神经网络信号 基于BP神经网络的地震动信号识别.docx

神经网络信号 基于BP神经网络的地震动信号识别 摘 要：通过数据采集得到三种不同类型车辆的地振动信号，采纳小波消噪和特征提取，得到样本数据对神经网络进行训练，训练完成的神经网络就能实现车辆类型的识别。试验结果表明，BP神经网络对车辆目标具有较高的识别率，证明对地振动信号的特征提取方法是正确的，人工神经网络是有效的目标识别方法。关键词：BP神经网络； 小波变换； 目标识别； 数据融合中图分类号：TN91934 文献标识码：A 文章编号：1014373X(2022)10010103战场目标识别始终是重要的探讨课题，只用正确的识别目标，才能有效地采纳克敌制胜的方法。多年以来，科学家为探讨识别目标的方法，投入了大量的精力。最主要的方法是通过目标的外形进行识别，然而这很简单受到目标各种外形特征的影响，而且通过伪装和遮挡，大大增加了通过图像识别目标的难度。另外也可以通过采集目标运动产生的地振动信号对目标进行识别。不同类型地面目标行进产生的地振动信号具有不同的频率和能量特征1。通过数据采集得到这些信号，然后利用小波分析，得到地振动信号的特征向量，利用神经网络分类器完成目标识别2。由于全部的检测信号都来源于目标本身，不会由于放射侦测信号被目标识别，属于被动目标识别方法，大大增加了隐藏性。通过应用最新的信号分析处理方法和识别技术，能极大地提高识别效果和识别精确率。1 数据采集和信号处理1.1 测试系统组成整个测试系统包括振动传感器、电荷放大器、PXI数据采集仪。采集系统构成如图1所示。为了提高信号质量，在采集之前增加了滤波电路。全部的数据采集都是由PXI数据采集仪完成的。它来自地振动传感器的信号（频率较高）和频率为24.8 MHz的RF信号混合调制。为了减小杂波噪声，在量化的时候，通过一个低通滤波器将高于2 MHz的信号去除。PXI数据采集仪的内部包含数据采集卡，数据采集卡的采样频率为1 MHz，设定采样2 s的数据。采样得到的数据为WAV格式，能够通过外部音响播放出来。采样数据转换成MAT格式后，运用Matlab完成离线信号处理，包括解调和频谱计算。图1 测试系统构成1.2 信号消噪通过数据采集得到的信号通常包含各种噪声，必需将信号中的噪声信号去除。在实际工程中，有用信号通常表现为平稳信号，包含在低频部分，而噪声信号通常包含在高频部分。为此采纳小波降噪的方法，将高频部分滤除。小波降噪的原理是首先对信号进行小波分解，分解后噪声包含在高频重量中，通过门限阈值等形式对小波系数进行处理，然后对信号进行重构，即达到了小波降噪的目的3。小波降噪一般分为3个步骤：（1） 信号的小波分解。选择一个小波并确定分解的层次，然后进行分解运算。（2） 小波分解高频系数阈值量化。对各个分解尺度的高频系数选择一个阈值进行阈值量化处理。（3） 一维小波重构。依据小波分解的底层低频系数和各层高频系数进行一维小波重构。这三个步骤中，最重要的步骤是如何选取阈值和如何进行阈值量化，这干脆关系到信号消噪的质量4。本文采纳的是sym8小波进行了6层分解，并用Heursure软阈值进行小波系数阈值量化。通过对比原始信号(见图2)和滤波后信号（见图3）可以看出，滤波后的信号中包含的噪声信号明显削减了。这样就是削减了数据量，使后续的处理更便利，速度更快，结果更精确，从而达到最佳的识别效果。图2 原始信号图3 滤波信号2 人工神经网络2.1 人工神经网络人工神经网络（Artificial Neural Network，ANN），也称为神经网络，是由大量的神经元（Neurons）广泛连接组成的网络，是对人脑的抽象和模拟，实现人脑的基本功能。人工神经网络通过输入/输出数据调整参数、算法和结构模型，其自诞生至今，由于人工神经网络具有自学习实力和并行处理大量数据等特点，已经在智能限制和模式识别等领域得到越来越广泛的应用。尤其是基于误差信号反向传播（Error Back Propagation）的多层前馈网络(Multiplelayer Feedback Network)，简称BP神经网络，因其可以以随意精度靠近随意连续函数而广泛应用于函数靠近、模式识别等领域。BP神经网络一般有一个输入层，一个隐含层（有时有2个或者更多）和一个输出层5。输入层和输出层的神经元个数分别是输入层和输出层输入数据的维数，隐含层的层数和隐含层节点的个数要依据详细状况而定。BP神经网络模型如图4所示。图4 BP神经网络神经网络模型有n输入和m输出。假设k代表采样序列，则数学上神经网络模型代表输入Xk=(xk1,xk2,xkn)T和输出Yk=(yk1,yk2,ykm)T之间的非线性映射，有以下等式：Yk=g(W,Xk)式中：W=wij,i=1,2,Ni,j=1,2,Nj是一个权重矩阵反映层之间的连接；Ni和Nj分别代表i层和j层神经元数目。对神经网络模型的训练事实上就是利用训练样本计算权重矩阵W。训练完成的神经网络计算速度会很快，无论问题的困难程度如何6。2.2 信号特征重量提取在应用神经网络前，首先须要得到所要处理信号的特征重量，特征重量提取的好坏将干脆影响到神经网络分类器的精确度。基于小波变换的特征提取方法包括：基于小波变换的模极大值特征、基于小波分解的能量特征、基于小波包分解的熵特征和基于适用性小波网络的特征提取方法7。本文采纳的是基于小波分解的能量特征法来建立系统的特征向量。小波分解的优势是可以将信号分层绽开成多种频率，相当于用一个放大镜对信号进行视察。通过小波分解能得到信号的细微环节信息。一个进行了小波重构的样本信号如图5所示。小波分解后各频率范围信号的能量，包含了丰富的信息，可以通过“能量目标”建立一个映射关系，从而建立了系统的识别方法。详细为：通过A/D采样将信号采集后，进行6层小波分解；对小波分解后的系数进行重构，提取各频带范围内的信号；求各频带信号的总能量；构造特征向量。 第6页 共6页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页第 6 页 共 6 页