基于人工智能的边境管控无线传感数据处理系统设计

文春明 , 张超群, 罗丽平, 卢振坤, 覃 晓, 周 卫, 黄华娟, 朱晓前

(1 广西民族大学 信息科学与工程学院， 南宁 530006； 2 广西高校复杂系统与智能计算重点实验室， 南宁 530006；3 广西边海防委员会办公室， 南宁 530028)

引言

沿边境地区是中国对外开放的重要门户，是国家重要的战略资源储备基地和安全屏障，边境管控在国防安全和国民经济社会发展中具有重要作用。中国拥有2.28万公里的陆地边境线，同14个国家毗邻，区域面积200万平方公里，分布有45个少数民族。沿边境地区地形复杂，山岭连绵，谷深坡陡，崎岖不平，沟壑交错，气候多变。在边境一线，除有国家级、省级海关通道外，还有很多痕迹不清，路面崎岖，植被覆盖，行走极为不便的通道难以管控。随着国内社会经济的飞速发展与进步，走私、贩毒、内潜外逃等问题却仍可探察到活动发生之迹象，传统的小分队定时、定点巡逻方式已不适应当前的形势，边境管控面临着日趋严峻的考验[1-4]。

依托信息获取和集成融合的现代无线传感技术，建立事件精确位置和相关信息、管控智能的边境严防体系，在边境地区进行有针对性的检查和拦截是目前高度有效的重要方法与手段。本文提出了采用传感器、视频监控等组成无线传感网络，利用人工智能技术对获取的信息进行智能分析和处理，协助边境管理部门加强边境管控，满足“事前预警、目标跟踪、事件处置”的要求，探索和推进边境管控智能化工作，实现人流、物流、信息流由粗放管理向精细化、智能化、标准化、自动化远程管理的转变，全面提升边境管控效率和边境管理水平。

1 边境管控系统的信息获取及预处理

无线传感网络(Wireless Sensor Network，WSN)是由大量静止或移动的传感器以自组织和多跳的方式构成的无线网络，协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息，并且再将这些信息(位置、时间等)发送给网络的所有者[5]。无线传感网络广泛应用于国防、军事、工业、农业、商业、智能交通、环境监控、医疗卫生等多个领域，在攸关国计民生等诸多方面发挥着全局基础性的影响与作用[6-14]。

传感器将欲探测对象的信息由非电量转换成电量输出。一般由敏感元件、转换元件、转换电路、信号调理电路组成，可将被监测的物体或区域的信息通过传感器转换成电信号。如利用热释电人体红外传感器探测通道是否有人通过，光纤振动传感器可将监测的振动信号记录下来，再辅以一定的特征分析，可判断是人、动物或其他物体(机动车)等的振动。研究可得设计结构如图1所示。

图1 传感器原理图Fig. 1 Sensor schematic

无线传感节点由传感器、无线通信芯片、微处理器、电源等组成，与传统的单纯传感器相比，增加了微处理器和无线通信芯片，能够对获取的传感信息进行简单的分析处理和无线网络传输。无线传感网络由传感节点、无线通信网络和控制管理中心三部分组成。其主要组成部分是集成有传感器、数据处理单元和通信模块的传感节点，各节点通过协议自组成一个分布式网络，再将采集来的数据通过优化后经无线电波传输给信息处理中心。

在边境管控无线传感网络系统传回的信息中有很多是本地居民正常工作、生活的相关信息，如到边境线附近的耕地、水田、山林的日常劳作，正常的跨边境贸易等，还有诸如大型动物(野猪等)经过传感器传回的信号等，如果不对这些信号进行智能处理，则管控系统的预警信号的误报率会呈数量级上升，使边防人员疲于奔命，但却收效极微。因此必须对接收到的信号提供必要的预处理，将大量传感数据实现分类记录处理，整体流程如图2所示。再将得到的结果用于训练神经网络模型进行综合分析判断，提取非正常穿越边境行为特征(隐藏在时间、跨境路线、地点等信息后面的深层特征)。旨在提升信息的价值含量，减少误报率，使边防人员的拦截和检查有的放矢，提高有效性和针对性。

图2 边境管控系统传感信息预处理流程图

Fig.2Frontiermanagementsystemsensorinformationpre-processingflowchart

2 边境管控系统的智能化信息处理

人的活动都遵循一定的规律，具有一定的特征，对于大量的群体活动，其特征更为明显，特别是用大数据记录下其活动后，经过人工智能的数据分析处理，能更深入刻画其本质，掌握其规律。神经网络是在生物功能启示下建立起来的一种数据处理技术。这是由大量简单神经元互连而构成的一种计算结构，在某种程度上模拟生物神经系统的工作过程，神经网络具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力，因而具备解决实际问题的应用优势[15-19]。人工神经网络结构如图3所示。

图3 人工神经网络结构示意图Fig. 3 Schematic diagram of artificial neural network structure

图3中，xj表示输入层第j个信息(坐标、时间、天气状况等)(j=1，…，M)；wij表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值；φ(x)表示隐含层的激励函数；wki表示输出层第k个节点到隐含层第i个节点之间的权值(i=1，…，q)；ak表示输出层第k个节点的阈值(k=1，…，L)；ψ(x)表示输出层的激励函数；ok表示输出层第k个节点的输出；TK表示第k个节点的期望输出，在人工神经网络学习阶段，期望输出为对应的信息分类。

人工神经网络对边境传感信息的处理包括2个过程,具体如下:

(1)传感信息的正向传播处理过程。传感信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。隐含层第i个节点的输入neti的数学表述为:

(1)

隐含层第i个节点的输出yi的计算公式为：

(2)

输出层第k个节点的输入netk的数学公式可表示为：

(3)

输出层第k个节点的输出ok的对应公式为：

(4)

(2)传感误差的反向传播过程。即在输出层没有得到期望输出的情况下，则由输出层开始逐层计算各层神经元的误差，然后根据误差梯度下降法来调节各层的权值和阈值，使得修改后网络的最终输出能接近期望值Tk。

根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi，η为学习速率，研究得到其公式为：

(5)

经过化简整理，最后得到输出层和隐含层的权值、阈值调整公式分别为:

(6)

(7)

wki·φ′(neti)·xj

(8)

wki·φ′(neti)

(9)

人工神经网络的软件设计流程如图4所示。

图4 人工神经网络程序流程图Fig. 4 Artificial neural network program flow chart

3 实验

用Matlab对所述的传感信息(坐标、时间、天气状况等)进行仿真实验。首先随机产生5 000组实验数据，选择中3 000组数据用于人工神经网络训练，其余2 000组数据用于测试。

测试的结果如图5所示。从图5中可以看出，测试样本的分类结果几乎与实际的分类情况相同，测试的准确率为99.65%。因此用人工神经网络可以对传感信息进行有效的分类提升信息的价值含量，使边防人员的拦截和检查工作也随即增强了可执行性和目标针对性。

图5 人工神经网络分类测试效果图Fig. 5 Artificial neural network classification test results

运用Matlab研发得到的系统校验结果如图6所示，横轴为迭代次数，纵轴为方差。从图6中可以看出，系统的最佳校验效果是在迭代10次时，方差为0.030 718，之后不再下降，保持在0.03附近，训练数据的方差则随着迭代次数的增长而下降。究其原因就是系统是先用一部分数据进行训练，需要对这部分数据实现全拟合，故这部分数据的方差随着迭代次数增长而呈现下降，而测试和检验数据则是根据神经网络训练得到的结构进行测试和检验，故存在一定的误差。

图6 系统校验结果图Fig. 6 System calibration results

对系统进行多次测试，可得测试结果如图7所示。从图7中可以看出，虽然每次测试的准确率不完全相同，但准确率基本一致，且均在99%以上，由此可以得到，系统的稳定性较好，可靠性较高。

图7 系统测试次数与准确率关系图Fig. 7 Relation between system test times and accuracy

4 结束语

针对目前边境管理部门难以监控数量众多，分布极广的跨境便道，本文提出了用传感器拾取跨越事件信息，以无线的方式将信息传输到信息中心，设计提出了一种人工神经网络对边境传感信息进行分析处理，有效识别出异常边境传感信号，并生成报警提示，以便在边境地区展开有针对性的检查和拦截，提高边境管控的水平和效率。考虑到无线传感网络传感器种类多、数目可观，以及拾取的信息量巨大，如何从海量传感数据中利用人工智能技术进行高效挖掘，获取更有价值的信息，则是未来下一步工作的研究重点。

[1] 董振国，王军伟. 极端思想蛊惑 千余偷渡分子走上不归路[EB/OL]. [2015-01-19]. http://www.banyuetan.org/chcontent/sz/szgc/2015119/123165.shtml.

[2] 王亚宁. 论研究中国边境安全的必要性[J]. 中国公共安全(学术版), 2015(1):1-4.

[3] 王茜. 广西与越南边境地区安全问题与治理研究[D]. 南宁：广西民族大学, 2016.

[4] 央视网. 揭开越南生猪走私非法利益链：一天上万头越南生猪走私入境[EB/OL].[2016-11-20]. http://news.cctv.com/2016/11/20/ARTIRgSGOFKrljDwpKD9Fnap161120.shtml.

[5] 孙利民, 李建中, 陈渝,等. 无线传感器网络[M]. 北京:清华大学出版社, 2005.

[6] 石鲁生, 朱慧博. 一种基于RSSI的区域重叠质心室内定位算法[J]. 智能计算机与应用, 2017, 7(3):55-57.

[7] 尤政, 王伟忠, 陈硕,等. 无线MEMS传感系统在燃气轮机等恶劣环境下的应用[J]. 航空学报, 2014, 35(8):2081-2090.

[8] 罗路胜, 文春明. 基于ARM的无线温湿度监测控制系统[J]. 科技创新与应用, 2016(13):26-27.

[9] 温志渝, 温中泉, 贺学锋,等. 振动式压电发电机及其在无线传感器网络中的应用[J]. 机械工程学报, 2008, 44(11):75-79.

[10]WEN Chunming, LUO Liping, HUANG Huajuan, et al. Research on RSSI location environment parameter detection based on artificial neural network[J]. Journal of machine leaning and signal processing,2016,3(4):299-303.

[11]彭群忠, 谭敏生, 李洋伟,等. 基于无线传感网络的β辐射监测系统的实现[J]. 智能计算机与应用, 2012, 2(5):49-51.

[12]KOMAR C, DONMEZ M Y, ERSOY C. Detection quality of border surveillance wireless sensor networks in the existence of trespassers’ favorite paths[J]. Computer Communications, 2012, 35(10):1185-1199.

[13]GHATAOURA D S, MITCHELL J E, MATICH G E. Networking and application interface technology for wireless sensor network surveillance and monitoring[J]. IEEE Communications Magazine, 2011, 49(10):90-97.

[14]WEN Chunming, ZHANG Chaoqun, ZHOU Wei, et al. A wireless sensor network location approach based on the characteristics of electromagnetic wave symmetry[C]//5thInternational Conference on Measurement, Instrumentation and Automation (ICMIA 2016). Shenzhen, China: Atlantis Press, 2016: 685-689.

[15]陈国良, 韩文廷. 人工神经网络理论研究进展[J]. 电子学报, 1996,24(1):70-74.

[16]熊伟晴, 燕晓波, 姜守旭,等. 基于BP神经网络和模糊推理系统的短时交通流预测[J]. 智能计算机与应用, 2015,5(2):43-46,51.

[17]文春明, 吴建生. 基于神经网络的智能教学系统学生模型设计[J]. 智能计算机与应用, 2011, 1(4):52-53,58.

[18]LUO Qifang, WEN Chunming, QIAO Shilei, et al. Dual-system water cycle algorithm for constrained engineering optimization problems[M]// HUANG D S. ICIC 2016,part I, LNCS 9771. Switzerland:Springer International Publishing,2016: 730-741.

[19]ZHOU Yongquan, ZHAO Ruxin, LUO Qifang, et al. Sensor deployment scheme based on social spider optimization algorithm for Wireless Sensor Networks[J]. Neural Processing Letters, 2017(16):1-24.