80、基于径向基概率神经网络的社区入侵检测系统

基于径向基概率神经网络的社区入侵检测系统

1 引言

社区安全至关重要，传统的社区入侵检测系统存在一定缺陷。当前基于传感器网络的社区入侵检测系统，通常是在监控范围内放置摄像头，摄像头直接将信息发送到超级计算机，由工作人员根据接收到的信息进行判断。这种系统智能化程度较低，如果工作人员未能及时发现入侵行为，社区安全就难以保障，而且在入侵行为发生后，从大量存储的图像中查找入侵行为也十分困难。

神经网络是一种高度非线性的动态系统。基于梯度下降法的误差反向传播（BP）网络是近年来的新技术，其逼近非线性函数的能力在理论和实际应用中都得到了验证。然而，BP网络是一种全局逼近网络，训练时网络的每个权值都会针对每个样本进行调整，导致网络学习速度缓慢。此外，BP算法还可能收敛到局部最小值。

径向基函数网络采用局部逼近网络，具有学习速度快、非线性函数逼近能力强和模式分类能力强等优势。径向基概率神经网络是将基于高斯函数作为传递函数的径向基函数神经网络与竞争理论相结合得到的新型分类工具，具有简单的实现过程，在模式识别和非线性系统中有着良好的应用。

鉴于径向基概率神经网络的特殊优势和传统社区入侵检测系统的缺陷，本文研究了一种基于径向基概率神经网络的社区入侵检测系统，该系统能够解决传统系统的不足，提高社区安全防御能力。

2 社区入侵检测系统

2.1 系统组成

社区入侵检测系统由数据采集节点、无线局域网和控制中心组成，具体如下：
- 数据采集节点 ：使用由传感器扩展的ARM平台。
- 无线局域网 ：采用无线网状网络。
- 控制中心 ：使用工作站计算机。

分布式节点通过多跳方式收集信号并构建网络，整个系统具有低功耗、软硬件扩展方便、网络通信便捷以及便于在安全防御场所固定等优点。

2.2 工作流程

当入侵检测系统工作时，其工作流程如下：
1. 数据采集 ：数据采集节点收集环境信息，利用人体红外传感器和检测算法检测是否有人进入，提高系统的可靠性，避免动物引起的误报。
2. 异常处理 ：当出现异常现象时，系统启动摄像头，使用径向基概率神经网络算法进行人脸识别，并将检测和识别结果发送到控制中心。
3. 信息处理 ：在控制中心，人脸识别结果和异常信息会被存储在特殊内存中。信息通过无线网状网络传输协议发送到网络控制中心，控制中心根据不同的报警信息采用不同的处理模式。如果有入侵信号，入侵过程和人脸特征将被存储在特定内存中；如果没有入侵信号，则显示图像并将其存储在内存中。即使工作人员未能及时发现入侵，也可以在特定存储区域中查找。

以下是该系统工作流程的mermaid流程图：

graph LR
    A[数据采集节点] --> B{是否有人进入}
    B -- 是 --> C[启动摄像头]
    B -- 否 --> A
    C --> D[径向基概率神经网络人脸识别]
    D --> E[发送结果到控制中心]
    E --> F{是否有入侵信号}
    F -- 是 --> G[存储入侵过程和人脸特征]
    F -- 否 --> H[显示并存储图像]

3 人脸识别方法研究

3.1 BP网络

BP网络中神经元按层排列，由一个输入层、一个或多个隐藏层和一个输出层组成。网络的学习过程包括两个阶段：
- 正向传播 ：输入信息从输入层传递到隐藏层，再到输出层。如果输出层的输出与期望输出结果不同，则计算输出误差。
- 反向传播 ：误差反向传播，修改各层神经元之间的权值，以使误差最小化。

BP网络学习过程的关键是误差反向传播，通过最小化网络实际输出与期望输出之间的误差平方和这一目标函数来实现，利用梯度下降算法推导计算公式。

3.2 径向基函数神经网络（RBFNN）

径向基函数网络由输入层、隐藏层和输出层三层组成。输入层节点将输入信号传递到隐藏层，隐藏层节点由高斯核函数描述，输出层节点由线性函数描述。隐藏层节点的核函数对输入信号进行局部响应，当输入信号接近高斯核的中心范围时，隐藏层节点将产生较大输出。因此，径向基函数网络是局部逼近网络，具有学习速度快的优势。

其基本函数定义如下：
[
\alpha_i(x) = \exp\left(-\frac{|X - C_i|^2}{2\sigma_i^2}\right), i = 1,2,\cdots,m
]
其中，(\alpha_i(x)) 是隐藏层第 (i) 个节点的输出；(X = [x_1,x_2,\cdots,x_n]^T) 是输入样本；(C_i) 是高斯核函数的中心，与 (X) 具有相同的维度；(\sigma_i) 是隐藏层第 (i) 个节点的变量，称为标准化常数；(m) 是隐藏层节点的总数。

输出层的输出是隐藏层节点输出的线性组合，计算公式为：
[
y_k = \sum_{i = 1}^{m} \omega_{ik} \alpha_i(x), k = 1,2,\cdots,p
]
其中，(\omega_{ik}) 是网络的权值；(p) 是输出层节点的数量。

3.3 径向基概率神经网络（RBPNN）

径向基概率神经网络结合了径向基函数神经网络和竞争神经网络，不仅考虑了输入样本的不均匀性，还具备竞争神经网络的分类和模式识别能力。与径向基函数神经网络不同的是，从隐藏层到输出层的映射不是线性映射，而是采用“胜者为王”的原则得到相应的输出。

径向基概率神经网络由四层组成：
- 输入层 ：接收输入信号。
- 模式层 ：对输入样本进行非线性变换或非线性划分。
- 汇总层 ：根据类别对模式层的输出进行选择性求和。
- 决策层 ：做出最终决策。

3.4 K - NN算法

K - NN（K近邻）算法是一种模式聚类算法。假设存在 (N) 种模式 (C_1,C_2,\cdots,C_N)，每种模式的典型样本记为 (T_n(n = 1,2,\cdots))。对于未知样本 (X)，K - NN算法通过以下步骤确定其所属模式：
1. 定义距离函数 (d(x,y)) 表示空间 (V) 中任意两点 (x,y) 的相似度，(d(x,y)) 越小，(x,y) 越相似。
2. 对于未知样本 (X)，使用 (d(X,T_i)) 找出与 (X) 距离最小的 (k) 个典型样本 ({T_1,T_2,\cdots,T_k})。
3. 计算这 (k) 个样本中属于模式 (C_n) 的样本数量 (\nu(n))。
4. 根据最大的 (\nu(n)) 确定 (X) 所属的模式，即如果 (\nu(m) = \max{\nu(1),\nu(2),\cdots,\nu(N)})，则 (X \in C_m)。

在实际应用中，通常取 (k = 1)。确定隐藏层节点数量后，可以根据每种模式聚类的样本得到每个隐藏层节点的核函数参数，公式如下：
[
C_i = \frac{1}{M_i} \sum_{x \in \theta_i} x, i = 1,2,\cdots,m
]
[
\sigma_i^2 = \frac{1}{M_i} \sum_{x \in \theta_i} (x - C_i)^T (x - C_i), i = 1,2,\cdots,m
]
其中，(\theta_i) 表示第 (i) 种模式聚类的所有样本；(M_i) 是第 (i) 种模式聚类的样本数量。

4 应用

4.1 特征参数

使用径向基概率神经网络进行人脸识别的首要任务是收集样本数据。为了收集训练样本、测试样本和识别样本，需要提取与面部相关的特征参数。通常可以提取多个与面部相关的特征参数，并从中选择关键参数。关键参数是从众多特征参数中选取的少数特征，与面部具有最强的关联性和最敏感的响应，能够反映不同面部的差异，并且可以准确提取。常见的面部特征参数包括眼睛宽度、嘴巴宽度、眼睛与鼻子的距离、鼻子与嘴巴的距离、嘴巴与面部的距离、鼻子与面部的距离、嘴巴与下巴的距离等。

4.2 应用研究

通过对特征参数与面部的相关性分析，结合专家经验，最终选择了5种特征参数作为径向基概率神经网络的输入神经元，分别是左眼宽度、右眼宽度、嘴巴中心与左脸的水平距离、嘴巴中心与鼻子的垂直距离、眼睛中心与鼻子的垂直距离。

在社区入侵检测系统中，面部图像数据包含10个人的200张图像，每个人有20张图像，这些图像在位置、大小、方向、光照等方面存在差异，如标准面部图像、侧面面部图像、睁眼图像、闭嘴图像、不同面部表情图像等。实验表明，该系统能够识别这10个人。

可以得到200组训练样本和测试样本，每个训练样本由5个输入和10个输出组成。径向基概率神经网络的输出层包含10个节点，分别代表10种面部。例如，“面部1”样本的期望输出为 [1,0,0,0,0,0,0,0,0,0]，“面部2”样本的期望输出为 [0,1,0,0,0,0,0,0,0,0]，以此类推。

使用C++编写相应的算法程序，首先使用K - NN算法对所有训练样本进行聚类，根据实际样本数据和程序计算，得到20个聚类。因此，径向基概率神经网络的第一个隐藏层有20个神经元，第二个隐藏层有10个神经元，网络的拓扑结构为5 - 20 - 10 - 10。

为了展示径向基概率神经网络的优势和可行性，采用径向基概率神经网络和BP网络进行人脸识别。BP网络同样采用四层结构，有两个隐藏层，输入层、第一个隐藏层、第二个隐藏层和输出层的神经元数量与径向基概率神经网络相同。网络的学习参数选择如下：系统最大误差为0.01，单个样本的最大误差为0.001，网络的迭代次数为5000。

将所有样本进行归一化处理后，每次选择不同数量的训练样本和测试样本，将训练样本输入到径向基概率神经网络模型和BP网络中进行学习，然后使用测试样本进行测试。将200个样本随机分为4组，每次取出40个样本数据作为训练样本，另外10个样本作为测试样本。对样本集进行归一化处理后，分别使用4组不同的训练样本对径向基概率神经网络和BP网络进行4次训练，然后使用相应的测试样本进行测试。训练误差和测试误差分别是4次训练误差和4次测试误差的平均值，结果如下表所示：
| 方法 | 训练误差 | 测试误差 | 平均迭代次数 |
| ---- | ---- | ---- | ---- |
| 径向基概率神经网络 | 0.0051 | 0.116 | 427 |
| BP网络 | 0.0085 | 0.243 | 1571 |

从表中可以看出，径向基概率神经网络的训练样本均方误差小于BP网络，测试样本的均方误差也小于BP网络，并且在相同系统误差下，径向基概率神经网络的迭代次数明显少于BP网络。这表明径向基概率神经网络在分类精度、识别精度和收敛速度方面均优于BP网络，基于径向基概率神经网络的人脸识别方法具有更高的稳定性，能够获得更高的分类和识别精度。

5 结论

径向基概率神经网络是局部逼近网络，与BP网络相比，具有学习速度快、函数逼近能力强和模式分类能力强等优势。因此，基于径向基概率神经网络的人脸识别方法能够在很大程度上提高收敛速度和分类精度。

通过实验数据对社区入侵检测系统进行测试，并使用循环样本验证方法验证了系统的测试精度。实际分类结果表明，本文提出的方法能够真正实现面部分类。

基于径向基概率神经网络的社区入侵检测系统利用ARM的快速处理能力，结合无线网状网络通信，能够快速完成社区安全防御监控。该系统解决了人工监控的缺陷，提高了智能化程度，大大减轻了工作人员的工作压力，即使工作人员未能及时发现入侵事故，也能立即找出。社区安全得到了更好的保障。总体而言，该入侵检测系统具有成本低、功耗低、安装方便等优点，具有良好的应用前景。

6 系统优势总结

6.1 性能优势

从前面的实验数据对比可知，径向基概率神经网络在社区入侵检测系统中展现出显著的性能优势。具体体现在以下几个方面：
- 收敛速度快 ：在相同系统误差要求下，径向基概率神经网络的平均迭代次数仅为 427 次，而 BP 网络达到了 1571 次。这意味着径向基概率神经网络能够更快地收敛到合适的解，大大缩短了训练时间，提高了系统的响应效率。
- 分类精度高 ：训练误差和测试误差方面，径向基概率神经网络均小于 BP 网络。训练误差为 0.0051，测试误差为 0.116，而 BP 网络的训练误差为 0.0085，测试误差为 0.243。这表明径向基概率神经网络在对人脸进行分类和识别时，能够更准确地判断，减少误判的可能性。

以下是性能优势的对比表格：
| 性能指标 | 径向基概率神经网络 | BP 网络 |
| ---- | ---- | ---- |
| 平均迭代次数 | 427 | 1571 |
| 训练误差 | 0.0051 | 0.0085 |
| 测试误差 | 0.116 | 0.243 |

6.2 系统架构优势

社区入侵检测系统的架构设计也具有诸多优势：
- 低功耗 ：数据采集节点采用 ARM 平台，这种平台本身具有低功耗的特点，再结合无线网状网络通信，使得整个系统在运行过程中消耗的能量较少，降低了运营成本。
- 扩展性强 ：系统的软硬件扩展方便。数据采集节点可以根据实际需求增加或减少传感器的数量，无线网状网络也可以灵活扩展覆盖范围，控制中心的功能也可以通过软件升级不断完善。
- 安装便捷 ：分布式节点便于在安全防御场所固定，不需要复杂的布线和安装过程，能够快速部署到社区的各个角落。

7 实际应用场景分析

7.1 住宅小区

在住宅小区中，社区入侵检测系统可以发挥重要作用。以下是具体的应用流程：
1. 日常监控 ：数据采集节点实时收集小区内的环境信息，人体红外传感器时刻监测是否有人进入监控区域。
2. 异常处理 ：当检测到异常人员进入时，系统立即启动摄像头，利用径向基概率神经网络进行人脸识别。如果识别出是陌生人员，将入侵过程和人脸特征存储在特定内存中，并及时通知物业管理人员。
3. 信息查询 ：物业管理人员可以随时在控制中心查询人脸识别结果和异常信息，以便及时采取措施保障小区安全。

以下是住宅小区应用场景的 mermaid 流程图：

graph LR
    A[数据采集节点] --> B{是否有异常人员进入}
    B -- 是 --> C[启动摄像头]
    B -- 否 --> A
    C --> D[径向基概率神经网络人脸识别]
    D --> E{是否为陌生人员}
    E -- 是 --> F[存储入侵信息并通知物业]
    E -- 否 --> A
    F --> G[物业查询信息并处理]

7.2 办公场所

办公场所对安全的要求也很高，社区入侵检测系统同样适用：
1. 门禁管理 ：在办公场所的出入口设置数据采集节点，对进入人员进行实时监测和人脸识别。只有授权人员才能进入，非授权人员的进入将被视为入侵行为。
2. 内部监控 ：在办公区域内部，系统可以监控是否有异常人员进入敏感区域，如财务室、档案室等。一旦发现异常，及时采取措施。
3. 数据统计 ：控制中心可以对人员进出情况进行数据统计，为办公场所的安全管理提供数据支持。

8 未来发展趋势

8.1 技术融合

未来，社区入侵检测系统可能会与更多的技术进行融合，如物联网、大数据、人工智能等。
- 物联网 ：通过与物联网技术的融合，系统可以与更多的设备进行连接，实现更全面的环境监测和信息收集。例如，与智能门锁、智能摄像头等设备联动，实现更智能化的安全管理。
- 大数据 ：利用大数据技术对大量的入侵数据进行分析，挖掘潜在的安全威胁，为安全决策提供更有力的支持。
- 人工智能 ：结合更先进的人工智能算法，进一步提高人脸识别的精度和效率，同时实现对入侵行为的智能预测和预警。

8.2 功能拓展

系统的功能也将不断拓展，除了现有的人脸识别和入侵检测功能外，还可能增加以下功能：
- 行为分析 ：对人员的行为进行分析，判断是否存在异常行为，如徘徊、破坏等。
- 环境感知 ：感知环境的变化，如温度、湿度、烟雾等，及时发现火灾、水灾等安全隐患。
- 远程控制 ：用户可以通过手机或其他终端设备远程控制社区入侵检测系统，实现随时随地的安全监控。

9 总结与展望

基于径向基概率神经网络的社区入侵检测系统在解决传统社区入侵检测系统缺陷方面取得了显著成效。该系统利用径向基概率神经网络的优势，提高了人脸识别的精度和收敛速度，结合合理的系统架构设计，实现了快速、准确的社区安全防御监控。

在实际应用中，该系统在住宅小区和办公场所等场景中都具有良好的应用前景。随着技术的不断发展，未来社区入侵检测系统将与更多技术融合，功能也将不断拓展，为社区安全提供更全面、更智能的保障。我们期待该系统在未来能够得到更广泛的应用，为人们的生活和工作带来更高的安全性和便利性。