基于廣義回歸神經(jīng)網(wǎng)絡(luò)的炸藥量推算

張龍年張彥春陳立宏張洪國(guó)

（1 中國(guó)刑事警察學(xué)院教務(wù)處 遼寧 沈陽 110035；2 中國(guó)刑事警察學(xué)院研究生處 遼寧 沈陽 110035；3 中國(guó)刑事警察學(xué)院痕跡檢驗(yàn)技術(shù)系 遼寧 沈陽 110035）

基于廣義回歸神經(jīng)網(wǎng)絡(luò)的炸藥量推算

張龍年1張彥春2陳立宏3張洪國(guó)3

（1 中國(guó)刑事警察學(xué)院教務(wù)處 遼寧 沈陽 110035；2 中國(guó)刑事警察學(xué)院研究生處 遼寧 沈陽 110035；3 中國(guó)刑事警察學(xué)院痕跡檢驗(yàn)技術(shù)系 遼寧 沈陽 110035）

炸藥量推算在爆炸現(xiàn)場(chǎng)分析中具有重要作用。利用炸坑痕跡的3個(gè)表觀量化特征參量，建立了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的炸藥量推算方法，并以野外爆炸實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，進(jìn)行炸藥量推算結(jié)果與實(shí)際值的比較。結(jié)果顯示，此方法在根據(jù)土介質(zhì)炸坑痕跡推算炸藥量方面能夠達(dá)到比較準(zhǔn)確的推算效果，尤其在軟粘土及中硬粘土介質(zhì)中，對(duì)炸藥量的推算具有較高的準(zhǔn)確性和可靠性。

炸坑痕跡 炸藥量 廣義回歸神經(jīng)網(wǎng)絡(luò)

1 引言

爆炸案件現(xiàn)場(chǎng)炸藥量推算是一個(gè)復(fù)雜的問題，這是由爆炸現(xiàn)場(chǎng)的復(fù)雜性及爆炸現(xiàn)場(chǎng)痕跡產(chǎn)生影響因素較多所決定的。目前，常用的炸藥量推算方法有經(jīng)驗(yàn)判斷法及經(jīng)驗(yàn)公式推算法，其科學(xué)性和準(zhǔn)確性都有待于進(jìn)一步提高。

本文根據(jù)炸坑痕跡的量化特征，建立了一種用于解決地面接觸爆炸情況下，炸藥量推算問題的方法。該方法依托廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）算法，利用炸坑痕跡的3個(gè)表觀量化特征參量，建立了炸藥量推算模型。由于廣義回歸神經(jīng)網(wǎng)絡(luò)獲取數(shù)據(jù)之間關(guān)系的方法不同于插值和擬合，而是直接以采樣或計(jì)算得來的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行修改，不需要重新計(jì)算參數(shù)，因此在分類能力、逼近能力和學(xué)習(xí)速度上都有較強(qiáng)的優(yōu)勢(shì)，對(duì)不穩(wěn)定數(shù)據(jù)及樣本數(shù)據(jù)缺乏的數(shù)據(jù)預(yù)測(cè)效果也比較好[1]，進(jìn)而決定了該模型能夠?qū)φㄋ幜窟M(jìn)行準(zhǔn)確地推算，保證了推算方法的科學(xué)性和可行性。

2 基于GRNN炸藥量推算方法的建立

GRNN最早由美國(guó)學(xué)者Donald F. Specht在1991年提出[2]，是一種基于非線性回歸分析理論建立的神經(jīng)網(wǎng)絡(luò)模型，其原理源于數(shù)理統(tǒng)計(jì)中概率論的思想：當(dāng)用作函數(shù)逼近時(shí)，網(wǎng)絡(luò)輸出可理解為網(wǎng)絡(luò)輸入的回歸函數(shù)；當(dāng)用作分類時(shí)，其可理解為相應(yīng)類別的后驗(yàn)概率[3]。GRNN的網(wǎng)路結(jié)構(gòu)共有4層，分別為輸入層、模式層、求和層和輸出層，如圖1所示。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖

基于GRNN的炸藥量推算方法是智能推算的神經(jīng)網(wǎng)絡(luò)法，其核心是采用廣義回歸神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)理論對(duì)爆炸作用后產(chǎn)生的炸坑痕跡表觀量化特征參量進(jìn)行分析。本文研究目的是推算炸藥量，因此炸藥量即為此智能推算的神經(jīng)網(wǎng)絡(luò)輸出，而炸坑痕跡表觀量化特征參量即為該神經(jīng)網(wǎng)絡(luò)的輸入。爆炸后產(chǎn)生的炸坑痕跡是推算炸藥量最常用的痕跡，而土介質(zhì)類型、炸坑直徑及炸坑深度數(shù)據(jù)也是炸坑痕跡最直觀的可量化數(shù)據(jù)[4]，相比于壓縮壁直徑和深度更容易測(cè)量。因此，建立基于GRNN炸藥量推算方法，首先就是利用炸坑實(shí)驗(yàn)中的3個(gè)表觀量化特征參量（土介質(zhì)爆炸作用系數(shù)、炸坑直徑和炸坑深度）以及炸藥量數(shù)據(jù)，通過廣義回歸神經(jīng)網(wǎng)絡(luò)算法對(duì)這些數(shù)據(jù)進(jìn)行同步處理，其中炸坑直徑、炸坑深度和土介質(zhì)爆炸作用系數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，炸藥量作為神經(jīng)網(wǎng)絡(luò)的輸出層，然后通過訓(xùn)練得到這幾個(gè)因素構(gòu)成的網(wǎng)絡(luò)模型，找出輸入與輸出之間的特征關(guān)系從而進(jìn)行推算應(yīng)用，即當(dāng)通過輸入實(shí)測(cè)炸坑得到的3個(gè)表觀量化特征參量即可獲得反分析的解[5]。

推算模型的基本構(gòu)建流程，具體可以分為以下4個(gè)步驟：

（1）產(chǎn)生訓(xùn)練樣本數(shù)據(jù)集和測(cè)試樣本數(shù)據(jù)集。在產(chǎn)生訓(xùn)練樣本數(shù)據(jù)集及測(cè)試樣本數(shù)據(jù)集時(shí)，首先需要考慮訓(xùn)練集和測(cè)試集樣本的數(shù)量，本文以地面接觸炸坑實(shí)驗(yàn)數(shù)據(jù)中的39組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)集，以另外11組地面接觸炸坑實(shí)驗(yàn)數(shù)據(jù)作為測(cè)試樣本數(shù)據(jù)集，如表1所示。其中，M為實(shí)際炸藥量； K為介質(zhì)爆炸作用系數(shù)（K為經(jīng)驗(yàn)系數(shù)通常取值7~10）[6]，硬介質(zhì)地面取值偏小，軟介質(zhì)地面取值偏大；D2為炸坑直徑；h2為炸坑深度。

表1 測(cè)試樣本數(shù)據(jù)

其次還需要考慮到異常數(shù)據(jù)樣本是否會(huì)對(duì)模型的建立產(chǎn)生影響，建議對(duì)異常數(shù)據(jù)樣本做剔除處理后再建模。表1中K的取值是在基于經(jīng)驗(yàn)公式推算炸藥量的方法中，誤差最小的條件下進(jìn)行選擇的。在本文研究的炸藥量推算方法中，介質(zhì)爆炸作用系數(shù)K的不同取值，可以等同于對(duì)不同土介質(zhì)類型的分類。

（2）建立GRNN神經(jīng)網(wǎng)絡(luò)。在Matlab環(huán)境下，采用Matlab語言編寫算法計(jì)算程序。以炸坑實(shí)驗(yàn)數(shù)據(jù)中炸坑直徑D2和炸坑深度h2，以及土介質(zhì)爆炸作用系數(shù)k作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，炸藥量W作為神經(jīng)網(wǎng)絡(luò)的輸出層，應(yīng)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建推算模型，W =M (D2,h2,k)。

（3）一旦輸入層與輸出層變量的函數(shù)關(guān)系M (D2,h2,k)確定，輸入測(cè)試樣本集的炸坑痕跡的測(cè)量值（炸坑直徑D2、炸坑深度h2、土介質(zhì)爆炸作用系數(shù)k）后，將通過模型M (D2,h2,k)輸出我們所關(guān)注的炸藥量W，從而實(shí)現(xiàn)炸藥量推算的需求。

（4）將推算結(jié)果與實(shí)際值進(jìn)行比較，檢測(cè)推算模型的推算效果。

3 結(jié)果與分析

本研究中炸坑實(shí)驗(yàn)使用的炸藥均為TNT炸藥，其他類型的炸藥可以通過公式換算成等效的TNT當(dāng)量。根據(jù)以上炸藥量推算方法確定的輸入和輸出，將39組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，通過神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練得到炸藥量推算網(wǎng)格模型，然后把表1中11組實(shí)驗(yàn)數(shù)據(jù)作為測(cè)試樣本輸入此網(wǎng)絡(luò)模型進(jìn)行推算，推算結(jié)果如表2所示。

表2 GRNN推算結(jié)果

分析表2數(shù)據(jù)可以看出，11組測(cè)試樣本的推算炸藥量與實(shí)際炸藥量相對(duì)誤差平均值為11.51%，其中測(cè)試樣本3～7組炸藥量推算值的相對(duì)誤差最為理想，均未超過10%，說明在軟粘土及中硬粘土介質(zhì)中該炸藥量推算方法有更好的適用性。

為檢驗(yàn)該推算方法的泛化能力與可靠性，將推算結(jié)果和實(shí)際數(shù)據(jù)進(jìn)行擬合比較，結(jié)果如圖2所示。

圖2 GRNN推算和實(shí)際炸藥量擬合圖

由上圖比較分析可以看出，推算炸藥量折線圖與實(shí)際炸藥量折線圖，除在個(gè)別測(cè)試樣本數(shù)據(jù)推算結(jié)果不理想外，總體上基于GRNN對(duì)炸藥量進(jìn)行推算具有比較高的準(zhǔn)確性，推算模型可靠性也較高，推算結(jié)果與實(shí)際值基本吻合。對(duì)于個(gè)別測(cè)試樣本數(shù)據(jù)推算結(jié)果不理想的原因，筆者認(rèn)為在對(duì)爆炸后炸坑數(shù)據(jù)（炸坑直徑，炸坑深度）的測(cè)量中存在一定人為誤差，提高測(cè)量工具精度及測(cè)量次數(shù)可以有效避免測(cè)量誤差的形成進(jìn)而減少較大推算誤差的形成。此外雖然GRNN對(duì)于樣本缺乏的數(shù)據(jù)具有較好的推算效果，但是充足的樣本量必然會(huì)提高GRNN模型訓(xùn)練精度，因此通過增加樣本數(shù)據(jù)量提升GRNN模型推算精度也是可行的。

4 結(jié)論

本文提出的利用炸坑痕跡的3個(gè)表觀量化特征參量并基于廣義回歸神經(jīng)網(wǎng)絡(luò)而建立的炸藥量推算方法，經(jīng)過11組實(shí)驗(yàn)樣本數(shù)據(jù)的測(cè)試，結(jié)果表明：基于廣義回歸神經(jīng)網(wǎng)絡(luò)的炸藥量推算方法，在地面接觸爆炸條件下具有較好的可行性，尤其在軟粘土及中硬粘土介質(zhì)中，炸藥量推算結(jié)果最好。對(duì)于近地面埋入或懸空爆炸的情況，在后續(xù)的研究中需要將炸藥埋深或懸空高度與炸藥量一同作為神經(jīng)網(wǎng)絡(luò)的輸出層，建立新的樣本訓(xùn)練模型，進(jìn)而擴(kuò)大該炸藥量推算方法的適用范圍。

[1]王小川,史峰,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2013:67-71.

[2]Specht D E.The general regression neural networkrediscovered[J].Neural Network,1993(7):1033-1034.

[3]楊杰,占軍,等.MATLAB神經(jīng)網(wǎng)絡(luò)30例[M].北京:電子工業(yè)出版社,2014:94-97.

[4]張彥春,羅亞平,等.土介質(zhì)炸點(diǎn)痕跡反演爆源特征的研究[J].安全與環(huán)境學(xué)報(bào),2012(2):261-264.

[5]張濤,張錦龍.基于GRNN神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)研究[J].物流科技,2014(10):138-141.

[6]張彥春,張洪國(guó).爆炸現(xiàn)場(chǎng)勘驗(yàn)與分析技術(shù)[M].北京:中國(guó)人民公安大學(xué)出版社,2013:197-200.

（責(zé)任編輯：于 萍）

X932

A

2095-7939（2017）04-0069-03

10.14060/j.issn.2095-7939.2017.04.012

2017-02-16

張龍年（1988-），男，遼寧沈陽人，中國(guó)刑事警察學(xué)院教務(wù)處研究實(shí)習(xí)員，主要從事實(shí)踐教學(xué)管理和爆炸現(xiàn)場(chǎng)勘驗(yàn)與分析技術(shù)研究。