CC BY
83
УДК 654.949
СИНТЕЗ НЕЙРОННЫХ СЕТЕЙ ДЛЯ КЛАССИФИКАЦИИ НАРУШИТЕЛЯ
Акимова Юлия Сергеевна Пензенский государственный университет
Рассматриваются этапы построения классификатора на базе нейронных сетей по реальным сейсмическим сигналам. Создается структура нейронной сети, выбирается метод обучения, формируется входная и рабочая совокупность признаков определения нарушителя охранной зоны.
Ключевые слова: нейронная сеть; классификация; нарушитель; сейсмические сигналы; признаки
В современных условиях значительно возросли требования к техническим средствам разведки по своевременному обнаружению перемещения войск противника в оперативной и тактической глубине. Выявление факта и характера перемещения войсковых формирований, и военной техники способствует раскрытию замысла противника и состава его группировки.
Основными техническими средствами ведения разведки являются оптические и электронно-оптические приборы, сейсмические, акустические, радиолокационные и радиотехнические станции. Возможности технических средств разведки в значительной степени зависят от метеоусловий, рельефа местности, ландшафта. Среди перечисленных сейсмические средства являются наиболее перспективными из-за пассивности функционирования и скрытности установки.
Сложность и разнообразие условий эксплуатации, высокие требования по эффективности решения задач обнаружения (вероятность правильного обнаружения не менее 0,95, а ложной тревоги не более 0,03) и классификации (вероятность правильной классификации не менее 0,9) требуют использования современных методов анализа «тонкой» структуры сигналов объектов и построения моделей обнаружителя и классификатора на основе современных технологий, в частности нейросетевых.
Нейронные сети обладают такими преимуществами как высокая адаптивная способность, надежность, инвариантность методов синтеза к размерности пространства признаков, адекватность современным перспективным технологиям [1, 2]. Синтез оптимальной структуры нейронной сети заключается в определении количества уровней нейронной сети, числа слоев и нейронов скрытого слоя, выборе метода обучения и решающего правила.
Для обучения и контроля работы нейронной сети были сформированы матрицы признаков, полученные в результате обработки реальных сейсмических сигналов человека, группы людей, колесной и гусеничной техники. Выборка сигналов достаточно представительная: сигналы записаны при разных расстояниях, скорости движения, погодных условиях.
По материалам исследований нескольких совокупностей признаков были выбраны две группы: 1 - признаки, описывающие сигналы во временной области (число пересечений нескольких уровней сигнала и выборочная плотность
1
распределения вероятности амплитуды сигналов в нескольких интервалах), и 2 - распределение мощности в исследуемом интервале частот.
Задача синтеза нейронной сети решалась в несколько этапов. В качестве критериев оптимизации структуры нейронной сети выбраны показатели эффективности: вероятности правильного обнаружения, ложной тревоги и классификации.
Этап 1. На первом этапе оценивалась потенциальная возможность использования нейронных сетей для решения задачи классификации. За основу выбрана одноуровневая двухслойная нейронная сеть с прямыми связями и обучением по методу обратного распространения ошибки (рисунок 1). Классы соответствуют объектам: «человек», «группа людей», « колесная техника», «гусеничная техника», «помехи».
Нейронная сеть обучалась таким образом, чтобы при поступлении на ее вход данных определенного класса, на соответствующем выходе был единичный сигнал.
В таблице 1 приведены результаты обучения и тестирования классификатора. Полученные оценки вероятности правильной классификации и ложной тревоги недостаточно высокие.
Таблица 1 - Результаты обучения и контроля нейронной сети
Номер группы призна- ков Отттиб ка обу- чения Ошибка тестиро- вания Наименование контрольного множества Оценка вероятности правильной классификации Оценка вероятности ложной тревоги
1 4 5 6 7 8
1 0,002 7 0,1830 Помехи 0,83 —
Человек 0,70 0,10 1)
Г руппа людей 0,60
Г усеничная техника 0,27
Колесная техника 0,47
2 0,02 0,1581 Помехи 0,83 —
Человек 0,67 0,033 2)
Г руппа людей 0,60
Г усеничная техника 0,50
Колесная техника 0,37
Этап 2. Сделано предположение, что повысить вероятность правильной классификации можно за счет введения пяти уровней, соответствующих пяти классам (рисунок 2), с общим входом для всех уровней и отдельным выходом для каждого из них. На каждом уровне использована двухслойная нейронная сеть. Обучение проводилось таким образом, чтобы на выходе был единичный сигнал при соответствующем входном воздействии. Результаты обучения и контроля приведены в таблице 2.
2
Были получены более высокие (хотя и ниже требуемого уровня 0,9) оценки вероятности правильной классификации. Оценка вероятности ложной тревоги при использовании группы признаков, описывающих сигналы во временной области, очень высокая (0,13).
Таблица 2 - Результаты обучения и контроля 5-уровневой нейронной сети
Номер группы при- знаков № уровня сети Ошибка обуче- ния Ошибка контроля Класс тестируемого множества Оценка вероятности правильной классификации Оценка вероят- ности ложной тревоги
1 1 0,0013 0,1600 Помеха 0,97 -
2 2 о 10-23 0,0320 Человек 0,73 0.13 1)
3 2,3 о 10-23 0,0286 Г руппа людей 0,57
4 4,8 о 1023 0,0412 Г усеничная техника 0,57
5 0,0053 0,0447 Колесная техника 0,40
2 1 0,04 0,04 Помеха 0,97 -
2 0,0013 0,0368 Человек 0,80 0
3 2о 10-23 0,0240 Г руппа людей 0,73
4 0,0027 0,0413 Г усеничная техника 0,40
5 2,7 о 1023 0,0452 Колесная техника 0,40
Этап 3. Построена нейронная сеть в соответствии с последовательной схемой принятия решений (рисунок 3): на первом уровне принимается решение об обнаружении объекта, на втором распознавание по типу «человек» (в том числе и группа людей) - «техника», на третьем классификация «человек -группа людей», «колесная - гусеничная техника».
Обработка информации на каждом уровне осуществляется независимо и одновременно со всеми остальными. Решение принимается по комбинации выходных сигналов с каждого уровня, например решение о наличии человека в зоне обнаружения принимается тогда, когда на выходах первого, второго и третьего уровней присутствуют единичные сигналы. На каждом уровне реализована многослойная нейронная сеть (рисунок 4).
В задаче обнаружения полезного сигнала по обеим группам признаков не были достигнуты требуемые вероятностные оценки правильного обнаружения и ложной тревоги - 0,95 и 0,03. Оценки вероятности правильного распознавания сигналов по типу «человек - техника» и классификации по классам «человек - группа людей -колесная техника - гусеничная техника» достаточно высокие (0,75 ... 0,93), но не для всех объектов.
3
Этап 4. При сравнении результатов обучения и контроля нейронных сетей на первых трех этапах сделаны выводы о том, что одноуровневая двухслойная нейронная сеть не дает желаемых результатов классификации. Разделение классов по уровням нейронной сети при том же количестве слоев на каждом уровне дает повышение оценки правильной классификации на 0,03...0,2, но абсолютные значения остаются ниже требуемых (0,8...0,85 при требуемой 0,9).
Построение нейронной сети на основе последовательной схемы принятия решений не привело к снижению оценки вероятности правильной классификации человека, группы людей и гусеничной техники, а для колесной - оценка возросла в среднем на 0,2. Оценка вероятности правильного обнаружения составила 0,93 ... 0,96 по двум группам признаков при вероятности ложной тревоги 0,03 ... 0,25.
Этап 5. Для повышения эффективности классификатора была усложнена структура многоуровневой нейронной сети за счет введения дополнительного скрытого слоя на каждом уровне.
Результаты обучения и контроля нейронной сети при различном количестве нейронов скрытого слоя показали, что для решения задач обнаружения полезного сигнала на фоне помех, распознавания типа объекта и его классификации достаточно иметь в скрытом слое столько же нейронов, сколько их во входном слое. Введение дополнительного слоя позволило достичь требуемых оценок правильной классификации 0,9 по всем классам «Человек - группа людей - колесная - гусеничная техника»
Выводы.
1 Для решения задач обнаружения объектов по сейсмическим сигналам, классификации их по классам «Человек - группа людей - колесная - гусеничная техника» наиболее целесообразно использовать четырехуровневую нейронную сеть, каждый уровень которой настраивается на решение одной из выше перечисленных задач.
2 Для повышения оценок вероятности правильного обнаружения и классификации необходимо на каждом уровне использовать трехслойную нейронную сеть, причем в скрытом слое достаточно иметь столько же нейронов, сколько их во входном слое. Дальнейшее увеличение количества нейронов скрытого слоя не приводит к улучшению результатов классификации.
Список использованной литературы
1 Галушкин А.И. Нейрокомпьютеры в разработках военной техники США (обзор по материалам открытой печати)// Зарубежная радиоэлектроника, № 1. - 1995.
2 Галушкин А.И. Теория нейронных сетей. Кн. 1. Учеб. Пособие для вузов / Общая ред. А.И. Галушкина. - М.: ИПРЖР, 2000. - 416 с.
3 Чистова Г.К., Акимова Ю.С. Нейросетевой классификатор для обнаружения и распознавания объектов по сейсмосигналу // Известия высших учебных заведений Поволжский регион.- Серия “Технические науки”, № 1 (4),
2003. - С. 53 - 66.
4
Вектор
входных
данных
^ Двухслойная нейронная сеть
^1 класс ^2 класс
^5 класс
Рисунок 1 - Структурная схема классификатора
Вектор
входных
данных
Уровень 1
Двухслойная
нейронная
сеть
Л класс
Уровень 5
Двухслойная ^ нейронная сеть
5 класс
Рисунок 2 - Структурная схема пятиуровневого классификатора
1 уровень
2 уровень
3 уровень
Рисунок 3 - Последовательная схема принятия решений
5
Рисунок 4 - Структурная схема многоуровневой нейронной сети для последовательной схемы решения
6
Akimova Y.S.
Synthesis of neural networks for classification of breaker
The stages of building of classificator on the base of neural networks on the real seismic signals are considered in the article. The structure of neural network is created, the method of training is choosed, the input and work totality of signes is formed.
The neural networks; classification; breaker; seismic signals; signes
Сведения об авторах
Акимова Юлия Сергеевна - к.т.н., доцент кафедры «Автономные информационные и управляющие системы» ПГУ. Имеет 39 научных трудов, 4 учебно-методических работ, 2 патента.
7
