一种基于压缩观测的运动目标高效识别方法技术

本发明专利技术公开了一种基于压缩观测的运动目标高效识别方法。为了同时解决在对运动目标进行识别时遇到的两个问题：辨识准确率低和计算效率低。首先，通过测量矩阵将原始震动信号线性投影到压缩域并获得压缩观测值；然后，依据震动信号在空间上的拓扑关系和时序相关性，设计用于提取压缩观测值非线性特征的深度神经网络，通过观测值与目标类别的准确映射，实现高时效性和高准确性的运动目标辨识方法。本发明专利技术的有益效果是：能够有效去除原始信号中的冗余数据、压制噪声干扰，具有高鲁棒性和抗干扰能力。能力。能力。

【技术实现步骤摘要】
一种基于压缩观测的运动目标高效识别方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于压缩观测的运动目标高效识别方法，其特征在于：
[0006]获取运动目标引起的震动信号；
[0007]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；
[0008]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。
[0009]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：
[0010]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；
[0011]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：
[0012]y＝ΦψS+Φn
[0013]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。
[0014]进一步地：所述测量矩阵为压缩比为4的Bernoulli矩阵。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]本专利技术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。本申请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，本申请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，本申请方法具有最强的抗干扰能力，模型最为稳定。
附图说明
[0020]图1为本专利技术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；
[0021]图2为在测试集上的中位数结果。
具体实施方式
[0022]为使本专利技术的上述目的、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专利技术作进一步详细的说明。
[0023]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。
[0024]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：
[0025]y＝ΦψS+Φn
[0026]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。
[0027]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩观测的运动目标高效识别方法，其特征在于：获取运动目标引起的震动信号；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；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。2.按照权利要求1所述的方法，其特征在于：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：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；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：y＝ΦψS+Φn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。3.按照权利要求2所述的方法，其特征在于：所述测量矩阵为压缩比为4的Bernoulli矩阵。4.按照权利要求1所述的方法，其特征在于...

【专利技术属性】
技术研发人员：佟训乾，聂彤羽，宾康成，
申请(专利权)人：吉林大学，
类型：发明
国别省市：