基于PSO-GWO-SVM的周界安防信号识别研究

江 虹,王新远,王奉宇,李 进

(长春工业大学电气与电子工程学院,吉林 长春 130012)

近年来,随着光纤传感技术的快速发展,以光纤传感技术为基础的周界安防系统以其探测精度高、响应快、节约能源、技术新颖等诸多技术优势成为周界入侵安防领域研究的热点[1]。

光纤在外界受到扰动时,振动信号容易产生交叉敏感,使测量结果具有很强的非线性、不稳定性和间歇性。为此,国内外研究者们进行了广泛而深入的研究,提出了很多新颖有效的信号处理与识别方法。如基于时频特征信号识别定位的方法[2]、基于小波变换的目标检测方法[3]、基于神经网络识别分类的方法[4]、基于支持向量机(SVM)目标识别的方法[5]等,这些方法虽然获得了较高的识别率,但各自具有很强的局限性、不稳定性,进而很难满足实时处理的要求。

针对上述问题,提出一种改进的支持向量机(SVM)信号识别方法。该方法采用粒子群算法(PSO)对灰狼算法(GWO)作进一步的优化,建立一种改进的灰狼优化策略(PSO-GWO),并将PSO-GWO用于SVM模型的参数优化。最后进行了仿真实验,并与原始SVM模型、粒子群优化的SVM模型(PSO-SVM)、遗传算法优化的SVM模型 (GA-SVM)进行比较,结果表明,该方法不仅具有良好的分类准确性,而且具有较高的灵敏度和特异性,优于传统的信号识别方法。

2 算法与原理

2.1 SVM

支持向量机(SVM)是一种分类算法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,也能获得良好统计规律的目的[6-7]。

(1)

在非线性情况下,决策函数可以表示如下:

(2)

一般来说,任何满足的半正定函数Mercer条件可以用作内核函数,常用的核函数有四种,线性核函数:K(x,x*)=(x·x*)、多项式内核:(K(x,x*)=((x·x*)+1)d)、RBF内核:K(x,x*)=exp((-2γ)-1x-x*2)和sigmoid内核K(x,x*)=tan(v(x·x*)+c)。本文采用RBF内核作为SVM预测入侵信号的核函数,惩罚因子C和内核参数γ直接决定SVM的学习性能。

2.2 二进制灰狼优化

灰狼优化(GWO)是Mirjalili等人在2014年提出的元启发式算法[8],它通过模仿了灰狼的种族领导和狩猎机制提出的,在GWO的每一次迭代中,有三种候选的解决方案被称为是alpha,beta和delta,主导捕食行为。alpha被称为最优解,beta和delta被称为次优解,最底层的灰狼称为omega,需要协助alpha,beta和delta来包围,狩猎和攻击猎物,找到更好的解决方案。

为了模拟灰狼的环绕行为,提出以下数学模型:

(3)

(4)

(5)

(6)

针对灰狼算法易陷入局部最优这一问题,本文将粒子群算法融合到灰狼算法中去,从而改进该算法的寻优性能。

2.3 二进制粒子群优化(PSO)

粒子群优化(PSO)首先由肯尼迪(Kennedy)和埃伯哈特(Eberhart)开发[9],PSO算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势在于简单容易实现并且没有许多参数的调节,目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域[10]。在PSO中,每个粒子都被看作d维空间中的一个粒子,每一个粒子都有一个位置和速度,第i个粒子的位置向量表示为:Xi=(xi,1,xi,2,…,xi,d),其速度表示为:Vi=(vi,1,vi,2,…,vi,d)。其速度和位置的更新如下:

(7)

(8)

c1和c2是加权系数,较低的值允许粒子在被拉回之前可以在目标区域外徘徊,较高的值导致粒子突然地冲向或越过目标区域。此外,r1和r2是在[0,1]的范围内均匀生成式(7)的随机数,速度vi,j限制在[-vmax,vmax]。

为了特征选择的目的,Kennedy和Eberhart[12]引入的二进制PSO被采用。在这个版本的PSO中,应用了Sigmoid函数将速度从连续空间转换为概率空间:

(9)

速度更新方案在(7)中的除了xi,j,Pi,j,和Pg,j∈{0,1}保持不变,粒子可以在1和0之间以正概率传输,vmax用于限制vi,j。新粒子的位置按以下规律更新:

(10)

j=1,2,…,d

3 基于PSO-GWO-SVM分类算法

3.1 PSO-GWO-SVM模型

提出的PSO-GWO-SVM方法的设计流程见图1,具体包括四个步骤。

图1 PSO-GWO-SVM方法的流程图

第一步,用K倍交叉验证划分特征空间,将样本分为测试集和训练集。

第二步,PSO用来生成信号的初始位置,GWO通过自适应搜索特征空间来选择最佳特征组合,通过循环比较,获得样本的最优特征子集。

第三步,最优特征子集对训练集和测试集进行特征筛选,对SVM分类器训练,并得到最优惩罚系数。

第四步,根据筛选后的测试集,应用SVM进行分类识别。

3.2 信号特征提取

在信号识别的过程中,合理的特征向量选取不仅可以降低识别类别的复杂度,还可以获得高精度的识别率。本文中,通过小波阈值去噪对原始信号处理,然后应用小波包对滤波信号分解到三层,将时间阈的离散数据转换为频率阈的离散数据,并做归一化处理。选择七个能够良好反映信号特征的频带,提取数字特征,计算每个频段的能量。图2给出了入侵信号提取过程。

图2 入侵信号特征提取

4 实验结果与分析

为了验证算法的性能,我们选用CPU2.2GHz,4GB内存,Windows 7操作系统作为实验平台,应用台湾大学林智仁副教授等人[11]开发的LIBSVM进行了仿真实验。

实验中,构建的样本库包括:冰雹、大风、噪声三种环境特征和行人、小动物、小汽车三种入侵种类特征。每种提取10组数据,每组包含20个振动碎片,共60组,1200个振动碎片的数据进行分析。图3给出了一组样本库特征图,可以看出,不同种类的入侵信号特征向量分布完全不同。

图3 一组样本库特征图

4.1 实验结果验证

考虑到SVM中核函数两个关键参数,选用的RBF内核的惩罚因子C和内核参数γ以指数倍增的方式增加,设定为{2-5,2-4,…,24,25}。SVM参数优化结构及对应的预测准确率如图4所示。

从图4中可以看出,当SVM核函数的惩罚因子C和内核函数γ不断变化过程中,样本的识别准确率也相应不断变化。采用交叉验证和网格搜索寻优得到,当C=25和γ=2-3时,SVM的参数配置效果最好,达到了97%的正确率。

文中使用10倍交叉验证(CV)来评估分类精度,将60组数据分为10个子集。每次使用10个子集中的一个作为测试集,剩下的9个子集合在一起形成训练集,由于数据集是任意分配的,只进行一次10倍CV不足以产生高精度分类准确性,因此,平均10次运行才能进行准确评估。所有的测试集是独立的,实验结束后取十次实验的平均值作为实验结果。表1列出了在PSO-GWO-SVM模型获得的详细结果。

表1 PSO-GWO-SVM获得的详细结果

注:Avg和Dev是指10倍CV结果的平均值和标准差。

从表1实验结果可以看出,经过优化后的SVM分类效果良好,十组实验都实现了高精度的识别率,平均达到了96.40%的AUC、96.86%的准确率(ACC)、95.82%的灵敏度(SE)和96.31%的特异性(SP),能够准确的识别环境噪声信号和常见的越境信号,实现了在无环境噪声干扰下对多种入侵信号的准确识别。同时获得的标准偏差非常小,这表明PSO-GWO-SVM分类器具有很高的稳定性。

4.2 对比实验

为了验证算法的有效性,还挑选了SVM、PSO-SVM、GA-SVM 、GWO-SVM四种方法一同进行了测试。并将五种方法实验结果进行对比,对比取100次实验结果的平均值。图5、图6清楚显示了五种方法的性能比较结果。

图5 五种方法获得的ROC曲线

图6 基于各种策略的SVM方法的演化过程

从图5可以看出,相比原始SVM模型,各种方法优化后的SVM模型在分类效果上都有了明显的提高,整体上能够逼近左上角,而PSO-GWO-SVM表现出了更好的分类性能。图6清楚地显示了分类器的时效性,GWO-SVM、PSO-SVM和GA-SVM分别需要63、75和62次迭代达到最大适应度。而相比其他参比的模型,本文提出PSO-GWO-SVM模型,仅需23次迭代就能实现最佳适应度,不仅显著的提高了收敛速度,而且预测误差低,预测结果的鲁棒性更强。

5 结 论

本文提出了一种改进的SVM信号识别方法,建立了PSO-GWO-SVM分类器。对几种典型的环境噪声与越境信号进行扰动判别,并通过与传统的入侵信号识别方法的对比试验,验证了所提出算法的优越性与可行性。实验结果表明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性,在准确判别的同时,还能精确地分辨不同扰动事件的模式,与传统的机器学习方法相比,具有更高的识别精度、适应性和时效性。然而需要指出的是,如何应用算法于实时系统是今后需要进一步完善的地方。

[1] YE Qing,CAI Haiwen.Distributed fiber optic vibration sensing technology and its important security application[J].Science,2017,69(2):17-21.(in Chinese)

叶青,蔡海文.分布式光纤振动传感技术及其重要安防应用[J].科学,2017,69(2):17-21.

[2] ZHU Chenghui,WANG Jianping,LI Qiyue,et all.Recognition and localization of intrusion vibration signal basedon time-frequency characteristics in optical fiber perimeter security[J].Chinese Journal of Lasers,2016,43(6):309-317.(in Chinese)

朱程辉,王建平,李奇越,等.基于时频特征的光纤周界入侵振动信号识别与定位[J].中国激光,2016,43(6):309-317.

[3] ZHANG Xiaolu,LI Ling,XIN Yunhong.Adaptive multi-mode infrared small target detection based on wavelet transform [J].Laser & Infrared,2017,47(5):647-652..(in Chinese)

张晓露,李 玲,辛云宏.基于小波变换的自适应多模红外小目标检测[J].激光与红外,2017,47(5):647-652.

[4] QIAN Muyun,YU Youlong.Research on tactile sensing of fiber bragg grating B ased on BP Neural Network[J].Chinese Journal of Lasers,2017,44(8):0806001.(in Chinese)

钱牧云,余有龙.基于BP神经网络的光纤光栅触觉传感研究[J].中国激光,2017,44(08):0806001.

[5] ZHANG Difei,ZHANG Jinsuo,YAO Keming,et al.Infrared shi-target recognition based on SVM classification[J].Infrared and Laser Engineering,2016,45(1):179-184.(in Chinese)

张迪飞,张金锁,姚克明,等.基于SVM分类的红外舰船目标识别[J].红外与激光工程,2016,45(1):179-184.

[6] H L Chen,B Yang,J Liu.A support vector machine classifer withrough set-based feature selection for breast cancer diagnosis[J].Expert Systemswith Applications,2011,38(7):9014-9022.

[7] H L Chen,D Y Liu,B Yang.A new hybrid method basedon local fsher discriminant analysis and support vector machines for hepatitis disease diagnosis[J].Expert Systems with Applications,2011,38(9):11796-11803.

[8] S Mirjalili,S M Mirjalili,A Lewis.Greywolf optimizer[J].Adcances in Engineering Software,2014,69:46-61.

[9] J Kennedy,R Eberhart.Particle swarm optim-azation[C].Proceedings of the IEEE International Conference on Neural Networks,1995:1942-1948.

[10] Y Zhang,S Wang,G Ji.A comprehensive survey on particle swarm optimizationalgorithm and Its applications[J].Mathematical Problems in Engineering,2015,(1):1-38.

[11] C C Chang,C J Lin.LIBSVM:a library for support vector machines[J].ACM transactions on Intelligent Systemsand Technology,2011,2(3):27.