程博

摘   要：針对入侵事件中的挖掘事件和人步行事件的识别，文章设计了一种Richer子波神经网络模型，用来识别由挖掘和人步行事件引起的震动信号的种类。实验中一共采用200个样本，其中120个作训练，80个作测试，通过分析网络训练输出数据的降维可视化散点分布，可以得到该模型训练输出的数据具有不同类间间隔大，同类间间隔小的特点，且该模型网络分类识别准确率最高可达96.25%，平均识别准确率约为95%。

关键词：入侵事件识别;挖掘;人步行;神经网络;Richer子波

传统的基于震动信号检测的入侵事件识别方法，主要是通过提取信号“精确”的特征，以实现对某些特定种类信号的识别，这种识别方法的模型泛化能力较差[1-2]。随着以神经网络为核心的深度学习算法通过对大量样本的学习，得到相应的分类模型，其对输入样本的特征精度没有要求，许多领域的研究人员在采用这种技术时都取得了不错的效果。其中，Peng等[3]通过分析采集得到的车辆和人员引起的震动信号的特征，并用提取多种特征组成特征向量，将特征向量输入到改进的网络模型（Back Propagation，BP）神经网络中进行分类，实验中平均识别准确率约为95%。Titos等[4]设计了一种用于火山地震识别的深度神经网络系统，以线性预测系数的组合特征向量和统计特性作为特征，针对7种不同种类的孤立地震事件进行识别，实验中平均识别准确率约为94.32%。

本文针对入侵事件中的挖掘和人步行事件的识别，设计了一种基于Richer子波（雷克子波）的神经网络模型。该模型是在小波神经网络的基础之上，设计的一种用于对震动信号进行分类识别的神经网络模型。实验结果表明，利用Richer神经网络对挖掘和人步行事件的识别准确率最高可达96%，且损失函数收敛快。

1    Richer子波神经网络结构

针对入侵事件中的挖掘和人步行事件的识别，本文设计的Richer子波神经网络是在“紧致型”小波神经网络的基础之上，采用Richer子波激活函数替代小波神经网络中的隐含层激活函数，并增加了必要的全连接隐含层，从而建立的一种用于处理震动信号的神经网络模型。具体的，在输入层之后紧跟的是两个隐含层，最后一层为全连接的输出层。Richer子波函数被认为第一个隐含层的激活函数。

2    实验及实验结果分析

本文需要识别的事件是挖掘和人步行事件，利用在野外环境下实际采集得到的两种事件样本数据组成样本库，分别用本文所设计的Richer子波神经网络模型以及相关的对比实验模型进行分类实验，通过输入模型前后的样本数据散点分布情况、识别准确率（Accuracy）以及损失函数收敛速度来评价实验效果。

在利用本文所设计的网络模型进行分类实验前，需要确定网络模型的相关参数，主要是各隐含层的神经元节点数量。而对于隐含层的神经元节点数，本文通过计算不同隐含层节点数下网络的均方误差值，分析得出最佳的网络神经元节点数为：输入层2 000，第一个隐含层50，第二个隐含层10，输出层2。

实验采用的是实际采集的挖掘和人步行事件信号，经过预处理之后提取信号1 000 Hz以内的频谱数据作为神经网络的输入。输入神经网络的数据为每种事件100个样本，其中120个样本作训练，80个样本作测试。将测试集数据输入到训练好的Richer子波神经网络模型中，网络输出数据经过降维后的散点分布如图1（a）所示。从中可以看出，经过的Richer子波神经网络训练后，输出的样本数据集具有不同类间间隔大，同类间间隔小的特点。分类实验的准确率以及损失函数随训练次数的变化曲线如图1（b）所示。可以发现，网络分类识别准确率最高可达96.25%，平均识别准确率约为95%。

3    结语

首先，本文指出传统的震动信号识别算法需要提取信号较为“精确的”特征这一缺陷。其次，说明神经网络这项技术应用于信号识别时，无需对输入信号提取“精确”的特征。最后，指出可以用神经网络技术来解决本文所面临的问题。本文介绍了设计的基于Richer子波的小波神经网络的网络结构以及网络训练的原理。在实验部分，通过计算不同神经元节点数下的网络均方误差，挑选出最佳的神经元节点数。通过对网络训练输出数据的降维可视散点图的分析，可以发现网络输出的样本数据集具有不同类间间隔大，同类间间隔小的特点，且该模型对震动信号的识别准确率平均能够达到95%，且损失函数收敛快。

[参考文献]

[1]KANNIGA E，RATHNAM K S R，YADAV A K.Wireless based target detection and object identification using seismic and pir sensors[J].Middle East Journal of Scientific Research，2014（3）：377-380.

[2]VIRENDRA，SHETE V，UKUNDE N.Intelligent embedded video monitoring system for home surveillance[C].Colorado：International Conference on Inventive Computation Technologies，2017.

[3]PENG Z Q，CAO C，HUANG JY，et al.Seismic signal recognition using improved BP neural network and combined feature extraction method[J].Journal of South-Central University，2014（5）：1898-1906.

[4]TITOS M，BUENO A，GARC?A L，et al.A deep neural networks approach to automatic recognition systems for volcano-seismic events [J].Selected Topics in Applied Earth Observations & Remote Sensing，2018（5）：1533-1544.