基于人工鱼群优化SVM的声磁标签信号检测研究

邓记才,耿亚南

(郑州大学 信息工程学院，河南 郑州 450001)

基于人工鱼群优化SVM的声磁标签信号检测研究

邓记才,耿亚南

(郑州大学 信息工程学院，河南 郑州 450001)

为了提高声磁EAS系统的检测率，增强系统抗干扰性，研究了一种改进人工鱼群算法(IAFSA)与支持向量机(SVM)相结合的声磁标签信号检测算法(IAFSA-SVM)．分析了支持向量机和传统人工鱼群算法的优势和缺陷，并提出了改进方案．实验表明：改进人工鱼群算法相比人工鱼群算法、遗传算法和粒子群算法收敛速度更快、寻优精度更高；IASFA-SVM算法相比传统的声磁标签检测算法体现出了检测率高、检测距离远和误报率低等优势,并且可以满足系统实时检测要求．

人工鱼群算法；支持向量机；声磁标签；检测率；实时检测

0 引言

声磁EAS(electronic article surveillance，EAS)系统是利用音叉原理设计，广泛应用于零售行业的电子商品防盗系统[1]．针对EAS系统的研究，国外研究重点在电磁辐射和标签识别算法方面，而国内主要针对系统的硬件电路设计．目前，国内研发的声磁EAS系统采用的标签识别方法主要是快速傅立叶变换(FFT)和计算信噪比(SNR)，虽然这两种算法实时性好、灵敏度高，但检测率较低．有研究者尝试将两种算法相结合，采用双门限检测策略，应用发现漏报现象严重．支持向量机[2](support vector machine,SVM)是基于统计学习的VC维理论和结构风险最小原理的一种新型的机器学习方法．测试发现，SVM模型的学习能力受参数设置的影响很大，而由于学习对象的不同，参数的选择并没有规律可循．群体智能优化算法的兴起为SVM参数的选择提供了一种新方法，如蚁群算法[3]、人工鱼群算法[4](artificial fish swarm algorithm，AFSA)、遗传算法[5]、粒子群算法[6]等，但群体优化算法也各有不足，遗传算法收敛速度慢，粒子群算法易陷入局部最优，人工鱼群算法虽然具有全局寻优能力良好、鲁棒性强、对初始化参数不敏感等优点，但也存在后期收敛速度慢、精度低等缺点．

为了提高声磁EAS系统的检测率，笔者提出了一种改进人工鱼群算法(improved-AFSA，IAFSA)与SVM相结合的声磁标签检测模型．

1 IAFSA-SVM检测原理

1.1 支持向量机

支持向量机通过在特征空间中寻找样本分类间隔最大的超平面实现样本分类[7]，可线性分类模型如图1所示．

图1 可线性分类模型Fig.1 The linear classification model

设存在线性可分的训练样本：

(xi,yi),xi∈Rn,yi∈{1,-1},i∈1,2，…，n.

分类函数表示为：

f(x)=wTx+b.

(1)

式中：w表示正交向量；b为常数．

(2)

i=1,2，…,n；ξi≥0,yi(wTxi+b)≥1-ξi.

其中惩罚参数C和松弛因子ξi用来调整分类函数误差，对应拉格朗日函数：

(3)

式中：0≤ αi≤C；γi≥0.

对于非线性可分类[8]问题，可以通过非线性映射将输入特征空间映射到高维空间来实现超平面分割，避免了在原空间中的非线性分割计算．定义核函数[9]K(x,y)表示样本转换空间后的内积运算．

K(x,y)=φ(x)·φ(y).

(4)

通过Lagrange乘数法[8]求解，最终得到SVM线性分类函数：

(5)

SVM核函数有线性核函数、多项式核函数、径向基核函数(RBF)、Sigmoid核函数．在光滑性假设下，若没有充分的分类先验信息和样本数据，RBF有很好的机器学习能力和泛化能力，故选择RBF为SVM核函数，RBF表达式：

(6)

确定核函数后，SVM模型待定参数有C和σ，寻找(C,σ)最优组合就成了SVM学习性能的关键．

1.2 人工鱼群算法

人工鱼群算法[10]是一种新型群体智能优化算法,其模拟鱼群的觅食、尾随、群聚和随机行为，通过个体的竞争和配合，最终聚集到营养丰富水域，实现全局寻优．

标记人工鱼当前位置X,X=(x1,x2,…,xn)，人工鱼最大视野为V,单次最大距离为S，人工鱼将在视野内随机搜索，若某时刻视点位置Vnext比所处位置食物浓度大，则向Vnext方向处移动至Xnext点, 其他人工鱼位置标记Xi(i=1,2,…,n)，算法模型如图2所示．

图2 人工鱼群算法模型Fig.2 The artificial fish model

(7)

(8)

式中：θ表示[-1,1]的随机数．

算法初始化参数包括：鱼群规模N、视野V、步长S、拥挤因子δ、迭代次数M等．

1.3 改进的人工鱼群算法

1)设置两个不同视野参数．如果视野范围过大会导致算法收敛速度变慢，视野太小会导致算法陷入局部最优．将群聚和尾随视野设置为较大值V1，提高寻优范围；觅食视野设置较小值V2，加快收敛速度．

2)引入参数动态调节系数R(0

3)引入淘汰机制．当算法迭代次数过半，若某条人工鱼的目标函数值低于预设阀值时则被淘汰，释放内存，淘汰机制可以有效地降低算法复杂度．

2 声磁标签信号特征

商品上都附着电子标签，标签的谐振频率和载波频率一致，标签经过检测区域时就会产生共振现象，若系统检测器检测到了共振信号，就说明有商品未经购买被带出商场，触发报警．市场上采用的声磁标签的谐振频率主要在58～68 kHz，笔者所研究的是58 kHz声磁EAS检测系统．

由于信号的耦合和反射等原因，检测器将持续性地接收到噪声信号，实际检测信号如图3所示．

通过分析信号频域特征可以发现，噪声信号功率谱能量集中在60 kHz，最大模值为36.68．

图3 噪声信号分析结果Fig.3 The analysis results of noise

声磁EAS系统的检测宽度在1.0～1.5 m之间，标签越接近天线，共振信号幅度越大，将标签放置在距离接收天线0.8 m处，实际检测信号如图4所示．

图4 标签信号处理结果Fig.4 The analysis results of activate tag

通过分析信号频域特征可以发现，标签信号功率谱能量集中在58 kHz，与标签谐振频率一致，信号最大模值为138.9．

综合考虑标签信号的可靠性和算法复杂度，在标签经过检测区域时，采集标签距离接收天线0.5、1.0和1.5 m处的接收信号，提取信号中心频率、最大模值和信噪比作为特征向量，所以SVM输入向量包含9个参数，输出包括+1(有标签)和-1(无标签)．

3 实验结果分析

为了测试改进的人工鱼群算法在支持向量机参数中的寻优性能，分别与粒子群算法(PSO)、遗传算法(GA)和人工鱼算法(AFSA)进行了对比实验．采集2 072组声磁标签信号数据，随机均匀抽取1 072组作为训练样本，剩余1 000组作为测试样本．

3.1 实验参数设置

基于IAFSA-SVM算法的声磁EAS标签信号检测流程如图5所示，虚框中步骤可以由其他检测算法所代替．

1) 遗传算法：交叉概率为0.8，变异概率为0.01．

2) 粒子群算法：最大速度为0.5，最小速度为-0.5，局部搜索参数为1.4，全局搜索参数为1.6．

3) 人工鱼群算法：最大试探参数为30，拥挤因子为0.652，视野为0.6，步长为0.1．

4) 改进人工鱼群算法：最大试探参数为30，拥挤因子为0.652，尾随和群聚行为视野为0.8，觅食行为视野0.4，步长为0.1，波动因子为0.5，淘汰阀值0.6．

5) 初始化群体进化最大评价次数为50，群体规模为10，C和σ取值范围均为[0.01,10]．

图5 系统检测流程图Fig.5 The test’s flowchart based on IAFSA-SVM

3.2 实验结果分析

为了测试算法的抗干扰性，分别采用标准声磁信号样本和混入噪声的信号样本进行测试，结果如图6和图7所示，图中虚线是以常用的网格搜索法确定参数的基础SVM模型的测试结果．

图6 标准信号测试结果Fig.6 The test’s results of normal signal

图7 混入噪声的信号测试结果Fig.7 The test’s results of normal signaland noise

实验结果表明：在检测声磁标签信号中，IAFSA相比GA、PSO、AFSA和网格搜索法具有收敛速度快、寻优精度高、抗干扰能力强的优点．

为了测试IAFSA-SVM在声磁EAS系统中应用的性能，分别与基础SVM、FFT和SNR进行实验对比，其中IAFSA-SVM和基础SVM的参数组合分别为(5.358 0,0.228 5)、(4.138 0,0.206 5)，重复测试10次取均值，结果如表1和图8所示．

表1 标签检测算法对比Tab.1 The comparison of label detection

图8 声磁信号检测结果Fig.8 The test’s result of the activate tag

IAFSA属于随机类型算法，为了更加严谨地得出结论，使用Wilcoxon 秩和检验方法分析实验数据，以说明IAFSA-SVM相比另3种方法在检测率方面是否有变化．

假设H0:M1=M2即两种方法的检测率总体分布相同；H1:M1≠M2,即两种方法的检测率总体分布不同.取α=0.05，查表T0.026(10,10)=(79,131)，实验结果如表2所示．

表2 秩和检验分析各组实验结果Tab.2 The experimental resultof Wilcoxon

表2结果表明，IAFSA-SVM与FFT、SNR和基础SVM的检测率结果总体分布均不同，结合实验均值结果可以得出结论：IAFSA-SVM相比传统的声磁标签信号检测算法检测率更高，检测距离更远；并且平均检测时间为4.6 ms，在现有的DSP或FPGA平台上均可以满足实时检测要求．

4 结论

针对传统声磁EAS标签检测算法检测率低、漏报和误报现象严重等问题，提出了一种改进的人工鱼群算法和支持向量机相结合的标签检测算法．实验结果表明：改进的人工鱼群算法相比传统人工鱼群算法、遗传优化算法和粒子群算法在确定SVM最优参数组合方面有更突出的寻优能力；IAFSA-SVM模型相比传统的声磁标签检测算法表现出了检测距离远、检测率高、误报率低等优点，同时可以满足系统实时检测要求．IAFSA-SVM在声磁EAS标签信号检测中的研究不仅丰富了SVM的应用，也为标签信号识别问题提供了一种新的解决方法．

[1] KHAN L,AWA M,THURAISINGHAM B.A new intrusion detection system using support vector machines and hierarchical clustering[J].The VLDB journal,2007,16:507-521.

[2] 肖建,于龙,白裔峰.支持向量回归中的核函数和超参数选择方法综述[J].西南交通大学学报,2008,43(3):297-303.

[3] SUYKENS J A K, VANDEWALLE J.Least squares support vector machine classifiers[J].Neural processing letters, 1999,9(3):293-300.

[4] AMINIAN M， AMINIAN F.A modular fault-diagnostic system for analog electronic circuits using neural networks with wavelet transform as apreprocessor[J]. IEEE transactions on instrumentation and measurement,2007,56(5):1546-1554.

[5] VAPNIK V.The nature of statistical learning theory [M]. New York: Wiley,1998:20.

[6] 谭明交,张宏梅,吕艳秋. 群体智能算法及其性能评价指标研究[J].计算机与数学工程, 2008,8(3):10-12.

[7] JAYADCVA R, KHEMCHANDANI S C.Twin support vector machines for pattern classification [J]. IEEE trans on pattern analysis and machine intelligence,2007,29(5):905-910.

[8] 张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.

[9] 王华忠,俞金寿.核函数方法及其模型选择[J].江南大学学报:自然科学版,2006,5(4):500-504.

[10]FLAKE M W, LAWRENCE S. Efficient SVM regression training with SMO[J]. Machine learning, 2002,46(1): 271-290.

The Research Based on the Improved Artificial Fish Swarm Algorithm and the SVM in the Acoustic Magnetic EAS

DENG Jicai, GENG Yanan

(School of Information Engineering, Zhengzhou University, Zhengzhou 450001, China)

In order to improve the detection rate of the acoustic magnetic EAS system, and enhance the anti-interference performance, the paper studied a new label detection algorithm that was the combination of the improved artificial fish swarm algorithm (IAFSA) and the support vector machine (SVM). An improved scheme was proposed after analyzing the strengths and weaknesses of the traditional AFSA and SVM. The experimentalresults showed that the IASFA had the faster rate of convergence and the higher accuracy than AFSA, the genetic algorithm and the particle swarm algorithm; The IASFA-SVM had the higher detection rate, the longer detective distance and the lower rate of false than the traditional magnetic label detection algorithm,and the IASFA-SVM also could meet the requirements of real-time detection.

artificial fish swarm algorithm; SVM; label detection; detection rate; real-time detection

2017-04-08；

2017-05-20

国家自然科学基金委-民航联合基金(U1433106)；2016年度河南省科技攻关计划项目(162102210162)

邓记才(1964— ),男,河南郑州人,郑州大学教授,博士,主要从事嵌入式系统研究,E-mail:iejcdeng@zzu.edu.cn．

1671-6833(2017)04-0035-04

TP181

A

10.13705/j.issn.1671-6833.2017.04.001