一种基于压缩观测的运动目标高效识别方法与流程

1.本发明涉及运动目标识别领域，特别是涉及一种基于压缩观测的运动目标高效辨识方法。


背景技术：

2.边境监测是维护国土安全和行使领土主权所采取的必要形式。无人值守震动传感系统为边境地区的监控提供了一种自动化的手段，应用该技术可节约大量的人力和物力。此外，震动感知属于非视距传感，不受地形地貌因素的限制。因此，震动传感在运动目标识别方面具有独特优势。对于目标分类任务而言，机器学习是迄今为止最为广泛使用的方法。如果机器学习分类器的输出是噪声或干扰，则传感系统直接忽略该可疑事件。相反，如果判定该异常事件是由预警目标所产生，则传感系统输出相应的分类结果，并做出预警响应。根据人工智能领域的发展，机器学习逐步从浅层机器学习过渡到深度学习。浅层机器学习的计算效率较高，但它难以提取时变震动信号的深层非线性关系，这也是导致其分类准确率不高的重要原因。深度学习是一种新的机器学习方法，克服了传统机器学习手动特征提取的固有缺点。作为端到端的逼近模型，深度学习可以自动提取并分类运动目标震动信号在各个特征域上的特征。然而，基于深度学习的目标分类方法大多未考虑震动信号的本质特征，只是通过不断加深神经网络的深度来提高分类准确率，这不但导致了复杂的推理计算，而且难以抵抗噪声的干扰。因此，如何根据震动信号的特点，设计高效、鲁棒的深度学习方法是目标分类任务的关键。


技术实现要素：

3.本发明的目的是提供一种基于压缩观测的运动目标高效识别方法，该方法直接使用压缩震动观测值来完成模式识别，不需要重构压缩数据。
4.为实现上述目的，本发明提供了如下方案：
5.一种基于压缩观测的运动目标高效识别方法，其特征在于：
6.获取运动目标引起的震动信号；
7.将运动目标引起的震动信号通过测量矩阵线性投影到压缩域上获得压缩震动观测值；
8.通过深度神经网络用于训练压缩震动观测值的局部稀疏表达、提取时序相关特征后分类特征向量，将在压缩域中推理震动观测值与各目标之间的对应关系并进行类别的输出。
9.进一步地：将运动目标引起的震动信号通过测量矩阵线性投影到压缩域上包括：
10.截取一段长度为n的原始信号x∈r
n
×
l
，所述原始信号自身是稀疏的，或者在某个正交基上稀疏；
11.采用一个满足限定等距性质条件的测量矩阵φ对震动信号进行压缩，获得长度为m的观测值y∈r
m
×
l
，用公式表示如下：
12.y＝φψs φn
13.式中，φ∈r
m
×
n
是测量矩阵，φψs为φx的稀疏表示，φx为有效信号的压缩分量，s为震动信号在稀疏字典上的稀疏稀疏，ψ为震动信号的稀疏字典，m/n被定义为观测比，而n/m被定义为压缩比，x为原始信号，n为噪声分量，测量矩阵满足m＜＜n。
14.进一步地：所述测量矩阵为压缩比为4的bernoulli矩阵。
15.进一步地：所述深度神经网络包括级联而成的空间特征提取层、时序记忆层和特征分类层，分别通过卷积神经网络、门控循环单元和带softmax激活函数的全连接神经网络实现。
16.进一步地：所述空间特征提取层由一维cnn来实现，包括三个卷积层，三个最大池化层和三个批归一化层，在三个卷积层中，包括第一层的大尺寸卷积核、第二层的卷积核、第三层的卷积核，卷积核的数量分别为16、32和64，尺寸分别为12
×
1、5
×
1和3
×
1，且所有卷积内核的步幅均为1，第一层的大尺寸卷积核捕捉到尺寸较大、频率变化较慢的震动特征，第二的卷积核和第三层的卷积核用于提取尺寸较小、频率变化较快的震动特征，在每一次的卷积之后和激活之前，空间特征提取层都采用批归一化层来提高模型的收敛速度。
17.进一步地：所述时序记忆层提取震动观测值的空间形态特征在时序上的依赖关系，使用gru来填充时序记忆层，提取震动信号的时间依赖关系，包含8个gru，对空间特征提取层提取的震动特征进行选择性保留和对先前记忆的选择性清除。
18.进一步地：所述特征分类层将时序记忆层的输出向量输入到一个密集连接分类器网络中，含有5个神经元并利用softmax函数激活。
19.本发明直接使用压缩震动观测值来完成模式识别，不需要重构压缩数据，该方法中的压缩观测运算可以去除原始数据中的冗余部分，同时还能压制噪声能量。本技术中震动深度神经网络可以提取压缩观测值的空间拓扑关系和时序依赖关系，并实现准确、高效和鲁棒的特征分类。通过在sitex02数据集和无线地震仪采集的数据集上的测试结果表明，本技术借助少量的震动观测值就能获得较高的分类准确率。将计算速度提高了十倍，并且还能获得与之相当的分类准确率。实验结果还表明，本技术方法具有最强的抗干扰能力，模型最为稳定。
附图说明
20.图1为本发明的一种基于压缩观测的运动目标高效识别方法流程示意图；
21.图2为在测试集上的中位数结果。
具体实施方式
22.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
23.如附图1所示，一种基于压缩观测的运动目标高效识别方法。包括压缩震动信号观测值和分类震动信号观测值两个大步骤。在第一步骤，检测方法辨识出的采集信号的信号段数据被测量矩阵映射到一个压缩域。压缩观测运算极大地降低了输入数据的维度，同时还在一定程度上抑制了噪声的能量。在第二步骤，用于分类震动观测值的深度神经网络在压缩域中提取观测值的拓扑形态特征和时序分布特征，并完成震动数据流的准确、高效和
鲁棒的分类。
24.首先，在压缩震动信号观测值阶段，由于小部分非自适应的线性观测值(随机投影)包含了原始高维信号足够多的信息，所以使用压缩观测值方法。如果一段长度为n的原始信号x∈r
n
×
l
自身是稀疏的，或者在某个正交基上是稀疏的，则可以使用随机平稳的测量矩阵进行基于空间变换的压缩采样。采用一个满足限定等距性质(rip)条件的测量矩阵φ对其进行压缩，可以获得长度为m的观测值y∈r
m
×
l
用用公式表示如下：
25.y＝φψs φn
26.式中，φ∈r
m
×
n
是测量矩阵，φψs为φx的稀疏表示，φx为有效信号的压缩分量，s为震动信号在稀疏字典上的稀疏稀疏，ψ为震动信号的稀疏字典，m/n被定义为观测比，而n/m被定义为压缩比，x为原始信号，n为噪声分量，测量矩阵满足m＜＜n。
27.当以下两个条件满足时，观测值y∈r
m
×
l
可被精确恢复成原始信号x∈r
n
×
l
，即
28.(1)x是一个稀疏向量；
29.(2)φ满足限定等距性质(restricted isometric property,rip)条件。
30.且测量矩阵为压缩比为4的bernoulli矩阵。
31.这意味着低维观测值继承了或者说包涵了原始高维信号中的特征信息，至少是大部分信息。对于使用震动信号的运动目标分类而言，震动信号是稀疏的，且被满足rip条件的测量矩阵映射到压缩域，那么在处理分类任务时可以自然地使用低维的压缩观测值来替代原始高维的信号。压缩观测是提高模型计算效率和抵抗噪声干扰能力的关键，运动目标引起的震动信号首先被测量矩阵线性投影到压缩域上，无需恢复压缩数据，在大幅压缩原始信号尺寸的同时，保留了绝大部分的震动信息，还能压制噪声能量。
32.其次，在提取和分类震动观测值的深度学习模型方面，不是盲目地加深隐藏层的深度，而是根据震动信号的本质特点设计了一个面向压缩震动观测值的深度神经网络。由空间特征提取层、时序记忆层和特征分类层三部分级联而成，实现这三个功能层的神经网络为卷积神经网络(cnn)、门控循环单元(gru)和带softmax激活函数的全连接神经网络。这三个功能层分别用于训练震动观测值的局部稀疏表达、提取时序相关特征、分类特征向量。此外，在时序记忆层的后端，使用dropout正则化来提高泛化能力。以震动观测值的局部特征和时序相关性为切入点，在压缩域中推理震动观测值与各目标之间的对应关系，最终把输入的观测值映射为类别输出。
33.在空间特征提取层方面，卷积神经网络能够基于复杂地质介质的速度模型预测反射和衍射，这使得神经网络可以完全预测不同速度模型下的波动力学模拟。神经网络方法可以从震动数据中学习有价值的信息，并且不依赖显式的物理方程。本发明利用卷积神经网络在震动信号特征提取中的这一特性，设计了一个空间特征提取层，主要作用是训练震动观测值内在的空间特征和稀疏性表达，从而为后续时序关系的提取提供基本的信息。空间特征提取层由一维cnn来实现，包括三个卷积层，三个最大池化层和三个批归一化层。在三个卷积层中，卷积核的数量分别为16、32和64，尺寸分别为12
×
1、5
×
1和3
×
1，且所有卷积内核的步幅均为1。第一层的大尺寸卷积核可以捕捉到尺寸较大、频率变化较慢的震动特征。第二、三层的卷积核用于提取尺寸较小、频率变化较快的震动特征。在每一次的卷积之后和激活之前，空间特征提取层都采用批归一化来提高模型的收敛速度。
34.在时序记忆层方面，获取到震动观测值的空间形态特征后，还需要提取其在时序
上的依赖关系。因此，这就要求模型具备一定的状态记忆功能。当信号通过网络的正向传播模仿震动波场通过异构介质时，相关的循环神经网络的训练过程即是波形反演的一种形式。由此可见，循环神经网络具有提取震动信号时序关系的强大能力。通过使用gru来填充时序记忆层，以此提取震动信号的时间依赖关系。该时序记忆层包含8个gru，gru在基础的循环神经网络中加入了更新门和重置门，实现了对震动特征的选择性保留和对先前记忆的选择性清除，从而更加有效地提取特征。
35.在特征分类层方面，作为分类震动观测值的深度神经网络的输出，特征分类层由一个全连接神经网络构成。特征分类层将时序记忆层的输出向量输入到一个密集连接分类器网络中。由于本发明中的研究将动物运动诱导的震动信号与背景噪声归为同一类，所以sdl模型的输出层的用于完成5个类别震动特征的辨识。因此，特征分类层是一个含有5个神经元的全连接神经网络，并利用softmax函数激活。
36.本发明收集了6类震动信号，其中5类由运动目标诱导(六旋翼飞行器、农业履带车、轮式越野车、人和小型犬)，第6类为天然背景场的震动噪声信号。
37.在一实施例中，首先，将两个不同季节，6个不同目标的数据收集整理的数据命名为jl数据集。对jl数据进行预处理，包括去除直流偏置、归一化和标准样本生成三个步骤。消除直流分量是对jl数据预处理的第一步。jl数据是由4个震动传感系统所收集，因此首先应当先滤除这4个传感系统中的直流偏置。第二步，执行归一化处理，将所有的数据片段调整至相同的能量量级。jl数据集中每个类别的信噪比极差都比较大，在幅值上相差几个量级。因此，需要对这些数据进行归一化处理。所有采集的数据片段都用长度为1000的帧(1s)来划分，信号段数据被测量矩阵映射到一个压缩域，并以此生成标准样本。因此，每个标准样本都包含了1000个时序样点。经过上述预处理，获得了5个类别的标准样本集，且每个类别的样本数相同，为3000个。将这15000(5
×
3000)个标准样本按照0.6、0.2和0.2的比例划分成训练集、验证集和测试集。
38.然后，建立无压缩观测的震动深度神经网络。在jl数据集上评估其分类识别性能，使用测试集数据来测试训练后的模型。为了避免随机因素，选择15次独立重复实验的中位数结果来讨论。模型在测试集上的中位数结果(混淆矩阵)如图2所示。通过统计计算，无压缩观测的识别分类jl数据的总体准确率为98.34％。对于单个类别的分类准确率而言，sdl模型对履带车、无人机和噪声的分类准确率非常高(>99％)，对人和轮式车也实现了不错的分类性能，分类准确率分别为95.24％和97.28％。
39.基于压缩观测震动数据集阶段，测量矩阵对不同形式的数据有不同的编码方式，因此仍然需要对测量矩阵的观测性能进行评估。这里选用五种测量矩阵来进行对比实验，分别是gauss矩阵、bernoulli矩阵、sparse random矩阵、topelitz矩阵和fourier矩阵。同样地，将压缩比(cr)设置为1～12来验证各个测量矩阵的观测性能。每个测量矩阵在不同压缩比下都独立重复10次实验，这10次重复实验结果的平均值作为最终准确率。在五类测量矩阵的观测下，使用压缩观测带来的影响是：损失了小幅度的准确率但换取了大幅提升的计算效率。在这五类测量矩阵中，bernoulli矩阵展现出了最佳的性能，它几乎在各个压缩比都获得了最高的准确率和最低的标准差。因此，bernoulli矩阵被确定为分类jl数据时的最优测量矩阵。出于平衡分类准确率和计算效率的考虑，最终选择4为bernoulli矩阵的压缩比。在该情况下，基于压缩观测的运动目标高校识别方法准确率为94.43％，计算一个样
本的时间仅为0.59ms。最终参数设定见表1：
40.表1
41.