BP-神经网络曲线识别技术及在探雷上的应用

BP神经网络曲线识别技术及在探雷上的应用闫岩袁孙彩堂袁周逢道袁刘长胜（吉林大学仪器科学与电气工程学院，吉林长春130026）摘要院提出一种基于BP神经网络的地雷识别方法袁利用电磁探测方法测得的地雷响应曲线对地雷进行识别遥首先分析BP神经网络对4类常见曲线渊正弦波尧方波尧锯齿波尧梯形波冤的识别效果袁通过改变隐含层节点数尧学习算法等网络参数以及对正常曲线加入一定比例的噪声袁仿真分析它们对曲线识别的影响遥实验结果表明院该方法对正常曲线的识别率几乎均达到100%袁对于噪声约10%的信号也具有较高的识别能力遥将该技术应用于地雷的识别中袁取得比较好的识别效果遥关键词院BP神经网络曰曲线识别曰网络参数曰识别率曰地雷识别文献标志码院A文章编号院1674-5124渊2016冤03-0090-04CurverecognitiontechnologybasedonBPneuralnetworkanditsapplicationinlandminedetectionYANYan，SUNCaitang，ZHOUFengdao，LIUChangsheng（CollegeofInstrumentScienceandElectricalEngineering，JilinUniversity，Changchun130026，China）Abstract:ThispaperisaboutawaytodetectlandminesbasedonBPneuralnetwork，putitmorespecifically，landminesaredetectedvialandmineresponsecurvesacquiredbyelectromagneticdetection.First，ittestedtherecognitioneffectofBPneuralnetworkuponfourcommoncurvesnamelysinewave，squarewave，sawtoothwaveandtrapezoidalwave;second，simulationexperimentsarecarriedouttoseehowthesecurvesareaffectedbychangingthenetworkparameterssuchasthenumberofhiddenlayernodesandlearningalgorithmsaswellasbyaddingacertainproportionofnoiseinnormalcurves.Experimentalresultsshowthattherecognitionrateofallnormalcurvesis100%andthatofthesignalswithnoiselessthan10%isalsohigh.Thistechnologyhasbeenappliedtodetectlandminesandproducedgoodresults.Keywords:BPneuralnetwork；curverecognition；networkparameter；recognitionrate；landminedetection收稿日期院2015-04-13曰收到修改稿日期院2015-05-15基金项目院吉林大学青年基金项目渊450060445672冤作者简介：闫岩渊1987-冤袁男袁吉林长春市人袁硕士研究生袁专业方向为数据处理与模式识别遥0引言目前袁地雷探测仍是世界性的难题袁很多国家的科研人员都在研究新的探雷方法遥在军事战争和战后的清理工作中袁探测并识别出地雷对于避免无辜伤亡具有重要意义遥探雷的方法有很多袁如基于声-地震耦合原理的声波共振探雷技术[1]尧基于时频原子分解的探雷方法[2]等遥近年来袁随着曲线识别技术的发展袁基于曲线匹配的识别应用逐渐增多袁如Huang等[3]用归一化的电磁感应光谱曲线与目标谱相匹配算法自动识别地雷袁吻合度达90%曰Lee等[4]用Bezier曲中国测试CHINAMEASUREMENT&TESTVol.42No.3March，2016第42卷第3期2016年3月doi院10.11857/j.issn.1674-5124.2016.03.021第42卷第3期线拟合的方法分析表情进而识别人的情绪曰Shang鄄guan等[5]基于GSR渊galyanicskinresponse冤信号的曲线拟合方法实现对人情感的识别曰Huang等[6]利用高斯函数和正弦函数拟合的方法实现了对无线电发射机野指纹冶的识别遥BP渊backpropagation冤神经网络是人工神经网络的分支之一遥1986年Rumelhart等提出误差反向传播的学习机制袁此后袁经过研究人员不断改进与完善袁使其具有强大的数据识别和模拟功能袁在预测分析尧故障诊断尧模式识别等领域得到实际应用[7-9]遥吉林大学研制出了基于电磁探测方法的地雷探测系统袁采集的数据是地下目标在一定频率下的电磁响应袁为此本文提出了基于BP神经网络的识别曲线方法袁并将其应用到地雷识别中袁取得了一定的效果遥1基于BP神经网络的曲线识别BP神经网络是一种前馈神经网络袁具有强大的计算能力袁理论上可以近似表达任意一种复杂的映射袁它具有大规模并行处理尧自学习和自适应能力尧较强的鲁棒性和容错性等特点遥BP神经网络的算法流程如图1所示遥2BP神经网络结构设计及识别模型的建立2.1BP神经网络结构设计采用3层BP神经网络模型袁其结构如图2所示遥其中袁x1袁噎袁xm为输入向量袁y1袁y2袁噎袁yn为输出层输出向量遥2.2识别模型的建立BP神经网络模型的建立过程如下院1冤输入和输出定义遥网络的输入层节点数为21袁分别代表一个周期内曲线的21个离散点曰输出层有4个节点袁分别代表4类不同的曲线袁输出节点的输出值取值范围为[0袁1]遥在本文所有实验中袁如果4个输出节点中输出结果有且仅有一个值逸0.8袁且其他3个值均约0.4袁则认为输入的是对应的曲线曰否则袁认为输入曲线不是4类曲线中的任何一种遥2冤样本生成遥为了得到4类曲线的训练样本和测试样本袁本文分别采用如下方法生成仿真曲线袁并对它们进行采样袁代表不同的样本院淤正弦波院改变曲线的幅度和初始相位曰于锯齿波院改变曲线的幅度和斜率曰盂方波院改变曲线的幅度和占空比曰榆梯形波院改变曲线的幅度和占空比遥生成的4类曲线样本如图3所示遥3冤网络参数设定遥隐含层传输函数采用双曲正切S形函数袁其输出范围为-1~1曰输出层选用对数S形函数作为传输函数袁输出范围为0~1袁两种函数表达式分别为f渊x冤=1-e-x1+e-x渊1冤f渊x冤=11+e-kx渊2冤式中k为常数遥在本文所有实验中袁学习率取0.01袁训练目标误差取10-5遥3实验分析为了验证算法的有效性袁进行了3组实验院1冤识别标准曲线曰2冤识别加入10%耀50%高斯噪声的曲线曰3冤改变隐含层节点数和学习算法袁分析它们对识别率的影响遥在3组实验中袁4种曲线都采用200个训闫岩等：BP神经网络曲线识别技术及在探雷上的应用开始初始化给定输入向量和目标输出向量计算隐含层尧输出层各单元的输出调整权值求目标输出与实际输出的平方误差e渊i冤误差满足要求钥是否求隐含层和输出层权值改变量结束图1BP算法流程图左左左x1xm输入层隐含层输出层y1y2yn图23层BP神经网络模型结构91中国测试2016年3月练样本和50个测试样本遥所有实验中袁都训练并测试30次袁然后计算识别率的平均值袁作为最终的识别率遥3.1理想曲线识别本文首先利用标准曲线作为训练样本和测试样本袁实验分析了BP神经网络的曲线识别性能袁具体步骤如下院1冤利用2.2中的样本生成方法袁生成不含噪声的样本袁每种曲线从中随机选取200个样本作为训练集袁采用OSS算法作为学习算法袁对BP神经网络模型进行训练袁隐含层节点数根据经验定为30曰2冤其余的样本作为测试集袁将它们输入1冤获得的神经网络模型进行识别袁记录识别结果遥识别结果见表1袁可以看出袁BP神经网络对不加噪声的标准曲线识别率可达100%遥3.2高斯噪声对曲线识别的影响分析为了分析噪声对识别效果的影响袁本文在待识别曲线中加入10%袁15%袁20%袁30%和50%的高斯噪声袁进行了实验分析袁采用的学习算法和隐含层节点数同3.1遥识别结果见表1的3耀7列袁可以看出袁加入噪声会对各曲线识别率产生不利影响遥随着噪声水平的增加袁各曲线识别率会不同程度地降低遥其中正弦波受噪声的影响最大袁当加入15%噪声时袁其识别率只有66%曰而方波和梯形波受噪声影响相对较小袁当加入20%噪声时袁其识别率也可达90%遥3.3网络参数对曲线识别的影响分析影响BP神经网络稳定性和泛化能力的因素有很多袁改变某个特定的参数也可能会对识别能力产生影响遥本文分别通过改变隐含层节点数和采用不同的学习算法袁对标准曲线进行了相应实验遥3.3.1隐含层节点数对曲线识别的影响分析在隐含层节点数影响分析实验中袁隐含层节点数分别取5袁10袁20袁30袁40袁其识别结果如表2所示遥可以看出院在隐含层节点数为30时袁各曲线识别率几乎都可达100%遥3.3.2学习算法对曲线识别的影响分析在隐含层节点影响分析的基础上袁隐含层节点数取30袁其他参数与3.1相同遥分别采用了以下4种BP算法院1冤OSS渊onestepsecant冤算法袁即一步割线算法袁它可以减少存储量和计算量曰2冤SCG渊scaledcon鄄jugategradient冤算法袁即量化共轭梯度算法袁它运用了模型信任区间逼近原理袁可以避免搜索方向计算的耗时问题曰3冤RPROP渊resilientback-propagation冤算法袁即弹性BP算法袁该算法可以消除梯度幅度的不利影响袁在进行权值修正时袁仅仅用到偏导的符号袁而波形不加噪声10%噪声15%噪声20%噪声30%噪声50%噪声正弦波10080.3166.3054.3135.8224.87方波10096.4394.4990.6480.2568.67锯齿波99.9591.2885.2379.7670.3658.42梯形波10098.3692.3790.3575.4155.94表1测试集不加噪声和加入不同水平的高斯噪声曲线识别率对比%波形隐含层节点数510203040正弦波100100100100100方波100100100100100锯齿波95.6798.6799.3399.9599.33梯形波100100100100100表2不同隐含层节点数对应的曲线识别率%图3样本波形-101-4-2024时间/ms渊a冤正弦波-4-2024时间/ms-101渊b冤方波01.0-4-2024时间/ms0.5渊d冤梯形波渊c冤锯齿波-101-4-2024时间/ms92第42卷第3期幅值却不影响权值的修正袁权值大小的改变取决于与幅值无关的修正值曰4冤GDX算法袁即变学习率的动量梯度BP算法袁该算法可以使学习率根据局部误差曲面做出相应的调整遥实验结果如图4所示袁由图可知袁4种学习算法对曲线识别率都较高袁其中OSS算法的识别率最高遥4用BP神经网络方法识别地雷吉林大学研制了电磁探雷系统渊见图5冤遥该系统由发射系统渊主要由发射机和发射线圈组成冤和接收系统渊主要由接收线圈和接收机组成冤两部分组成遥其中袁发射机产生不同频率的激励信号袁加载到发射线圈袁从而产生交变磁场遥地下介质感应产生二次场袁接收线圈探测感应磁场的变化袁将该信号转化成电信号并由接收机采集遥采集得到的数据是地下介质在不同频率下的响应袁对它们进行预处理袁可以得到对应的同相分量I尧正交分量Q曲线袁如图6所示遥地雷特征曲线是不规则的袁但是通过不同条件下多次采集数据来看袁不同类型的地雷所对应的I尧Q曲线有所不同袁而同类型地雷对应的I尧Q曲线趋于一致遥该类曲线虽有别于前面提到的4类常见曲线袁但BP神经网络函数功能强大并具有模糊判断的特点袁可以满足对地雷特征曲线的识别要求遥因此袁可以用BP神经网络方法识别地雷遥根据BP网络识别算法流程袁首先将I尧Q曲线的数据进行归一化处理袁然后对处理的数据进行网络训练袁最后对地雷特征