BP神经网络曲线识别技术及在探雷上的应用

闫　岩，孙彩堂，周逢道，刘长胜

（吉林大学仪器科学与电气工程学院，吉林 长春 130026）

BP神经网络曲线识别技术及在探雷上的应用

闫岩，孙彩堂，周逢道，刘长胜

（吉林大学仪器科学与电气工程学院，吉林 长春 130026）

提出一种基于BP神经网络的地雷识别方法，利用电磁探测方法测得的地雷响应曲线对地雷进行识别。首先分析BP神经网络对4类常见曲线（正弦波、方波、锯齿波、梯形波）的识别效果，通过改变隐含层节点数、学习算法等网络参数以及对正常曲线加入一定比例的噪声，仿真分析它们对曲线识别的影响。实验结果表明：该方法对正常曲线的识别率几乎均达到100%，对于噪声＜10%的信号也具有较高的识别能力。将该技术应用于地雷的识别中，取得比较好的识别效果。

BP神经网络；曲线识别；网络参数；识别率；地雷识别

0　引　言

目前，地雷探测仍是世界性的难题，很多国家的科研人员都在研究新的探雷方法。在军事战争和战后的清理工作中，探测并识别出地雷对于避免无辜伤亡具有重要意义。探雷的方法有很多，如基于声-地震耦合原理的声波共振探雷技术[1]、基于时频原子分解的探雷方法[2]等。近年来，随着曲线识别技术的发展，基于曲线匹配的识别应用逐渐增多，如Huang等[3]用归一化的电磁感应光谱曲线与目标谱相匹配算法自动识别地雷，吻合度达90%；Lee等[4]用Bezier曲线拟合的方法分析表情进而识别人的情绪；Shangguan等[5]基于GSR（galyanic skin response）信号的曲线拟合方法实现对人情感的识别；Huang等[6]利用高斯函数和正弦函数拟合的方法实现了对无线电发射机“指纹”的识别。

BP（back propagation）神经网络是人工神经网络的分支之一。1986年Rumelhart等提出误差反向传播的学习机制，此后，经过研究人员不断改进与完善，使其具有强大的数据识别和模拟功能，在预测分析、故障诊断、模式识别等领域得到实际应用[7-9]。

吉林大学研制出了基于电磁探测方法的地雷探测系统，采集的数据是地下目标在一定频率下的电磁响应，为此本文提出了基于BP神经网络的识别曲线方法，并将其应用到地雷识别中，取得了一定的效果。

1　基于BP神经网络的曲线识别

BP神经网络是一种前馈神经网络，具有强大的计算能力，理论上可以近似表达任意一种复杂的映射，它具有大规模并行处理、自学习和自适应能力、较强的鲁棒性和容错性等特点。

BP神经网络的算法流程如图1所示。

图1　BP算法流程图

2　BP神经网络结构设计及识别模型的建立

2.1BP神经网络结构设计

采用3层BP神经网络模型，其结构如图2所示。其中，x1，…，xm为输入向量，y1，y2，…，yn为输出层输出向量。

图2　3层BP神经网络模型结构

2.2识别模型的建立

BP神经网络模型的建立过程如下：

1）输入和输出定义。网络的输入层节点数为21，分别代表一个周期内曲线的21个离散点；输出层有4个节点，分别代表4类不同的曲线，输出节点的输出值取值范围为[0，1]。在本文所有实验中，如果4个输出节点中输出结果有且仅有一个值≥0.8，且其他3个值均＜0.4，则认为输入的是对应的曲线；否则，认为输入曲线不是4类曲线中的任何一种。

2）样本生成。为了得到4类曲线的训练样本和测试样本，本文分别采用如下方法生成仿真曲线，并对它们进行采样，代表不同的样本：

①正弦波：改变曲线的幅度和初始相位；

②锯齿波：改变曲线的幅度和斜率；

③方波：改变曲线的幅度和占空比；

④梯形波：改变曲线的幅度和占空比。

生成的4类曲线样本如图3所示。

3）网络参数设定。隐含层传输函数采用双曲正切S形函数，其输出范围为-1~1；输出层选用对数S形函数作为传输函数，输出范围为0~1，两种函数表达式分别为

式中k为常数。

在本文所有实验中，学习率取0.01，训练目标误差取10-5。

3　实验分析

为了验证算法的有效性，进行了3组实验：1）识别标准曲线；2）识别加入10%～50%高斯噪声的曲线；3）改变隐含层节点数和学习算法，分析它们对识别率的影响。在3组实验中，4种曲线都采用200个训练样本和50个测试样本。所有实验中，都训练并测试30次，然后计算识别率的平均值，作为最终的识别率。

图3　样本波形

3.1理想曲线识别

本文首先利用标准曲线作为训练样本和测试样本，实验分析了BP神经网络的曲线识别性能，具体步骤如下：

1）利用2.2中的样本生成方法，生成不含噪声的样本，每种曲线从中随机选取200个样本作为训练集，采用OSS算法作为学习算法，对BP神经网络模型进行训练，隐含层节点数根据经验定为30；

2）其余的样本作为测试集，将它们输入1）获得的神经网络模型进行识别，记录识别结果。

识别结果见表1，可以看出，BP神经网络对不加噪声的标准曲线识别率可达100%。

表1　测试集不加噪声和加入不同水平的高斯噪声曲线识别率对比　%

3.2高斯噪声对曲线识别的影响分析

为了分析噪声对识别效果的影响，本文在待识别曲线中加入10%，15%，20%，30%和50%的高斯噪声，进行了实验分析，采用的学习算法和隐含层节点数同3.1。识别结果见表1的3～7列，可以看出，加入噪声会对各曲线识别率产生不利影响。随着噪声水平的增加，各曲线识别率会不同程度地降低。其中正弦波受噪声的影响最大，当加入15%噪声时，其识别率只有66%；而方波和梯形波受噪声影响相对较小，当加入20%噪声时，其识别率也可达90%。

3.3网络参数对曲线识别的影响分析

影响BP神经网络稳定性和泛化能力的因素有很多，改变某个特定的参数也可能会对识别能力产生影响。本文分别通过改变隐含层节点数和采用不同的学习算法，对标准曲线进行了相应实验。

3.3.1隐含层节点数对曲线识别的影响分析

在隐含层节点数影响分析实验中，隐含层节点数分别取5，10，20，30，40，其识别结果如表2所示。可以看出：在隐含层节点数为30时，各曲线识别率几乎都可达100%。

阿里糊涂间，似乎又记得有这么回事。他眨了半天眼，还是想不起。阿东便把他拖起来，逼着他穿好衣服。此时的天光，已然亮开。

表2　不同隐含层节点数对应的曲线识别率　%

3.3.2学习算法对曲线识别的影响分析

在隐含层节点影响分析的基础上，隐含层节点数取30，其他参数与3.1相同。分别采用了以下4种BP算法：1）OSS（one step secant）算法，即一步割线算法，它可以减少存储量和计算量；2）SCG（scaled conjugate gradient）算法，即量化共轭梯度算法，它运用了模型信任区间逼近原理，可以避免搜索方向计算的耗时问题；3）RPROP（resilient back-propagation）算法，即弹性BP算法，该算法可以消除梯度幅度的不利影响，在进行权值修正时，仅仅用到偏导的符号，而幅值却不影响权值的修正，权值大小的改变取决于与幅值无关的修正值；4）GDX算法，即变学习率的动量梯度BP算法，该算法可以使学习率根据局部误差曲面做出相应的调整。实验结果如图4所示，由图可知，4种学习算法对曲线识别率都较高，其中OSS算法的识别率最高。

图4　不同学习算法对应的曲线识别率

4　用BP神经网络方法识别地雷

吉林大学研制了电磁探雷系统（见图5）。该系统由发射系统（主要由发射机和发射线圈组成）和接收系统（主要由接收线圈和接收机组成）两部分组成。其中，发射机产生不同频率的激励信号，加载到发射线圈，从而产生交变磁场。地下介质感应产生二次场，接收线圈探测感应磁场的变化，将该信号转化成电信号并由接收机采集。

图5　电磁探雷系统示意图

采集得到的数据是地下介质在不同频率下的响应，对它们进行预处理，可以得到对应的同相分量I、正交分量Q曲线，如图6所示。

图6　GLD160在不同深度的地雷特征曲线

地雷特征曲线是不规则的，但是通过不同条件下多次采集数据来看，不同类型的地雷所对应的I、Q曲线有所不同，而同类型地雷对应的I、Q曲线趋于一致。该类曲线虽有别于前面提到的4类常见曲线，但BP神经网络函数功能强大并具有模糊判断的特点，可以满足对地雷特征曲线的识别要求。因此，可以用BP神经网络方法识别地雷。

根据BP网络识别算法流程，首先将I、Q曲线的数据进行归一化处理，然后对处理的数据进行网络训练，最后对地雷特征曲线进行识别，进而判断地雷的种类。

实验中将两种地雷库（GLD111库和GLD160库）作为数据集。其中，GLD111库和GLD160库中分别由4个不同深度（2，4，6，8cm），每个深度对应25组，共计200组的I、Q曲线组成。在实验过程中，将地雷库中曲线分成训练集和测试集两个部分。从GLD111库和GLD160库中分别随机选取40组，且每个深度中选取10组作为测试集。采用3层BP神经网络结构，利用OSS学习算法、输入层节点数为20，输出节点数为2，隐层节点数为15。计算曲线的识别率，统计结果见表3。

表3　地雷库在不同深度的识别率　%

由表可知，采用BP神经网络方法对地雷曲线的识别率可达到75%~90%，识别率较高；另外可以看出，随着地雷埋深的增加，曲线识别率有所降低，这是由于地雷埋深的增加会导致曲线的形态发生变化，但OSS学习算法的识别率仍然在可以接受的范围内。因此采用BP神经网络方法识别地雷有一定的应用价值。

5　结束语

本文研究了BP神经网络基本原理及算法并通过实验仿真的手段将其应用于正弦波、方波、锯齿波和梯形波4类常见曲线的识别。

通过对正常曲线及对其加入不同水平的噪声、改变网络参数（如隐含层节点数和学习算法）等进行了仿真实验，得出如下结论：

1）对4类正常曲线的识别率几乎均可达到100%。

2）高斯噪声对曲线的识别率影响实验表明：当噪声水平＜10%时，对4类曲线识别率仍然能达到80%以上。

3）能够根据所提供的数据较好地识别出地雷。但对于一些因环境等因素影响严重的曲线，该识别方法可能会不再适用。

尝试将BP神经网络方法应用于地雷的识别，结果表明：对地雷曲线的识别率可达75%~90%，识别率较高，具有一定的应用价值。

[1]王驰，于瀛洁，李醒飞.一种基于声-地震耦合的室内声波探雷实验系统[J].天津大学学报，2011，44（1）：79-84.

[2]施云飞，宋千，金添，等.基于时频原子分解的地雷目标特征提取及分类[J].国防科技大学学报，2012，34（1）：100-106.

[3]HUANGHP，WON IJ.Automated identification of buried landminesusingnormalizedelectromagneticin duction spectroscopy[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41（3）：640-651.

[4]LEE Y H，HAN W，KIM Y.Emotional recognition from facial expression analysis using bezier curve fitting[C]∥2013 16th International Conference on Network-Based Information Systems，2013：250-254.

[5]SHANGGUAN P C，LIU G Y，WEN W H.The emotion recognition based on GSR signal by curve fitting[J]. Journal of Information&Computational Science，2014，11（8）：2635-2646.

[6]HUANG L F，WU X P，ZHAO C D，et al.Identification of radio transmitters fingerprint based on curve fitting[C]∥2013 IEEE International Conference on Signal Processing，Communications and Computing（ICSPCC），2013：1-5.

[7]厉英，王正，敖志广，等.BP神经网络漏钢预测系统优化[J].控制与决策，2011，25（3）：453-456.

[8]GUO Y M，RAN C B，JI X Y，et al.Fault diagnosis in analog circuits based on combined-optimization BP neural networks[J].Journal of Northwestern Polytechnical University，2013，31（1）：44-48.

[9]TANG J，HE L.Genetic optimization of BP neural network in the application of suspicious financial transactions patternrecognition[C]∥2012 International Conference on Management of e-Commerce and e-Government（ICMeCG），2012：280-284.

（编辑：莫婕）

Curve recognition technology based on BP neural network and its application in landmine detection

YAN Yan，SUN Caitang，ZHOU Fengdao，LIU Changsheng
（College of Instrument Science and Electrical Engineering，Jilin University，Changchun 130026，China）

This paper is about a way to detect landmines based on BP neural network，put it more specifically，landmines are detected via landmine response curves acquired by electromagnetic detection.First，it tested the recognition effect of BP neural network upon four common curves namelysinewave，squarewave，sawtoothwaveandtrapezoidalwave;second，simulation experiments are carried out to see how these curves areaffectedbychangingthenetwork parameters such as the number of hidden layer nodes and learning algorithms as well as by adding a certain proportion of noise in normal curves.Experimental results show that the recognition rate of all normal curves is 100%and that of the signals with noise less than 10%is also high.This technology has been applied to detect landmines and produced good results.

BP neural network；curve recognition；network parameter；recognition rate；landmine detection

A

1674-5124（2016）03-0090-04

10.11857/j.issn.1674-5124.2016.03.021

2015-04-13；

2015-05-15

吉林大学青年基金项目（450060445672）

闫岩（1987-），男，吉林长春市人，硕士研究生，专业方向为数据处理与模式识别。