白 伟，伍柳伊，吕晓军，毋 健，杨 帆，卫丽娟

(1.中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081；2.山西大学 自动化与软件学院，山西 太原 030013)

0 引言

近年来，我国铁路飞速发展，庞大的客流为铁路安全运营带来巨大挑战。安检作为旅客进入车站的重要关口，其作业可靠性直接影响着铁路的安全运行。如何高效地识别检查旅客及其携带物品并分析其危险性，对于铁路运输系统的平稳可控有着重要意义[1-3]。

在此背景下，国内学者做了大量的研究工作，在物品检测方面，连福生等[4]设计出了一种基于CNN 深度神经网络X 射线图像的检测分类方法，该方法能够实现较高精度的安检设备采集图像的分类。曹洋等[5]基于ResNet50网络骨架，提出了一种多目标违禁物品识别算法，该算法引入了注意力机制，并添加了局部强化和空洞残差特征增强等模块，获得了较优的识别精度。邓文锋[6]提出基于X射线的技术理论，通过对典型违禁物品的识别研究，提高了违禁物品的识别率。在人员检测方面，侯晓迪[7]建立了基于安检人员的疲劳风险评价指标体系，并验证了该指标体系对于疲劳风险进行综合性量化时的可行性。赵振武等[8]介绍了关于旅客差异化安检的3 种方法，并提出了将这3 种方法综合应用的设想。冯文刚等[9］构建了民航旅客分级指标体系，并提出了一种基于深度神经网络的分级分类模型。除此之外，其他的一些方法也被成功地应用于该领域中，介绍了遗传算法并对其进行了改进。改进传统的遗传算法的轮盘赌法是一种模式，采用了适度性函数，使得BP 神经网络一开始的权值和阈值能够达到更好的标准，将改进后的遗传算法代入到BP 神经网络模型中对其进行优化之后构建了一个新的BP 神经网络，对其进行数据的测试与实验，验证发现在训练的速度和预测的精准度上，改进后的遗传算法优化的BP 神经网络具有更好的准确性和训练速度，能够更好地完成预测[10-11]。

为了更有效地识别人员及其携带物品存在的潜在安全隐患，提出了基于LSBAS-BP模型的人员物品危险性预测方法，BP 神经网络存在参数容易陷入局部最优、人工调整繁复等问题，因而近期各类研究将传统启发式算法与BP 神经网络进行结合，在BP 神经网络计算过程中加入遗传、模拟退火、粒子群等算法对参数进行最优化调整，可在一定程度上增加BP 神经网络的识别效率。首先建立了人员物品危险等级划分准则，并采用BAS-BP神经网络[12-14]来建立网络模型，通过引入局部搜索(LS)对天牛须算法(BAS)进行优化，提高算法精度。之后，给出了不同风险等级的风险决策措施。仿真结果表明，相比于BP，BAS-BP，GA-BP 等算法，改进后的LSBAS-BP 算法能进一步提高网络的准确度，达到更加理想的识别和预测效果。

1 数据准备

1.1 人员物品以及危险综合评价等级划分

根据《铁路安全管理条例》及对相关安检专家的调研咨询，分别对人员与物品进行危险等级划分，并将危险综合评价等级进行了划分。

首先，根据人员的危险程度，将人员危险等级划分为3 类：在逃犯罪人员、具有犯罪前科的人员及正常人员。并且对于具有犯罪前科的人员与正常人员，采用微表情识别的识别结果来进行具体级别的划分，人员危险等级划分如表1所示。

表1 人员危险等级划分Tab.1 Classification of personnel risk levels

其次，结合相关规定，将进站物品大致分为禁止携带的物品、限量携带的物品及允许携带物品3 类。然而，考虑到一些特殊的具有危害公共安全类物品，如爆炸物品、枪支弹药等，携带此类物品的人员有着极大的社会危险性。因此，将该类物品单独作为一类并赋予最高的危险等级，并将最终输出的危险综合评价等级直接定为高度危险，物品危险等级划分如表2所示。

表2 物品危险等级划分Tab.2 Classification of danger levels of goods

最后，建立危险综合评价等级，将危险等级作4 级划分，分别为Ⅰ：正常，Ⅱ：低度危险，Ⅲ：中度危险，Ⅳ：高度危险。

1.2 危险等级量化

采用改进LSBAS-BP神经网络时，以人员与物品信息作为输入，危险综合评价等级值作为输出，采用公式⑴对上述危险等级进行量化。

式中：value表示危险等级的量化值；ρL表示表1 和表2 中的人员、物品类别(Ⅰ，Ⅱ，Ⅲ，Ⅳ)对应的基础值，且危险性Ⅰ＜Ⅱ＜Ⅲ＜Ⅳ，取ρⅠ=10，ρⅡ=20，ρⅢ=30，ρⅣ=40；γ是一个常数，表示各等级类别之间的差异，取值10；κ是对应类别所划分的级别数；l表示具体级别(L1，L2，L3，L4)，且危险性L1>L2>L3>L4。

在安检人员与物品的危险性预测中，不同等级的人员与物品间可能存在不明确的隐含关系，且最终的危险综合评价等级与人员、物品等级关系模糊，无法确切地描述彼此之间的映射。考虑到人工神经网络有着较强的非线性动态处理能力，能够处理任何复杂、非线性、不确定及多因素问题，避免人为及其他因素对预测结果的影响。因此，通过大量有效的实际安检数据，利用人工神经网络对安检人员与物品建立危险预测模型，是可行、有价值的途径。采用BP 神经网络作为基本网络框架，并提出了改进的天牛须算法(Local Search Beetle Antennae Search，LSBAS)来克服传统BP 网络存在的缺点。

2 LSBAS-BP神经网络

2.1 BP神经网络

BP 神经网络是一种多层前馈型神经网络，BP神经网络基本原理如图1 所示，该模型一般由输入层、隐藏层和输出层组成。隐藏层可以是单层或者是多层，相邻层间的神经元实现全连接，而每层的神经元之间无连接。

图1 BP神经网络基本原理Fig.1 Basic principles of BP neural network

BP神经网络主要由正向传播与反向传播2部分组成，正向传播指的是当BP 网络获得一组输入矢量后，经过隐藏层一层一层计算处理，最后传送到输出层。如果输出层的实际输出与期望输出之间存在误差，则进入BP 神经网络的反向传播阶段。在反向传播阶段，将上述误差以某种形式反向经过隐藏层，并调整权值与阈值，直至到达输出层。随着参数的调整，实际输出与期望输出的误差不断减小，当误差达到了预定的范围内，学习停止，从而完成整个传输过程。

2.2 LSBAS算法

BAS 是2017 年由Jiang 等人提出的一种新智能优化算法，该算法模拟了天牛搜寻食物时的搜索方式，是一种单体搜索算法，该算法存在原理简单、参数少、计算量少等优点，尤其是在处理低维优化目标时有着明显的优势，天牛须算法步骤如下。

式中：rnd(·)为随机函数；k为位置维数。

此外，通过模拟甲虫触角的活动，分别给出了左右两侧的搜索行为

式中：xr表示右侧搜索区域中的位置；xl表示左侧搜索区域中的位置；xt表示t时刻甲虫触角的状态；dt表示t时刻与探索能力相对应的触角的传感长度，开始时其应该足够大以覆盖一个合适的搜索区域，然后随着时间的推移衰减。

其次，生成迭代模型，将搜索行为与气味检测进行关联，得到

式中：xt-1表示t-1 时刻甲虫触角的状态；δt是t时刻搜索的步长，其值遵循t的递减，δ的初始化应等效于搜索区域；sign(·)表示一个符号函数；f(·)表示状态值。

针对天线长度d与步长δ搜索参数，给出了以下更新规则。

式中：δt-1是t-1 时刻搜索的步长；c为常数，表示步长与天线长度之间的关系；λ是[0，1]之间靠近1的随机数。

当使用BAS 算法处理高维多极值问题时，虽然大步长可以有效搜索大规模，但会错过搜索全局最优解的可能性。同时，步长衰减率也会显著影响全局寻优精度。此外，同其他智能算法一样，BAS算法在搜索接近全局最优时，也容易陷入局部最优。因此，将LS 与BAS 相结合，帮助算法跳出局部最优，搜索更优的解，结合后的算法称为LSBAS。

当算法在K次迭代时没有找到最优解时，算法陷入局部最优，此时算法进入局部搜索，并以算法开始陷入局部最优时迭代次数所对应的步长，作为局部搜索的初始步长。这种步长只存在于LS 中，并且在LS 中完成了动态衰减。当在局部搜索中找到更优解时，该解作为当前算法的最优解，继续算法执行。

式中：t表示主程序当前的迭代次数；i表示LS 的当前迭代次数；表示在i步局部搜索状态；表示在i-1 步局部搜索状态；p为基本步长；m为LS的最大迭代次数。随着局部搜索迭代次数i的增加，的取值不断减小以进行更加精细的搜索。

同样，在局部搜索部分，x采用公式⑽、公式⑾和公式⑿进行更新。

2.3 LSBAS-BP神经网络模型建立

BP 神经网络有着较强的非线性映射能力，且训练过程无需引入额外新的参数。然而，BP 网络对初始权值和阈值的调整依赖较大，初始权值的细微变化不仅会影响BP 神经网络的学习效果，也会带来网络的不稳定。此外，采用随机初始化的方式来获得初始权值及阈值容易加大其对网络性能的影响。大量研究表明，采用智能优化算法优化BP 神经网络的初始权值和阈值能在很大程度上提高网络的性能。考虑到BAS 具有良好的全局搜索能力和收敛性，且LSBAS能进一步提高算法的搜索精度，因此，采用了LSBAS算法来优化BP神经网络的初始权值和阈值，模型建立步骤如下。

（1）算法初始化。①初始化算法运行参数，包括x0，d0，δ0，最大迭代次数T，局部搜索最大迭代次数m，基本步长p等。②设搜索的空间维度为η，模型结构为M-N-1。其中，M表示输入层神经元的个数，N表示隐含层神经元的个数，输出层神经元个数为1，因而可确定最终的搜索空间维度为η=M×N+N×1+N+1。③将测试数据的均方根误差MSE作为训练过程中的适应度评价函数，如公式⒀所示。

式中：fitness为适应度评价函数；N为训练集样本数量；tout(i)为第i个样本的输出值；yi为第i个样本的实际值。

（2）生成初始解xt=[x1，x2，…，xi]T，xi表示第i只天牛的状态。初始参数取[-1，1]之间的随机数作为BAS 的初始解集，即天牛的初始位置，并将其保存在Xbest中，作为初始最优解。

（3）根据公式⒀计算初始解的适应度值，并保存为fitnessbest，作为初始最优适应度评价值。

（5）当在规定的迭代次数K内，算法没有找到更优的全局解时，算法进入局部搜索LS，并以算法开始陷入局部最优时所对应迭代次数的步长作为初始步长，采用公式⑻和公式⑼对局部搜索步长进行更新，公式⑽、公式⑾和公式⑿对x进行更新。若找到比当前全局解更优的解，则对Xbest，fitnessbest进行更新，当达到最大迭代次数m后，令K=0，退出局部搜索。

（6）判断适应度函数值是否达到停止条件，若满足条件，则转步骤(7)，否则，返回步骤(4)继续迭代。

（7）算法停止迭代，输出的Xbest即为训练的最优解，即为网络的最优初始权值和阈值，之后将上述最优解重新输入到BP 神经网络学习，以建立最后的预测模型。

LSBAS优化BP神经网络流程如图2所示。

图2 LSBAS优化BP神经网络流程Fig.2 LSBAS optimizes BP neural network process

3 决策措施

针对上述不同危险等级(除正常级别外)并结合相应的专家意见，预防与控制措施如表3所示。

表3 预防与控制措施Tab.3 Prevention and control measures

4 结果与分析

根据客运站提供的60 组数据并经过上述等级量化过程量化后，选择其中的50 组数据作为训练集，10 组数据作为测试集，通过MATLAB 进行仿真实验，BP 网络部分选用其自带的神经网络工具箱[15]。

4.1 LSBAS与BAS的对比实验

为了比较LSBAS 与BAS 之间的搜索精度，设置了两种算法的对比实验，并将两种算法的公共参数设置为一致以此来排除因参数不同而对算法比较造成的影响。LSBAS 算法参数设置如表4 所示，LSBAS 与BAS 仿真比较如图3 所示。值得注意的是，由于LSBAS 中添加了局部搜索来帮助算法在迭代后期跳出局部最优，因而对于两种算法都设置了较大的迭代次数，以此来反映LSBAS 算法的优越性。LSBAS 与BAS 运行15 次实验结果如图4 所示，LSBAS与BAS15次实验对比结果如表5所示。

图3 LSBAS与BAS仿真比较Fig.3 Simulation comparison between LSBAS and BAS

图4 LSBAS与BAS运行15次实验结果Fig.4 Results of 15 runs of LSBAS and BAS

表4 LSBAS算法参数设置Tab.4 Parameter settings of LSBAS algorithm

表5 LSBAS与BAS15次实验对比结果Tab.5 Comparison results of 15 experiments between LSBAS and BAS

从图3中可以看出，LSBAS即使在初始解较差的情况下也获得了比BSA 更高的搜索精度，这是由于当算法在陷入局部最优的时候，LS 可以凭借其较强的搜索能力帮助算法找到更优解从而跳出局部最优，并基于该解继续最优解的搜索。图3 中红色椭圆区域为所记录的LSBAS 进入局部搜索所带来的解改进，进一步体现了改进算法的搜索能力。

图4 显示，15 次实验中，14 次LSBAS 的最优适应度值小于BAS，这表明带有局部搜索的LSBAS算法能够有效提高算法的搜索精度。从表5数据可以进一步看出，LSBAS 较BAS 在适应度均值上提高了22.9%，标准差提高了7.4%，以上均表明LSBAS 不论在搜索精度还是在稳定性方面都优于BAS算法。

4.2 BP，BAS-BP，LSBAS-BP及GA-BP网络对比实验

为验证改进后模型的效果，设置了BP，BASBP，LSBAS-BP及GA-BP 4种网络模型的比较实验，每种网络模型均采用相同的BP 神经网络。在本部分实验中，每一种算法的BP 神经网络均采用双输入、单输出以及单隐藏层的设置。根据隐藏层神经元的经验公式，…，10）以及反复试验，确定最终的隐藏层神经元个数为7，因而设置BP 的网络结构为2-7-1。此外，选用了相对误差均值E与相关系数R2作为评价指标来评价各模型的性能[13-14]，并将结果绘制在图9 中，图5、图6、图7 和图8 分别为4 种网络模型训练集的拟合结果。两种指标的计算公式如下。

图5 BP神经网络训练预测结果Fig.5 BP neural network training prediction results

图6 GA-BP神经网络训练预测结果Fig.6 GA-BP neural network training prediction results

图7 BAS-BP神经网络训练预测结果Fig.7 BAS-BP neural network training prediction results

图8 LSBAS-BP神经网络训练预测结果Fig.8 LSBAS-BP neural network training prediction results

图9 4种算法2种指标对比情况Fig.9 Comparison of four algorithms in two indicators

式中：y'i(i=1，2，…，n)表示第i个样本的预测值；yi对应其真实值；n表示样本数量。当E越小，R2越接近于1时，表示模型性能越好。

BP神经网络训练预测结果如图5所示，GA-BP神经网络训练预测结果如图6 所示，BAS-BP 神经网络训练预测结果如图7 所示，LSBAS-BP 神经网络训练预测结果如图8所示。从图5—图8中可以看出，4 种算法中，LSBAS-BP 网络有着更优的拟合效果，更逼近真实值。4 种算法2 种指标对比情况如图9 所示，相比BP，GA-BP 网络，BAS-BP 与LSBAS-BP不论是在E还是在R2上，都获得了更好的值。这表明两种算法都有更好的拟合能力，且相比BAS-BP，LSBAS-BP 的拟合效果更佳，反映了LSBAS-BP预测模型在人员物品危险性预测方面具有良好的适用性。

5 结束语

进站安检是铁路运输的重要环节，其作业可靠性直接影响着铁路的安全运行以及旅客的出行安全保障，人工判图及核查模式效率较低且多依赖作业人员经验，如何高效地识别和检查旅客及其携带物品并分析其危险性，对保障旅客生命财产安全和铁路运输平稳可控具有重要意义。通过LSBAS-BP模型对安检过程中人员物品危险性进行预测，能够快速有效地识别危险人员及物品，并评估其危险程度，科学辅助安检人员进行安检查危，能够大大提高安检识别精度和安检效率，并减轻安检人员的工作压力，同时能够为安检业务智能化发展提供支撑。