江 虹,王新遠,王奉宇,李 進

(長春工業(yè)大學電氣與電子工程學院,吉林 長春 130012)

近年來,隨著光纖傳感技術的快速發(fā)展,以光纖傳感技術為基礎的周界安防系統(tǒng)以其探測精度高、響應快、節(jié)約能源、技術新穎等諸多技術優(yōu)勢成為周界入侵安防領域研究的熱點[1]。

光纖在外界受到擾動時,振動信號容易產生交叉敏感,使測量結果具有很強的非線性、不穩(wěn)定性和間歇性。為此,國內外研究者們進行了廣泛而深入的研究,提出了很多新穎有效的信號處理與識別方法。如基于時頻特征信號識別定位的方法[2]、基于小波變換的目標檢測方法[3]、基于神經網絡識別分類的方法[4]、基于支持向量機(SVM)目標識別的方法[5]等,這些方法雖然獲得了較高的識別率,但各自具有很強的局限性、不穩(wěn)定性,進而很難滿足實時處理的要求。

針對上述問題,提出一種改進的支持向量機(SVM)信號識別方法。該方法采用粒子群算法(PSO)對灰狼算法(GWO)作進一步的優(yōu)化,建立一種改進的灰狼優(yōu)化策略(PSO-GWO),并將PSO-GWO用于SVM模型的參數優(yōu)化。最后進行了仿真實驗,并與原始SVM模型、粒子群優(yōu)化的SVM模型(PSO-SVM)、遺傳算法優(yōu)化的SVM模型 (GA-SVM)進行比較,結果表明,該方法不僅具有良好的分類準確性,而且具有較高的靈敏度和特異性,優(yōu)于傳統(tǒng)的信號識別方法。

2 算法與原理

2.1 SVM

支持向量機(SVM)是一種分類算法,通過尋求結構化風險最小來提高學習機泛化能力,實現經驗風險和置信范圍的最小化,從而達到在統(tǒng)計樣本量較少的情況下,也能獲得良好統(tǒng)計規(guī)律的目的[6-7]。

(1)

在非線性情況下,決策函數可以表示如下:

(2)

一般來說,任何滿足的半正定函數Mercer條件可以用作內核函數,常用的核函數有四種,線性核函數:K(x,x*)=(x·x*)、多項式內核:(K(x,x*)=((x·x*)+1)d)、RBF內核:K(x,x*)=exp((-2γ)-1x-x*2)和sigmoid內核K(x,x*)=tan(v(x·x*)+c)。本文采用RBF內核作為SVM預測入侵信號的核函數,懲罰因子C和內核參數γ直接決定SVM的學習性能。

2.2 二進制灰狼優(yōu)化

灰狼優(yōu)化(GWO)是Mirjalili等人在2014年提出的元啟發(fā)式算法[8],它通過模仿了灰狼的種族領導和狩獵機制提出的,在GWO的每一次迭代中,有三種候選的解決方案被稱為是alpha,beta和delta,主導捕食行為。alpha被稱為最優(yōu)解,beta和delta被稱為次優(yōu)解,最底層的灰狼稱為omega,需要協助alpha,beta和delta來包圍,狩獵和攻擊獵物,找到更好的解決方案。

為了模擬灰狼的環(huán)繞行為,提出以下數學模型:

(3)

(4)

(5)

(6)

針對灰狼算法易陷入局部最優(yōu)這一問題,本文將粒子群算法融合到灰狼算法中去,從而改進該算法的尋優(yōu)性能。

2.3 二進制粒子群優(yōu)化(PSO)

粒子群優(yōu)化(PSO)首先由肯尼迪(Kennedy)和埃伯哈特(Eberhart)開發(fā)[9],PSO算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優(yōu)解。PSO的優(yōu)勢在于簡單容易實現并且沒有許多參數的調節(jié),目前已被廣泛應用于函數優(yōu)化、神經網絡訓練、模糊系統(tǒng)控制以及其他遺傳算法的應用領域[10]。在PSO中,每個粒子都被看作d維空間中的一個粒子,每一個粒子都有一個位置和速度,第i個粒子的位置向量表示為:Xi=(xi,1,xi,2,…,xi,d),其速度表示為:Vi=(vi,1,vi,2,…,vi,d)。其速度和位置的更新如下:

(7)

(8)

c1和c2是加權系數,較低的值允許粒子在被拉回之前可以在目標區(qū)域外徘徊,較高的值導致粒子突然地沖向或越過目標區(qū)域。此外,r1和r2是在[0,1]的范圍內均勻生成式(7)的隨機數,速度vi,j限制在[-vmax,vmax]。

為了特征選擇的目的,Kennedy和Eberhart[12]引入的二進制PSO被采用。在這個版本的PSO中,應用了Sigmoid函數將速度從連續(xù)空間轉換為概率空間:

(9)

速度更新方案在(7)中的除了xi,j,Pi,j,和Pg,j∈{0,1}保持不變,粒子可以在1和0之間以正概率傳輸,vmax用于限制vi,j。新粒子的位置按以下規(guī)律更新:

(10)

j=1,2,…,d

3 基于PSO-GWO-SVM分類算法

3.1 PSO-GWO-SVM模型

提出的PSO-GWO-SVM方法的設計流程見圖1,具體包括四個步驟。

圖1 PSO-GWO-SVM方法的流程圖

第一步,用K倍交叉驗證劃分特征空間,將樣本分為測試集和訓練集。

第二步,PSO用來生成信號的初始位置,GWO通過自適應搜索特征空間來選擇最佳特征組合,通過循環(huán)比較,獲得樣本的最優(yōu)特征子集。

第三步,最優(yōu)特征子集對訓練集和測試集進行特征篩選,對SVM分類器訓練,并得到最優(yōu)懲罰系數。

第四步,根據篩選后的測試集,應用SVM進行分類識別。

3.2 信號特征提取

在信號識別的過程中,合理的特征向量選取不僅可以降低識別類別的復雜度,還可以獲得高精度的識別率。本文中,通過小波閾值去噪對原始信號處理,然后應用小波包對濾波信號分解到三層,將時間閾的離散數據轉換為頻率閾的離散數據,并做歸一化處理。選擇七個能夠良好反映信號特征的頻帶,提取數字特征,計算每個頻段的能量。圖2給出了入侵信號提取過程。

圖2 入侵信號特征提取

4 實驗結果與分析

為了驗證算法的性能,我們選用CPU2.2GHz,4GB內存,Windows 7操作系統(tǒng)作為實驗平臺,應用臺灣大學林智仁副教授等人[11]開發(fā)的LIBSVM進行了仿真實驗。

實驗中,構建的樣本庫包括:冰雹、大風、噪聲三種環(huán)境特征和行人、小動物、小汽車三種入侵種類特征。每種提取10組數據,每組包含20個振動碎片,共60組,1200個振動碎片的數據進行分析。圖3給出了一組樣本庫特征圖,可以看出,不同種類的入侵信號特征向量分布完全不同。

圖3 一組樣本庫特征圖

4.1 實驗結果驗證

考慮到SVM中核函數兩個關鍵參數,選用的RBF內核的懲罰因子C和內核參數γ以指數倍增的方式增加,設定為{2-5,2-4,…,24,25}。SVM參數優(yōu)化結構及對應的預測準確率如圖4所示。

從圖4中可以看出,當SVM核函數的懲罰因子C和內核函數γ不斷變化過程中,樣本的識別準確率也相應不斷變化。采用交叉驗證和網格搜索尋優(yōu)得到,當C=25和γ=2-3時,SVM的參數配置效果最好,達到了97%的正確率。

文中使用10倍交叉驗證(CV)來評估分類精度,將60組數據分為10個子集。每次使用10個子集中的一個作為測試集,剩下的9個子集合在一起形成訓練集,由于數據集是任意分配的,只進行一次10倍CV不足以產生高精度分類準確性,因此,平均10次運行才能進行準確評估。所有的測試集是獨立的,實驗結束后取十次實驗的平均值作為實驗結果。表1列出了在PSO-GWO-SVM模型獲得的詳細結果。

表1 PSO-GWO-SVM獲得的詳細結果

注:Avg和Dev是指10倍CV結果的平均值和標準差。

從表1實驗結果可以看出,經過優(yōu)化后的SVM分類效果良好,十組實驗都實現了高精度的識別率,平均達到了96.40%的AUC、96.86%的準確率(ACC)、95.82%的靈敏度(SE)和96.31%的特異性(SP),能夠準確的識別環(huán)境噪聲信號和常見的越境信號,實現了在無環(huán)境噪聲干擾下對多種入侵信號的準確識別。同時獲得的標準偏差非常小,這表明PSO-GWO-SVM分類器具有很高的穩(wěn)定性。

4.2 對比實驗

為了驗證算法的有效性,還挑選了SVM、PSO-SVM、GA-SVM 、GWO-SVM四種方法一同進行了測試。并將五種方法實驗結果進行對比,對比取100次實驗結果的平均值。圖5、圖6清楚顯示了五種方法的性能比較結果。

圖5 五種方法獲得的ROC曲線

圖6 基于各種策略的SVM方法的演化過程

從圖5可以看出,相比原始SVM模型,各種方法優(yōu)化后的SVM模型在分類效果上都有了明顯的提高,整體上能夠逼近左上角,而PSO-GWO-SVM表現出了更好的分類性能。圖6清楚地顯示了分類器的時效性,GWO-SVM、PSO-SVM和GA-SVM分別需要63、75和62次迭代達到最大適應度。而相比其他參比的模型,本文提出PSO-GWO-SVM模型,僅需23次迭代就能實現最佳適應度,不僅顯著的提高了收斂速度,而且預測誤差低,預測結果的魯棒性更強。

5 結 論

本文提出了一種改進的SVM信號識別方法,建立了PSO-GWO-SVM分類器。對幾種典型的環(huán)境噪聲與越境信號進行擾動判別,并通過與傳統(tǒng)的入侵信號識別方法的對比試驗,驗證了所提出算法的優(yōu)越性與可行性。實驗結果表明,在識別周界入侵信號時,基于PSO-GWO-SVM算法的分類器獲得了96.86%的準確率、95.82%的靈敏度(SE)和96.31%的特異性,在準確判別的同時,還能精確地分辨不同擾動事件的模式,與傳統(tǒng)的機器學習方法相比,具有更高的識別精度、適應性和時效性。然而需要指出的是,如何應用算法于實時系統(tǒng)是今后需要進一步完善的地方。

[1] YE Qing,CAI Haiwen.Distributed fiber optic vibration sensing technology and its important security application[J].Science,2017,69(2):17-21.(in Chinese)

葉青,蔡海文.分布式光纖振動傳感技術及其重要安防應用[J].科學,2017,69(2):17-21.

[2] ZHU Chenghui,WANG Jianping,LI Qiyue,et all.Recognition and localization of intrusion vibration signal basedon time-frequency characteristics in optical fiber perimeter security[J].Chinese Journal of Lasers,2016,43(6):309-317.(in Chinese)

朱程輝,王建平,李奇越,等.基于時頻特征的光纖周界入侵振動信號識別與定位[J].中國激光,2016,43(6):309-317.

[3] ZHANG Xiaolu,LI Ling,XIN Yunhong.Adaptive multi-mode infrared small target detection based on wavelet transform [J].Laser & Infrared,2017,47(5):647-652..(in Chinese)

張曉露,李 玲,辛云宏.基于小波變換的自適應多模紅外小目標檢測[J].激光與紅外,2017,47(5):647-652.

[4] QIAN Muyun,YU Youlong.Research on tactile sensing of fiber bragg grating B ased on BP Neural Network[J].Chinese Journal of Lasers,2017,44(8):0806001.(in Chinese)

錢牧云,余有龍.基于BP神經網絡的光纖光柵觸覺傳感研究[J].中國激光,2017,44(08):0806001.

[5] ZHANG Difei,ZHANG Jinsuo,YAO Keming,et al.Infrared shi-target recognition based on SVM classification[J].Infrared and Laser Engineering,2016,45(1):179-184.(in Chinese)

張迪飛,張金鎖,姚克明,等.基于SVM分類的紅外艦船目標識別[J].紅外與激光工程,2016,45(1):179-184.

[6] H L Chen,B Yang,J Liu.A support vector machine classifer withrough set-based feature selection for breast cancer diagnosis[J].Expert Systemswith Applications,2011,38(7):9014-9022.

[7] H L Chen,D Y Liu,B Yang.A new hybrid method basedon local fsher discriminant analysis and support vector machines for hepatitis disease diagnosis[J].Expert Systems with Applications,2011,38(9):11796-11803.

[8] S Mirjalili,S M Mirjalili,A Lewis.Greywolf optimizer[J].Adcances in Engineering Software,2014,69:46-61.

[9] J Kennedy,R Eberhart.Particle swarm optim-azation[C].Proceedings of the IEEE International Conference on Neural Networks,1995:1942-1948.

[10] Y Zhang,S Wang,G Ji.A comprehensive survey on particle swarm optimizationalgorithm and Its applications[J].Mathematical Problems in Engineering,2015,(1):1-38.

[11] C C Chang,C J Lin.LIBSVM:a library for support vector machines[J].ACM transactions on Intelligent Systemsand Technology,2011,2(3):27.