论文部分内容阅读
无线传感器网络已经成为当今的热门研究领域之一,其集成了微型传感器、无线网络、嵌入式处理三大技术。随着科技的不断发展,无线传感器网络已成功应用于军事和商业等很多领域。例如,在远程分布式监控、军事侦察、环境检测、家居自动化、火山探测、物流以及医学等领域均有着重要的科研价值和实用价值,并具有十分广阔的应用前景。
地面目标识别作为无线传感器网络的一个重要组成部分,要求网络节点具有体积小、耗能低、运算量小等优点。本文使用MEMS(Micro-Electro-MechanicalSystems)传声器和嵌入式系统组成网络节点,选择基于反向传播(BP,Back-Propagation)算法的前馈神经网络作为分类器,实现了履带车与轮式车的实时声学分类系统。
本文的主要内容是对传统BP算法进行了深入讨论和改进。虽然传统BP算法解决了多层感知器的收敛问题,但是训练时间长、收敛速度慢。另外,当训练样本非均匀分布时,若使用传统BP算法,其学习率仍然固定,且对所有训练样本是相同的。针对训练样本非均匀分布,本文提出了一种有效的加速收敛方法,即对不同的训练样本选择不同的学习率。仿真实验和实际样本测试结果均表明,与传统BP算法和自适应变学习率及惯性项的算法比较,该方法拥有较快的收敛速度、良好的泛化能力和较好的稳定性。
基于改进的BP算法,在嵌入式系统上实现了履带车与轮式车的实时声学分类系统,包括声音信号采集、预处理、特征提取、分类判决和输出四个功能模块。目前,该系统已通过实验室测试,正准备进行野外测试。下一步工作,将使用MEMS传声器替代现在的传统传声器,测试并提高该系统对不同传声器的鲁棒性。