)點(diǎn)到輸入層第j個(gè)節(jié)點(diǎn)之間的權(quán)值；θi表示隱含層第i個(gè)節(jié)點(diǎn)的閾值；φ(x)表示隱含層的激勵(lì)函數(shù)；wki表示輸出層第k個(gè)節(jié)點(diǎn)到隱含層第i個(gè)節(jié)點(diǎn)之間的權(quán)值(i=1，…，q)；ak表示輸出層第k個(gè)節(jié)點(diǎn)的閾值(k=1，…，L)；ψ(x)表示輸出層的激勵(lì)函數(shù)；ok表示輸出層第k個(gè)節(jié)點(diǎn)的輸出；TK表示第k個(gè)節(jié)點(diǎn)的期望輸出，在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，期望輸出為對(duì)應(yīng)的信息分類。

人工神經(jīng)網(wǎng)絡(luò)對(duì)邊境傳感信息的處理包括2個(gè)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(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。隱含層第i個(gè)節(jié)點(diǎn)的輸入neti的數(shù)學(xué)表述為:

(1)

隱含層第i個(gè)節(jié)點(diǎn)的輸出yi的計(jì)算公式為：

(2)

輸出層第k個(gè)節(jié)點(diǎn)的輸入netk的數(shù)學(xué)公式可表示為：

(3)

輸出層第k個(gè)節(jié)點(diǎn)的輸出ok的對(duì)應(yīng)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(jì)算各層神經(jīng)元的誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閾值，使得修改后網(wǎng)絡(luò)的最終輸出能接近期望值Tk。

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δwki，輸出層閾值的修正量Δak，隱含層權(quán)值的修正量Δwij，隱含層閾值的修正量Δθi，η為學(xué)習(xí)速率，研究得到其公式為：

(5)

經(jīng)過化簡整理，最后得到輸出層和隱含層的權(quán)值、閾值調(diào)整公式分別為:

(6)

(7)

wki·φ′(neti)·xj

(8)

wki·φ′(neti)

(9)

人工神經(jīng)網(wǎng)絡(luò)的軟件設(shè)計(jì)流程如圖4所示。

圖4 人工神經(jīng)網(wǎng)絡(luò)程序流程圖Fig. 4 Artificial neural network program flow chart

3 實(shí)驗(yàn)

用Matlab對(duì)所述的傳感信息(坐標(biāo)、時(shí)間、天氣狀況等)進(jìn)行仿真實(shí)驗(yàn)。首先隨機(jī)產(chǎn)生5 000組實(shí)驗(yàn)數(shù)據(jù)，選擇中3 000組數(shù)據(jù)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練，其余2 000組數(shù)據(jù)用于測(cè)試。

測(cè)試的結(jié)果如圖5所示。從圖5中可以看出，測(cè)試樣本的分類結(jié)果幾乎與實(shí)際的分類情況相同，測(cè)試的準(zhǔn)確率為99.65%。因此用人工神經(jīng)網(wǎng)絡(luò)可以對(duì)傳感信息進(jìn)行有效的分類提升信息的價(jià)值含量，使邊防人員的攔截和檢查工作也隨即增強(qiáng)了可執(zhí)行性和目標(biāo)針對(duì)性。

圖5 人工神經(jīng)網(wǎng)絡(luò)分類測(cè)試效果圖Fig. 5 Artificial neural network classification test results

運(yùn)用Matlab研發(fā)得到的系統(tǒng)校驗(yàn)結(jié)果如圖6所示，橫軸為迭代次數(shù)，縱軸為方差。從圖6中可以看出，系統(tǒng)的最佳校驗(yàn)效果是在迭代10次時(shí)，方差為0.030 718，之后不再下降，保持在0.03附近，訓(xùn)練數(shù)據(jù)的方差則隨著迭代次數(shù)的增長而下降。究其原因就是系統(tǒng)是先用一部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練，需要對(duì)這部分?jǐn)?shù)據(jù)實(shí)現(xiàn)全擬合，故這部分?jǐn)?shù)據(jù)的方差隨著迭代次數(shù)增長而呈現(xiàn)下降，而測(cè)試和檢驗(yàn)數(shù)據(jù)則是根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的結(jié)構(gòu)進(jìn)行測(cè)試和檢驗(yàn)，故存在一定的誤差。

圖6 系統(tǒng)校驗(yàn)結(jié)果圖Fig. 6 System calibration results

對(duì)系統(tǒng)進(jìn)行多次測(cè)試，可得測(cè)試結(jié)果如圖7所示。從圖7中可以看出，雖然每次測(cè)試的準(zhǔn)確率不完全相同，但準(zhǔn)確率基本一致，且均在99%以上，由此可以得到，系統(tǒng)的穩(wěn)定性較好，可靠性較高。

圖7 系統(tǒng)測(cè)試次數(shù)與準(zhǔn)確率關(guān)系圖Fig. 7 Relation between system test times and accuracy

4 結(jié)束語

針對(duì)目前邊境管理部門難以監(jiān)控?cái)?shù)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?shù)叫畔⒅行模O(shè)計(jì)提出了一種人工神經(jīng)網(wǎng)絡(luò)對(duì)邊境傳感信息進(jìn)行分析處理，有效識(shí)別出異常邊境傳感信號(hào)，并生成報(bào)警提示，以便在邊境地區(qū)展開有針對(duì)性的檢查和攔截，提高邊境管控的水平和效率?？紤]到無線傳感網(wǎng)絡(luò)傳感器種類多、數(shù)目可觀，以及拾取的信息量巨大，如何從海量傳感數(shù)據(jù)中利用人工智能技術(shù)進(jìn)行高效挖掘，獲取更有價(jià)值的信息，則是未來下一步工作的研究重點(diǎn)。

[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(xué)術(shù)版), 2015(1):1-4.

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

[4] 央視網(wǎng). 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(wǎng)絡(luò)[M]. 北京:清華大學(xué)出版社, 2005.

[6] 石魯生, 朱慧博. 一種基于RSSI的區(qū)域重疊質(zhì)心室內(nèi)定位算法[J]. 智能計(jì)算機(jī)與應(yīng)用, 2017, 7(3):55-57.

[7] 尤政, 王偉忠, 陳碩,等. 無線MEMS傳感系統(tǒng)在燃?xì)廨啓C(jī)等惡劣環(huán)境下的應(yīng)用[J]. 航空學(xué)報(bào), 2014, 35(8):2081-2090.

[8] 羅路勝, 文春明. 基于ARM的無線溫濕度監(jiān)測(cè)控制系統(tǒng)[J]. 科技創(chuàng)新與應(yīng)用, 2016(13):26-27.

[9] 溫志渝, 溫中泉, 賀學(xué)鋒,等. 振動(dòng)式壓電發(fā)電機(jī)及其在無線傳感器網(wǎng)絡(luò)中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào), 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(wǎng)絡(luò)的β輻射監(jiān)測(cè)系統(tǒng)的實(shí)現(xiàn)[J]. 智能計(jì)算機(jī)與應(yīng)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(jīng)網(wǎng)絡(luò)理論研究進(jìn)展[J]. 電子學(xué)報(bào), 1996,24(1):70-74.

[16]熊偉晴, 燕曉波, 姜守旭,等. 基于BP神經(jīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)的短時(shí)交通流預(yù)測(cè)[J]. 智能計(jì)算機(jī)與應(yīng)用, 2015,5(2):43-46,51.

[17]文春明, 吳建生. 基于神經(jīng)網(wǎng)絡(luò)的智能教學(xué)系統(tǒng)學(xué)生模型設(shè)計(jì)[J]. 智能計(jì)算機(jī)與應(yīng)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.