WSNs中基于隱馬爾科夫模型的目標識別問題研究

楊明霞，王萬良，邵鵬飛

1.浙江工業大學信息學院，杭州310023

2.浙江工業大學計算機學院，杭州310023

3.衢州學院電氣與信息工程學院，浙江衢州324000

4.浙江萬里學院電子信息學院，浙江寧波315100

WSNs中基于隱馬爾科夫模型的目標識別問題研究

楊明霞1，3，王萬良1，2，邵鵬飛1，4

1.浙江工業大學信息學院，杭州310023

2.浙江工業大學計算機學院，杭州310023

3.衢州學院電氣與信息工程學院，浙江衢州324000

4.浙江萬里學院電子信息學院，浙江寧波315100

由于無線傳感器網絡（Wireless Sensor Networks，WSNs）資源受限，如何有效利用資源，提高目標辨別的準確度，是WSNs中目標識別系統的研究難題。以隱馬爾科夫模型為分類框架，對一個聲音傳感器陣列節點簇內的目標識別問題進行建模；基于節點信號的空間關聯性，改進了子節點Viterbi最大似然序列的計算狀態，設置了子節點報送間隔，從而有效地判別局部狀態。實驗證明，改進后的算法在維持判別正確率的同時降低信息傳輸量10%以上。

目標識別；無線傳感器網絡；隱馬爾可夫模型；維特比算法

1　引言

在無線傳感器網絡的很多應用場景中，基于聲音信號對不定數量的監測目標進行分類在很多實際應用中是一項關鍵任務［1-3］，例如戰場監測，邊界檢測以及交通控制等。不定數量的車輛類型及數目的檢測，在道路交通流量信息及規劃、智能運輸系統的軍事和民用應用等問題中都有廣泛應用。聲學傳感器成本較低，信號數據易于處理，利用聲學傳感器組成的無線傳感器網絡來處理一定區域內的車輛檢測問題，具有良好的便捷性和靈活性，同時滿足成本控制的要求［4-5］。美國科學應用國際公司采用無線傳感器網絡構建了一個電子防御系統，為美國軍方提供軍事防御和情報信息。系統采用多個微型磁力計傳感器節點來探測監測區域中是否有人攜帶槍支、是否有車輛行駛，同時，系統利用聲音傳感器節點監測車輛或者人群的移動方向。

在WSNs中，由于通信帶寬受限以及無線通信能耗較大的因素，單個節點往往不直接傳送原始特征向量，而是對特征向量進行本地分類，給出目標對象類型信息的局部判斷結果，再將分類結果編碼發送到網絡中心，對多個分類結果融合并得到最終的決策信息，很多研究致力于改進這個過程的性能［7-15］。Duarte等［7］研究了分布式無線傳感器網絡中移動車輛的識別問題；實驗（SensIt）對一個包含820 MB原始時序數據和70 MB預處理數據的數據集（來源于實驗現場的聲學信號），提取了頻譜特征的向量，設定模型并檢驗分類結果。Aljaafreh［8］在SensIt［7］數據集上，采用多假設檢驗利用隱馬爾科夫模型（Hidden Markov Model，HMM）作為分類框架，HMM的狀態對應監測區域內車輛的分布狀況。每一個時刻，子節點依據接收到的音頻信號做出一次分類判斷并將結果傳送給主節點，由主節點判斷給出監測區域內車輛狀態。HMM降低計算負載，假設檢驗也提高了分類精度。利用HMM對目標對象狀態信息進行建模，能利用目標內在狀態的時間關聯性達成較好的識別效果，同時較好地節省傳輸的數據量［9］。

圖1　利用WSNs目標分類過程

本文以SensIt［7］已提取的特征集為研究對象，在考慮WSNs能源受限的基礎上研究一種改進的目標分類方法和數據融合策略。主要思想為：參考Aljaafreh［8］基于HMM的方法的基礎上，通過對各子節點工作狀態打分，改進子節點viterbi最大似然序列的計算狀態，從而改進簇內通信策略，減少傳輸信息量。

2　隱馬爾科夫模型

在某些實際情形和系統中，各個時刻可以觀察到的現象狀態是由此時不可見的隱藏狀態影響并驅動的，它們是模型中實際存在的物理抽象結構，而且往往這些隱藏狀態才能反應事物的本質并提供有益的幫助，因此如何通過可觀察的現象推算各個時刻的隱藏狀態具有重要意義；在某些情況下可以把這種過程建模為隱馬爾科夫模型（HMM）來解決問題。HMM最早在信息論中得到應用的，之后擴展到自然語言處理并取得了較好的效果，在手寫輸入、圖像識別、多維氣象系統等領域也得到了較多應用。

與普通馬氏過程相比，隱馬爾科夫模型是雙重隨機過程，不僅底狀態轉移之間是個隨機事件，輸出也由同時刻的底狀態對應的隨機分布決定，由狀態序列｛qt，t≥1｝（底過程/隱藏過程）和觀察序列｛Ot，t≥1｝（輸出/表現）構成。

圖2　隱馬爾科夫模型

本文以模型五元組（q，O，π，A，B）來描述HMM。

在HMM模型訓練階段（學習過程），如果能人為認定底過程，則可通過觀察法直接計數得到模型參數，如果沒有底過程信息，一般采用EM（Expectation-Maximization）算法估計底過程的狀態轉移陣A和狀態-輸出概率分布等參數；在應用階段，在設定的截止時刻T可以根據觀察狀態序列O（T）采用Viterbi算法計算得到最大似然狀態序列作為狀態序列的識別結果。

Viterbi算法提供了一個根據可觀察序列計算隱藏序列的很高效的方法，它利用遞歸來降低計算復雜度，并且使用之前全部的序列來做判斷，可以很好地容忍孤立的噪聲。在實際應用中，通常針對HMM的設定、訓練及應用階段使用的算法做一些合理的調整，以取得更為理想的效果。

3　問題描述與建模

3.1問題描述

本文以車輛識別為例，探討了利用簇內多個節點傳感器接受的聲音信號頻譜特征序列聯合識別節點簇所在局部區域內車輛的個數和類別。本文討論的車輛音頻特征序列來源于DARPA/IXOs SensIT（Sensor Information Technology）程序中的SITEX02［7］。場景中包含兩種類型車輛：履帶式汽車（簡稱小車，記為0）和重型載貨汽車（簡稱大車，記為1）。數據集記錄了一段時間內某個簇內運行目標的原始數據信息，采用FFT變換得到的聲音頻譜信號的低頻部分用于分類實驗。

整個監控區域的地圖如圖3所示［7］，面積為（900×300）m2矩形區域，包含一條東西向和一條南北向的道路以及兩條道路的三角交叉區域，道路兩側及交叉路口一共部署了75個WIN NG2.0節點［10］，節點間距20～40 m。每個節點裝配有三種感知模塊：聲音傳感器、磁性傳感器和紅外傳感器，其中聲音傳感器的采樣率為4 960 Hz。節點具有一個A/D轉換模塊和在線可編程DSP，可以將模擬信號數字化并存入緩存。按照地理位置將該區域劃分為不同子區域，子區域內的節點組織為一個簇并以一至兩個節點為簇首節點，負責調配本簇內子節點的通信路由和協作算法。簇內每個節點上的初步分類結果發送到簇首，由簇首來進行局部的數據融合。

圖3　SensIt項目監測區域節點布局圖

3.2問題建模

表1　底過程狀態集合S

以狀態編號來表示狀態，則狀態空間S:=（1，2，3，4，5，6）。設某個時刻最多一輛車駛入或駛出簇區域，并且車輛駛出事件和車輛駛入事件不同時發生，則狀態之間的轉移特性如圖4所示。HMM的隱藏狀態（底狀態），代表簇區域內實際的車輛運行情況；觀察值即采集到的音頻信號向量，由于其復雜性不易表達略去圖形表達。

圖4　底狀態轉移陣

3.3算法描述

本文在保持目標檢測正確率的同時，以降低簇內子節點通信量為目標展開研究。對簇首節點處理程序、子節點在HMM應用階段的程序以及主節點和子節點之間的數據通信策略進行改進。

（1）模型訓練階段

模型訓練階段，依據SENIT數據集的車輛音頻特性及隨機噪聲特性產生各個子節點接收到的音頻離散譜，因為此階段狀態列是已知的，所以直接通過記錄統計并利用經驗分布得到HMM模型的各項參數：底過程馬氏轉移陣、各狀態的狀態-輸出轉移概率分布等HMM模型參數：q，O，π，A，B。

記訓練總時段共有T個計數點時刻，期間人工觀察記錄系統的狀態列q（T），設處于狀態i的計數點共有ni、此計數點時刻狀態為i下一時刻點狀態跳轉為i′的時刻計數為nii'，記節點j上HMM的隱藏狀態馬氏轉移概率陣為

，則有：

對于節點j上HMM的狀態-輸出轉移分布｛P（j）（Ot∈ U|qt=Si），U?S*，i∈S｝，依據節點j的觀察列1，2，…，T｝及q（T），利用matalab的處理多維度的經驗分布計算函數即可得到。

（2）識別階段

識別階段，子節點上調整前的算法和過程為：記子節點j在t時刻接收到的音頻離散譜為觀察值，在時刻t狀態為i的最大似然路徑概率為（i），則有：

φt表示時刻t時狀態為i′的最大似然狀態路徑（序列）t-1時刻的值（狀態回溯）：

時刻T為止最大似然狀態序列T時刻的狀態：

遞推回去，由t+1時刻狀態得到最大似然狀態路徑序列t時刻的狀態：

接下來描述本文對HMM識別階段的工作過程所做的改進。

3.3.1主節點的處理過程——打分機制

時刻t，接受x個子節點報送的狀態，結合記錄的前n個時刻系統狀態，簇首節點統一處理，得出判定分數最高的狀態，作為區域此時的狀態記錄在stestn（t）并賦值給變量st。考慮WSN能量限制的需求，在主節點處理程序中加入對各子節點打分的機制，用以判斷節點工作狀況，確定停止工作的節點，最后將打分結果反饋給子節點。打分的計算方法為：如果所有節點狀態判斷都一致，則隨機選取y個節點返回控制信號停止報送，即將此節點編號賦值給變量rsv；否則，若某個節點判斷結果與簇首抉擇結果及其他節點差距大（可能的因素有：車輛與此節點距離較遠、此節點前幾個時刻工作狀態不佳、突發性的噪聲干擾等），就把這個節點編號賦值給變量rsv。然后簇首節點發送信息（rsv，st）給各子節點，告知系統綜合判斷出的目前狀態、選擇的調整節點，至此主節點程序結束。

圖5　主節點處理流程圖

3.3.2子節點的處理流程——設置停止報送的時間間隔

具體過程為：子節點上接收簇首節點發送的rsv和st，檢測自己的編號是否與rsv相同。為了減少子節點報送的通信開銷，在子節點上選取以下策略：時刻t，若該節點編號j與接收到的rsv一致，則此節點從時刻t+1開始停止報送t_idle個時刻，并在該子節點上調整Viterbi算法記錄的t時刻狀態為st最大似然路徑對應的概率值（st）；其他情況則不做額外處理。

圖6　子節點處理流程圖

4　仿真及結果

在MATALAB中建立了仿真環境。M×M的矩形區域代表監控區域無線傳感網器網絡中的一個簇所在的子區域，簇中包含n個節點。節點采集到聲音并且完成特征提取后，進行本地計算完成局部決策，將結果傳送給簇首進行融合決策。訓練階段，使用的模擬序列長度3 000，針對每個噪聲強度（β）進行了30次模擬，每次測試所用的序列長度為500。

4個節點的情況（n=4），每回合選取1個節點報停（y=1），結果如圖7～圖8所示。

圖7　不同噪聲強度下子節點平均通信量比值（n=4）

圖8　不同噪聲強度下兩種情況的正確率（n=4）

不同噪聲強度下子節點平均通信量比值，H0為不采用此策略的子節點平均通信量，H1采用改進策略后的子節點平均通信量；不同噪聲強度下正確率均值比值。p1為采用改進策略后的正確率，p0為不采用此策略的正確率。正確率=判斷正確的時刻段數/總的時刻段數，此處即：正確的次數/500。改進后的處理過程在不同噪聲強度下正確率下降控制在1.3%以內，子節點平均通信量約減少了10%左右。

五個節點的情況（n=5），每回合分析選取兩個子節點報停（y=2），結果如圖9～圖10所示。

圖9　不同噪聲強度下子節點平均通信量比值（n=5）

圖10　不同噪聲強度下兩種情況的正確率（n=5）

5　結論

本文討論了在無線傳感網中基于HMM利用聲學信號對目標對象進行分類以及決策融合的問題。以HMM模型基礎來解決文獻［7］中的簇節點的決策融合。

通過采用HMM對目標對象狀態信息進行建模，減少了假設狀態的個數，通過對工作狀態較差的節點進行調整以減少傳輸信息量，從而延長網絡壽命。在測試階段，主節點利用上一時刻綜合判斷結果，通知工作狀態不好的子節點（如車輛距離子節點較遠）對HMM狀態進行調整，并在接下去的幾個時刻停止向主節點報送本節點分類判斷結果，避免無效的傳輸能量消耗。實驗結果表明，該算法在維持辨別正確率的同時進一步減少了信息傳輸量。這提供了子節點能量較為有限的情形下延長系統工作壽命的有效方法。

由于本文對于子節點停報間隔的設置是隨機的，可以進一步地研究報送間隔對于性能的影響；此外，在Viterbi算法上糾正路徑也能夠更加精確地獲取分類信息，從而提高系統的性能。

參考文獻：

［1］Padmavathi G，Shanmugapriya D，Kalaivani M.A study on vehicle detection and tracking using wireless sensor networks［J］.Wireless Sensor Network，2010，2（2）：173-185.

［2］李開明，張群，羅迎，等.地面車輛目標識別研究綜述［J］.電子學報，2014（3）.

［3］Chen H，Tse C K，Feng J.Source extraction in bandwidth constrained wireless sensor networks［J］.IEEE Transactions on Circuits and Systems-II：Express Briefs，2008，55（9）：947-951.

［4］Kaia Y，Qia H，Jianminga W，et al.Multiple vehicle signals separation based on particle filtering in wireless sensor network［J］.Journal of Systems Engineering and Electronics，2008，19（3）：440-446.

［5］Drakopoulos E，Chao J J，Lee C C.A two-level distributed multiple hypothesis decision system［J］.IEEE Transactions on Automatic Control，1992，37（3）：380-384.

［6］黃軻.基于視覺感知的弱對比度車輛目標識別［D］.北京交通大學，2014.

［7］Duarte M F，Hen Hu Y.Vehicle classification in distributed sensor networks［J］.Journal of Parallel and Distributed Computing，2004，64（7）：826-838.

［8］Aljaafreh A，Dong L.Hidden markov model based classification approach for multiple dynamic vehicles in wireless sensor networks［C］//2010 International Conference on Networking，Sensing and Control（ICNSC），IEEE，2010：540-543.

［9］Roberts W J，Sabrin H W，Ephraim Y.Ground vehicle classification using hidden Markov Models［R］.Atlantic Coast Technologies Inc Silver Spring MD，2001.

［10］王宇婷.BP神經網絡與HOG特征提取相結合的車輛識別技術在無線設備下的應用［D］.長春：吉林大學，2014.

［11］Kotecha J H，Ramachandranand V，Sayeed A M.Distributed multitarget classification in wireless sensor networks［J］. IEEE Journal on Selected Areas in Communications，2005，23（4）：703-824.

［12］Aljaafreh A，Al-Fuqaha A.Multi-target classification using acoustic signatures in wireless sensor networks：A survey［J］. Signal Processing-An International Journal（SPIJ），2010，4（4）：75-246.

［13］Merrill W，Sohrabi K，Girod L，et al.Open standard development platforms for distributed sensor networks［C］// Proc SPIE—Unattended Ground Sensor Technologies and Applications IV4743，2002：327-337.

［14］Alkilani A，Shirkhodaie A.A survey on acoustic signature recognition and classification techniques for persistent surveillance systems［C］//Proc of SPIE Vol，2011，8392：83920U-1.

［15］Evans N.Automated vehicle detection and classification using acoustic and seismic signals［D］.University of York，2002.

Target classification based on hidden Markov model in Wireless Sensor Networks.

YANG Mingxia1，3，WANG Wanliang1，2，SHAO Pengfei1，4

1.College of Information，Zhejiang University of Technology，Hangzhou 310023，China
2.College of Computer Science，Zhejiang University of Technology，Hangzhou 310023，China
3.Quzhou University，Quzhou，Zhejiang 324000，China
4.Zhejiang Wanli University，Ningbo，Zhejiang 315100，China

It is challenging to classify multiple targets in wireless sensor networks based on the time-varying and continuous signals.In this paper，Hidden Markov Model is utilized as a framework for classification.The states in the HMM represent various combinations of vehicles of different types.With a sequence of observations，Viterbi algorithm is used at each sensor node to estimate the most likely sequence of states.Simulation results show that it reduce transmission more than 10% while maintaining identification rate.

target classification；wireless sensor networks；hidden Markov models；Viterbi

A

TP3

10.3778/j.issn.1002-8331.1411-0350

國家自然科學基金面上項目（No.61379123）；浙江省自然科學基金項目（No.LQ12F03011，No.LQ14F020005，No.LY13F030011）；寧波市自然科學基金（No.2012A610016）；2013浙江省重點實驗室開放基金項目（No.2013026）；衢州學院師資隊伍建設基金（No.XNZQN201308）。

楊明霞（1979—），講師，在讀博士，主研究方向為智能信息處理。E-mail：37847098@qq.com

2014-11-26

2015-02-03

1002-8331（2015）22-0228-05

CNKI網絡優先出版：2015-07-03，http://www.cnki.net/kcms/detail/11.2127.TP.20150703.1611.029.html