基于AE-LSTM網(wǎng)絡(luò)模型的機(jī)場(chǎng)周界入侵報(bào)警及分類算法

許奕杰， 王 嶸， 萬永菁， 孫 靜

（1. 華東理工大學(xué)信息科學(xué)與工程學(xué)院，上海 200237；2. 上海卓希智能科技有限公司研發(fā)部，上海 201611）

隨著飛機(jī)逐漸成為人們出行的首選，機(jī)場(chǎng)的人流日趨密集，安全問題顯得尤為重要。機(jī)場(chǎng)周界是機(jī)場(chǎng)飛行區(qū)與外界隔離的第一道安全屏障，擔(dān)負(fù)著保障飛行區(qū)安全的重任[1]。

傳統(tǒng)的周界入侵報(bào)警系統(tǒng)所采用的探測(cè)技術(shù)大致可以分為4種類型：對(duì)射遮擋、依附探測(cè)、物理感應(yīng)和智能視頻監(jiān)控[2]，主要包括紅外探測(cè)[3]、激光對(duì)射[4]、張力圍欄[5]、埋地電纜以及振動(dòng)光纖[6]等?，F(xiàn)階段各大機(jī)場(chǎng)采用的智能周界入侵報(bào)警系統(tǒng)均基于此類傳統(tǒng)探測(cè)技術(shù)，例如廣州白云機(jī)場(chǎng)采用振動(dòng)電纜智能檢測(cè)技術(shù)并輔以微波對(duì)射檢測(cè)技術(shù)；昆明長(zhǎng)水機(jī)場(chǎng)采用振動(dòng)電纜智能檢測(cè)技術(shù)并輔以泄漏電纜檢測(cè)技術(shù)等。這些技術(shù)和所采用的設(shè)備受大風(fēng)、暴雨、大雪等客觀條件的影響較大，極易產(chǎn)生誤報(bào)。同時(shí)，這類機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)僅僅只能實(shí)現(xiàn)報(bào)警的功能，而不能實(shí)現(xiàn)對(duì)具體入侵行為的識(shí)別。中國(guó)民用航空局2017年提出了新版本的《民用運(yùn)輸機(jī)場(chǎng)安全保衛(wèi)設(shè)施》[7]，因此對(duì)周界入侵行為進(jìn)行準(zhǔn)確識(shí)別成為了機(jī)場(chǎng)安防領(lǐng)域最重要的研究方向之一。對(duì)于周界網(wǎng)振動(dòng)信號(hào)，傳統(tǒng)的信號(hào)處理方法（例如傅里葉變換和小波變換）雖然可以提取信號(hào)時(shí)頻域上的特征，但在惡劣天氣的干擾下，提取到的特征極為相似，無法完成準(zhǔn)確分類。而利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（例如BP神經(jīng)網(wǎng)絡(luò)）雖然可以提高一定的分類準(zhǔn)確率，但依然無法達(dá)到行業(yè)應(yīng)用要求。北京博睿視科技有限公司2017年公開了一種基于深度學(xué)習(xí)的周界報(bào)警算法[8]，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)監(jiān)控視頻幀進(jìn)行分類，最終實(shí)現(xiàn)對(duì)人的識(shí)別，然而，該算法的研究依然停留在理論階段?；谶@類情況，本文研究將機(jī)器學(xué)習(xí)技術(shù)引入機(jī)場(chǎng)安防領(lǐng)域。

長(zhǎng)短時(shí)記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)最初是為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中產(chǎn)生的梯度消失或梯度爆炸問題而被提出的，隨著LSTM的發(fā)展，越來越多的基于LSTM的網(wǎng)絡(luò)模型諸如深度雙向LSTM（DB-LSTM）[9]、卷積殘差記憶網(wǎng)絡(luò)（CRMN）[10]等被成功應(yīng)用于語義識(shí)別、情感分析、股市預(yù)測(cè)等領(lǐng)域，證明了LSTM網(wǎng)絡(luò)在處理非穩(wěn)態(tài)時(shí)序信號(hào)上的優(yōu)越性。因此，本文以LSTM網(wǎng)絡(luò)為核心，搭建自編碼長(zhǎng)短時(shí)記憶（AE-LSTM）網(wǎng)絡(luò)模型，對(duì)不同機(jī)場(chǎng)周界入侵行為進(jìn)行分類，尤其是將極難區(qū)分的大風(fēng)狀態(tài)與入侵行為區(qū)分開，令機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)在降低誤報(bào)率的同時(shí)，可以對(duì)不同的入侵行為進(jìn)行準(zhǔn)確識(shí)別。

1 機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)

1.1 系統(tǒng)架構(gòu)

機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)的整體架構(gòu)如圖1所示。系統(tǒng)將周界網(wǎng)的振動(dòng)狀態(tài)分為5類，包括靜止?fàn)顟B(tài)(Stillness)、大風(fēng)狀態(tài)(Wind)、攀爬狀態(tài)(Climbing)、踢網(wǎng)狀態(tài)(Kicking)以及鋸網(wǎng)狀態(tài)(Sawing)，其中，靜止?fàn)顟B(tài)和大風(fēng)狀態(tài)為正常狀態(tài)，不需要報(bào)警；攀爬狀態(tài)、踢網(wǎng)狀態(tài)和鋸網(wǎng)狀態(tài)為入侵行為，需要報(bào)警，優(yōu)先級(jí)從高到低排列分別為鋸網(wǎng)狀態(tài)、攀爬狀態(tài)、踢網(wǎng)狀態(tài)。懸掛在周界網(wǎng)上的慣性測(cè)量單元（Inertial Measurement Unit，IMU）采集5類振動(dòng)狀態(tài)的信號(hào)數(shù)據(jù)，IMU在周界網(wǎng)上的懸掛方式如圖1所示，其中灰色矩形為單個(gè)IMU。每個(gè)IMU輸出以X、Y、Z三軸為中軸的角速度數(shù)據(jù)，其中X、Z軸平行于網(wǎng)面，Y軸垂直于網(wǎng)面。以攀爬狀態(tài)為例，三軸輸出數(shù)據(jù)波形如圖1(a)、(b)、(c)所示。為了降低系統(tǒng)的運(yùn)算量，選取含有最豐富振動(dòng)信息的Y軸作為表征網(wǎng)面振動(dòng)的信息源，構(gòu)建數(shù)據(jù)集。信號(hào)采集完畢后，將信號(hào)傳遞到對(duì)應(yīng)的分組處理器中，每個(gè)分組傳感器負(fù)責(zé)處理相鄰3片網(wǎng)的振動(dòng)信號(hào)，完成報(bào)警及對(duì)入侵行為的分類。每百米范圍存在一個(gè)區(qū)域控制器，負(fù)責(zé)收集范圍內(nèi)分組處理器和毫米波雷達(dá)的數(shù)據(jù)，其中，毫米波雷達(dá)用于對(duì)入侵行為進(jìn)行預(yù)警。區(qū)域控制器和監(jiān)控?cái)z像機(jī)的數(shù)據(jù)經(jīng)交換機(jī)匯總后，分別存入數(shù)據(jù)處理服務(wù)器和視頻服務(wù)器。計(jì)算機(jī)端的監(jiān)控軟件可以顯示機(jī)場(chǎng)周界全范圍即時(shí)的報(bào)警信息，并且可以隨時(shí)實(shí)現(xiàn)對(duì)數(shù)據(jù)的調(diào)用和查看。

圖1 機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)架構(gòu)Fig. 1 Framework of airport perimeter intrusion alarm system

1.2 機(jī)場(chǎng)周界入侵報(bào)警與分類算法

本文提出的機(jī)場(chǎng)周界入侵報(bào)警與分類算法嵌入在機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)中，其流程如圖2所示。在數(shù)據(jù)處理階段，首先采集5類周界網(wǎng)振動(dòng)狀態(tài)的信號(hào)數(shù)據(jù)，選擇其中合適的信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，包括濾波、歸一化和分幀；然后對(duì)處理后的信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)，擴(kuò)充算法的訓(xùn)練集，使數(shù)據(jù)可以更加全面地覆蓋振動(dòng)發(fā)生時(shí)的各種情況；最后將原始數(shù)據(jù)和增強(qiáng)后的數(shù)據(jù)合并，構(gòu)成算法的訓(xùn)練集，并利用交叉驗(yàn)證的方法從原始數(shù)據(jù)中抽取部分?jǐn)?shù)據(jù)作為測(cè)試集。在模型訓(xùn)練階段，利用AE-LSTM模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，模型的核心為L(zhǎng)STM網(wǎng)絡(luò)，通過其在時(shí)序上的記憶能力完成對(duì)不同入侵行為的分類?？紤]到下層處理器的運(yùn)算和存儲(chǔ)能力有限，需要盡可能地減少網(wǎng)絡(luò)的參數(shù)，而LSTM網(wǎng)絡(luò)的參數(shù)主要由輸入層的維度與隱含層的神經(jīng)元個(gè)數(shù)決定，因此，引入自動(dòng)編碼器（Auto Encoder，AE）對(duì)原始輸入信號(hào)進(jìn)行降維與特征提取，最終通過Softmax層輸出網(wǎng)絡(luò)的分類結(jié)果。

1.2.1 數(shù)據(jù)采集 通過安裝在周界網(wǎng)上的IMU采集周界網(wǎng)在不同振動(dòng)狀態(tài)時(shí)的數(shù)據(jù)，采樣頻率為50 Hz。數(shù)據(jù)采集結(jié)果如圖3所示，其中每列為同類振動(dòng)狀態(tài)的不同振動(dòng)情況。

圖2 算法流程圖Fig. 2 Flowchart of algorithm

圖3 不同振動(dòng)狀態(tài)波形圖Fig. 3 Waveforms of different vibration states

1.2.2 數(shù)據(jù)預(yù)處理 數(shù)據(jù)預(yù)處理包括濾波、歸一化和分幀3個(gè)操作。為了防止原始數(shù)據(jù)中存在偶然的波動(dòng)干擾現(xiàn)象，采用5點(diǎn)中值平均濾波法，連續(xù)采樣目標(biāo)點(diǎn)附近的5個(gè)數(shù)據(jù)，去掉其中的最大值和最小值，然后將目標(biāo)點(diǎn)的原始數(shù)據(jù)替換為剩余的3個(gè)點(diǎn)的算數(shù)平均值；歸一化采用離差標(biāo)準(zhǔn)化方法，將原始數(shù)據(jù)映射到 [ 0,1] 之間；分幀操作采用滑動(dòng)窗法，使用窗長(zhǎng)為N的滑動(dòng)窗以小幅Ns步進(jìn)自左向右遍歷序列。通過觀察和實(shí)驗(yàn)發(fā)現(xiàn)N=125 、Ns=20 時(shí)，分幀效果最佳。

1.2.3 數(shù)據(jù)增強(qiáng) 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常依賴大量數(shù)據(jù)，當(dāng)訓(xùn)練數(shù)據(jù)不足時(shí)，網(wǎng)絡(luò)將難以學(xué)習(xí)到不同分類的全局特征。因此對(duì)于小數(shù)據(jù)集，有必要進(jìn)行數(shù)據(jù)增強(qiáng)，以擴(kuò)充原數(shù)據(jù)未能覆蓋的輸入空間，增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型的泛化能力。

對(duì)于本數(shù)據(jù)集的時(shí)間相關(guān)序列X，采用與時(shí)間無關(guān)的方法，通過對(duì)各個(gè)采樣點(diǎn)幅值進(jìn)行微小的縮放，模擬振動(dòng)的全局特征，如式(1)和式(2)所示。

式中：n為原始數(shù)據(jù)采樣點(diǎn)個(gè)數(shù)；S為隨機(jī)生成的縮放矩陣，服從均值 μ =1 、標(biāo)準(zhǔn)差為 σ 的高斯分布。其中， σ 取值太小會(huì)導(dǎo)致數(shù)據(jù)增強(qiáng)沒有效果，取值太大則會(huì)導(dǎo)致振動(dòng)特性發(fā)生變化，最終選取 σ 為[0.2,0.5] 內(nèi)的隨機(jī)值。不同 σ 的數(shù)據(jù)增強(qiáng)效果如圖4所示，其中 σ =0 表示原始數(shù)據(jù)。

圖4 數(shù)據(jù)增強(qiáng)效果Fig. 4 Effect of data enhancement

圖5 AE-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 5 Structure of AE-LSTM network model

1.2.4 AE-LSTM網(wǎng)絡(luò)模型 AE-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。從圖5中可以看出，模型的第一部分為AE。AE可以看作是神經(jīng)網(wǎng)絡(luò)的一種，是一種無監(jiān)督學(xué)習(xí)算法，其嘗試逼近一個(gè)恒等函數(shù)，使得網(wǎng)絡(luò)的輸出無限接近于網(wǎng)絡(luò)的輸入，最終網(wǎng)絡(luò)的訓(xùn)練誤差越小，則AE訓(xùn)練的效果越好[11]。本文采用欠完備的AE，通過限制AE的隱含層神經(jīng)元個(gè)數(shù)小于輸入層神經(jīng)元個(gè)數(shù)，迫使AE捕捉最顯著的特征。設(shè)置AE為一個(gè)125×64×125的3層網(wǎng)絡(luò)，輸入層和輸出層均包含125個(gè)神經(jīng)元，令輸出層輸出結(jié)果{x?1,x?2,···,x?125} 等于輸入層的輸入 {x1,x2,···,x125} ，隱含層神經(jīng)元數(shù)目的選擇對(duì)模型的效率有一定的影響，經(jīng)實(shí)驗(yàn)驗(yàn)證，64為效果最好的隱含層神經(jīng)元個(gè)數(shù)。AE分為編碼器和解碼器兩部分，編碼器用于將輸入信號(hào){x1,x2,···,x125} 編碼成為 {h1,h2,···,h64} ，編碼器的輸出結(jié)果可以表示為

式中：i=1,2,···,125 ；j=1,2,···,64 ；wij為對(duì)應(yīng)的xi到hj的連接權(quán)值；bj為對(duì)應(yīng)的hj上的偏置；f(·) 為Sigmoid激活函數(shù)。

解碼器用于將編碼器的輸出結(jié)果{h1,h2,···,h64}解碼成為 {x?1,x?2,···,x?125} ，解碼器的輸出結(jié)果可以表示為

式中：i=1,2,···,125 ；j=1,2,···,64 ；w′ji為對(duì)應(yīng)的hj到x?i的 連 接 權(quán) 值；b′i為對(duì) 應(yīng)的x?i上 的 偏 置；g(·)為Sigmoid激活函數(shù)。值，完成網(wǎng)絡(luò)的訓(xùn)練。最終所得到的隱含層輸出結(jié)果 {h1,h2,···,h64} 即為輸入信號(hào)的隱含編碼特征。將連續(xù)5幀輸入信號(hào)的隱含編碼特征按時(shí)間順序組合，即形成樣本在時(shí)間上連續(xù)的融合特征向量矩陣。

模型的第二部分為L(zhǎng)STM網(wǎng)絡(luò)。LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的衍生，傳統(tǒng)的RNN由于其遞歸結(jié)構(gòu)，可以將時(shí)間序列的上下文信息聯(lián)系起來[12]，學(xué)習(xí)與時(shí)間相關(guān)的特征，但是當(dāng)訓(xùn)練的序列過長(zhǎng)時(shí)，會(huì)出現(xiàn)梯度消失或者梯度爆炸的問題，而LSTM通過引入3個(gè)“門”的機(jī)制，選擇性地讓信息通過[13]，使網(wǎng)絡(luò)擁有更長(zhǎng)時(shí)間上的依賴能力。單個(gè)LSTM細(xì)胞結(jié)構(gòu)如圖6所示。

圖6 LSTM細(xì)胞結(jié)構(gòu)Fig. 6 Structure of LSTM cell

遺忘門（Forget gate）決定在當(dāng)前狀態(tài)中丟棄哪些信息。

結(jié)合遺忘門的信息，可以得到當(dāng)前的細(xì)胞狀態(tài)Ct為

輸出門（Output gate）決定當(dāng)前狀態(tài)輸出的內(nèi)容ht，由細(xì)胞狀態(tài)將要被輸出的部分ot和當(dāng)前細(xì)胞狀態(tài)Ct確定。

式(5)～式(10)中： σ (·) 為Sigmoid激活函數(shù)；W?和b?分別為各激活函數(shù)的權(quán)重和對(duì)應(yīng)的偏置，?∈{f,i,o,C}（即分別對(duì)應(yīng)遺忘門、輸入門、輸出門、tanh層）；ht?1為上一時(shí)刻的輸出；xt為當(dāng)前時(shí)刻的輸入；Ct?1為上一時(shí)刻細(xì)胞的狀態(tài)。

LSTM網(wǎng)絡(luò)中每個(gè)LSTM細(xì)胞包含一個(gè)隱含層，隱含層有128個(gè)神經(jīng)元。AE訓(xùn)練完成后，將連續(xù)5幀信號(hào)的編碼器輸出結(jié)果 {h1,h2,···,h64} 縱向堆疊，形成時(shí)間上連續(xù)的融合特征向量矩陣，將該矩陣作為L(zhǎng)STM網(wǎng)絡(luò)的輸入，每次輸入1幀信號(hào)的隱含特征向量（即矩陣的1行），連續(xù)輸入5次。最終，取最后一個(gè)LSTM細(xì)胞的輸出結(jié)果，通過全連接層和Softmax層將最終分類結(jié)果以概率分布的形式輸出。

2 結(jié)果分析

2.1 樣本數(shù)據(jù)集

對(duì)于各分類的原始數(shù)據(jù)，進(jìn)行振動(dòng)狀態(tài)的端點(diǎn)檢測(cè)，選取信號(hào)中含振動(dòng)信息的有效部分，然后按照上述方法進(jìn)行數(shù)據(jù)預(yù)處理后，將連續(xù)5幀作為一個(gè)樣本，隨機(jī)選取部分樣本作為測(cè)試集，其余作為訓(xùn)練集。隨后，對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)，構(gòu)成完整的數(shù)據(jù)集。數(shù)據(jù)集的詳細(xì)設(shè)置如表1所示。

表1 數(shù)據(jù)集各分類樣本數(shù)Table 1 Number of each classification sample in dataset

2.2 報(bào)警結(jié)果分析

本文采用多個(gè)不同的神經(jīng)網(wǎng)絡(luò)模型針對(duì)同一數(shù)據(jù)集的分類結(jié)果進(jìn)行對(duì)比分析，采用的網(wǎng)絡(luò)模型分別為L(zhǎng)STM網(wǎng)絡(luò)模型、AE-BP網(wǎng)絡(luò)模型和BP網(wǎng)絡(luò)模型，其中，AE-BP網(wǎng)絡(luò)模型利用AE提取的特征進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，BP網(wǎng)絡(luò)模型則是直接利用原始信號(hào)數(shù)據(jù)進(jìn)行訓(xùn)練。各個(gè)網(wǎng)絡(luò)模型的基本參數(shù)如表2所示，除網(wǎng)絡(luò)最終的輸出層采用Softmax作為激活函數(shù)外，其余層均采用Sigmoid作為激活函數(shù)。

為了更全面地對(duì)網(wǎng)絡(luò)性能進(jìn)行分析與評(píng)價(jià)，引入各個(gè)網(wǎng)絡(luò)模型針對(duì)測(cè)試集報(bào)警的精確率（Precision）、召回率（Recall）和F1值作為評(píng)價(jià)指標(biāo)，計(jì)算公式如下：

表2 實(shí)驗(yàn)網(wǎng)絡(luò)模型參數(shù)對(duì)比Table 2 Parameters comparison of network models

其中：TP表示正類判定為正類；FP表示負(fù)類判定為正類；FN表示正類判定為負(fù)類。評(píng)價(jià)指標(biāo)對(duì)比結(jié)果如圖7所示。

從圖7中可以看出，使用基本的BP網(wǎng)絡(luò)模型直接進(jìn)行報(bào)警的判斷效果很差，有大量的誤報(bào)和漏報(bào)現(xiàn)象。而增加了自動(dòng)編碼器后，網(wǎng)絡(luò)模型的各項(xiàng)指標(biāo)都得到了提升，表明自動(dòng)編碼器可以很好地提取信號(hào)的隱含特征，所提取的特征也能很好地反映信號(hào)的特點(diǎn)。AE-LSTM網(wǎng)絡(luò)模型的召回率為1.00，表示完全杜絕了漏報(bào)的現(xiàn)象，精確率為1.00，表示同樣沒有誤報(bào)現(xiàn)象產(chǎn)生，達(dá)到了行業(yè)應(yīng)用標(biāo)準(zhǔn)。而其余3種網(wǎng)絡(luò)模型召回率均沒有達(dá)到1.00，表示存在一定的漏報(bào)現(xiàn)象，這在安防領(lǐng)域是絕對(duì)不被允許的。綜合精確率和召回率計(jì)算得到了網(wǎng)絡(luò)模型的F1值，可以看出AE-LSTM網(wǎng)絡(luò)模型具有最良好的性能。

另外，本文通過網(wǎng)絡(luò)模型的參數(shù)數(shù)量和浮點(diǎn)運(yùn)算次數(shù)（Floating Point Operations，F(xiàn)LOPs）比較模型的復(fù)雜度，結(jié)果如表3所示，其中，乘法與加法都記為一次浮點(diǎn)運(yùn)算。

圖7 各網(wǎng)絡(luò)模型報(bào)警評(píng)價(jià)指標(biāo)對(duì)比Fig. 7 Comparison of evaluation indicators for alarms of each network model

表3 網(wǎng)絡(luò)模型復(fù)雜度對(duì)比Table 3 Comparison of complexity between two network models

綜合分析圖7和表3可知，AE的引入不僅提高了網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率，同時(shí)為網(wǎng)絡(luò)模型減少了參數(shù)和運(yùn)算量，減輕了處理器的負(fù)擔(dān)。

2.3 振動(dòng)狀態(tài)分類結(jié)果分析

為了進(jìn)一步比對(duì)模型在不同類別上的性能，選取F1值最高的兩個(gè)網(wǎng)絡(luò)模型，計(jì)算兩者對(duì)測(cè)試集的預(yù)測(cè)結(jié)果的混淆矩陣（Confusion matrix）并歸一化，結(jié)果如圖8和表4所示，其中，行為標(biāo)簽類別，列為預(yù)測(cè)類別。

圖8中，值越大則顯示的顏色越接近白色，值越小則越接近黑色，左上到右下的對(duì)角線表示識(shí)別正確的情況，其余方格表示識(shí)別錯(cuò)誤的情況。從圖8和表4中可以明顯看出，LSTM網(wǎng)絡(luò)模型在各類的識(shí)別準(zhǔn)確率上均不如AE-LSTM模型，尤其對(duì)于大風(fēng)狀態(tài)的識(shí)別很差，準(zhǔn)確率僅有0.76，極易與踢網(wǎng)狀態(tài)和鋸網(wǎng)狀態(tài)混淆，在對(duì)其他狀態(tài)的識(shí)別中也存在較多識(shí)別錯(cuò)誤的情況。而AE-LSTM模型對(duì)刮風(fēng)狀態(tài)的識(shí)別準(zhǔn)確率達(dá)到了0.98，在其他各個(gè)類別的識(shí)別上也都達(dá)到了很不錯(cuò)的準(zhǔn)確率，只有極個(gè)別識(shí)別錯(cuò)誤的情況，很好地實(shí)現(xiàn)了對(duì)不同振動(dòng)狀態(tài)的分類。

最后，將AE-LSTM網(wǎng)絡(luò)模型與文獻(xiàn)[8]的算法進(jìn)行對(duì)比。該算法利用一個(gè)包含14個(gè)卷積層、4個(gè)池化層和3個(gè)全連接層的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)連續(xù)的監(jiān)控視頻幀的特征，實(shí)現(xiàn)對(duì)入侵對(duì)象的判別，而本文的AE-LSTM網(wǎng)絡(luò)模型可以識(shí)別不同的入侵行為，更加符合機(jī)場(chǎng)安防的實(shí)際應(yīng)用場(chǎng)景。另一方面，文獻(xiàn)[8]算法的網(wǎng)絡(luò)結(jié)構(gòu)也遠(yuǎn)比本文提出的網(wǎng)絡(luò)模型復(fù)雜，因此，AE-LSTM網(wǎng)絡(luò)模型在機(jī)場(chǎng)周界入侵報(bào)警系統(tǒng)的實(shí)際應(yīng)用中具有更大的優(yōu)勢(shì)。

圖8 AE-LSTM網(wǎng)絡(luò)模型與LSTM網(wǎng)絡(luò)模型混淆矩陣對(duì)比Fig. 8 Comparison between confusion matrixs of AE-LSTM and LSTM

表4 AE-LSTM網(wǎng)絡(luò)模型與LSTM網(wǎng)絡(luò)模型混淆矩陣對(duì)比Table 4 Comparison between confusion matrixs of AE-LSTM and LSTM

3 結(jié) 論

本文通過對(duì)機(jī)場(chǎng)周界網(wǎng)的振動(dòng)信號(hào)的處理和分析，首度將機(jī)器學(xué)習(xí)方法引入了機(jī)場(chǎng)安防領(lǐng)域，提出了一種AE-LSTM網(wǎng)絡(luò)模型。在以LSTM網(wǎng)絡(luò)為核心進(jìn)行識(shí)別的基礎(chǔ)上，通過引入AE的方式，在提取信號(hào)的隱含特征的同時(shí)減小網(wǎng)絡(luò)模型的復(fù)雜度。該模型在杜絕漏報(bào)的前提下，極大地降低了誤報(bào)率，使得機(jī)場(chǎng)的周界入侵報(bào)警系統(tǒng)更加準(zhǔn)確與智能。與機(jī)場(chǎng)現(xiàn)有的周界入侵報(bào)警系統(tǒng)相比，AE-LSTM網(wǎng)絡(luò)模型可以在很大程度上降低機(jī)場(chǎng)的人力成本。同時(shí)，該模型在準(zhǔn)確完成報(bào)警的前提下，進(jìn)一步對(duì)入侵行為進(jìn)行分類，達(dá)到了很高的分類準(zhǔn)確率，根據(jù)分類結(jié)果可以排列入侵行為的優(yōu)先級(jí)，以提高對(duì)入侵問題進(jìn)行處理的效率?，F(xiàn)階段已實(shí)現(xiàn)了對(duì)入侵行為較為準(zhǔn)確的分類，如何在更加復(fù)雜的場(chǎng)景，例如極惡劣天氣影響下完成準(zhǔn)確分類并進(jìn)一步提高系統(tǒng)的時(shí)效性將成為下一步的研究目標(biāo)。