聲傳感網(wǎng)中的語(yǔ)義增強(qiáng)型信息融合方法

郭寶峰，林岳松，彭冬亮

(杭州電子科技大學(xué)自動(dòng)化學(xué)院信息與控制研究所，浙江杭州310018)

0 引言

聲傳感器網(wǎng)絡(luò)通過(guò)拾音器或換能器陣列收集在一定區(qū)域內(nèi)環(huán)境中產(chǎn)生的各種聲信號(hào)，并應(yīng)用信號(hào)處理技術(shù)來(lái)感知、分析目標(biāo)在一定頻率范圍內(nèi)的振動(dòng)信息。聲傳感器網(wǎng)絡(luò)具有設(shè)備相對(duì)廉價(jià)、性能穩(wěn)定、易于構(gòu)建、適應(yīng)惡劣工作環(huán)境等特點(diǎn)，可以應(yīng)用在很多領(lǐng)域。例如針對(duì)車輛行駛時(shí)的聲音信號(hào)特征，可以將拾音器陣列布置在城市道路旁，獲取車流量、車流速度等重要的交通流參數(shù)，從而實(shí)施對(duì)車輛的自動(dòng)檢測(cè)和智能交通監(jiān)控等任務(wù)。在聲傳感器網(wǎng)絡(luò)中，一般都是將拾音器或換能器等以陣列形式部署，以便滿足空域?yàn)V波及目標(biāo)定位、跟蹤等要求。這種典型的多傳感器配置方式自然而然地會(huì)產(chǎn)生對(duì)信息融合的需求［1］。傳統(tǒng)語(yǔ)義分析和本體工程主要應(yīng)用于自然語(yǔ)言理解、情報(bào)文獻(xiàn)檢索、互聯(lián)網(wǎng)信息處理等領(lǐng)域。自2000年以來(lái)，國(guó)外深入開(kāi)展了語(yǔ)義網(wǎng)技術(shù)［2、3］和本體工程［4］研究。國(guó)內(nèi)也進(jìn)行了面向互聯(lián)網(wǎng)的語(yǔ)義Web研究［5］和相關(guān)本體學(xué)習(xí)研究［6］。本文通過(guò)開(kāi)展面向聲信息融合的語(yǔ)義分析和本體建模研究，來(lái)提高聲傳感器融合系統(tǒng)在目標(biāo)識(shí)別和跟蹤方面的準(zhǔn)確性。由于在語(yǔ)義分析過(guò)程中，領(lǐng)域?qū)＜业闹R(shí)可以得到有效、充分地表述，因而通過(guò)語(yǔ)義增強(qiáng)的信息融合將具有包含領(lǐng)域知識(shí)的功能，并且自然而然地溝通了信息在信號(hào)、數(shù)據(jù)層次上的表示以及信息在知識(shí)層次上的描述，可進(jìn)一步增強(qiáng)融合系統(tǒng)的性能。

1 語(yǔ)義增強(qiáng)型信息融合方案

從實(shí)際應(yīng)用和工程角度來(lái)看，在采用語(yǔ)義分析技術(shù)的過(guò)程中，常常會(huì)遇到以下幾個(gè)困難:(1)語(yǔ)義概念的數(shù)量以及語(yǔ)義概念之間關(guān)系類型的數(shù)目難以確定。有時(shí)這些數(shù)目會(huì)很大，甚至達(dá)到無(wú)法處理的程度;(2)在定義語(yǔ)義概念和實(shí)現(xiàn)本體時(shí)，存在著可操作性較差、主觀性偏大等問(wèn)題;(3)對(duì)語(yǔ)義概念的完整性和本體設(shè)計(jì)的合理性缺乏客觀和定量的檢測(cè)、校驗(yàn)手段。本研究采取了以下思路和方法來(lái)克服或減輕語(yǔ)義分析技術(shù)應(yīng)用中的上述困難。首先在語(yǔ)義分析過(guò)程中，采用最少設(shè)計(jì)原則:即以聲傳感器網(wǎng)絡(luò)應(yīng)用為背景，在合適的抽象層次上，歸納出一組最簡(jiǎn)單、最相關(guān)的信號(hào)數(shù)據(jù)語(yǔ)義概念，以減輕復(fù)雜度，即(1)中所提到的困難。其次，除了仍由領(lǐng)域?qū)＜襾?lái)歸納語(yǔ)義概念和描述本體之外，采用機(jī)器學(xué)習(xí)算法來(lái)確定語(yǔ)義概念的具體屬性、實(shí)現(xiàn)一個(gè)由數(shù)據(jù)驅(qū)動(dòng)的本體，以減少語(yǔ)義分析中的主觀性，緩解(2)中所提到的問(wèn)題。最后，針對(duì)于問(wèn)題(3)，利用道路車輛聲信號(hào)，對(duì)所提出的語(yǔ)義增強(qiáng)型信息融合方法進(jìn)行了定量分析和校驗(yàn)。雖然本研究是以特定應(yīng)用為背景，但其方法、思路、程序和工具仍都會(huì)具有一定的典型性，可以被推廣或借鑒到其他信息融合應(yīng)用中。

本文提出的針對(duì)陸地車輛聲信號(hào)處理的語(yǔ)義增強(qiáng)型信息融合總體框架，如圖1所示:

圖1 語(yǔ)義增強(qiáng)型信息融合框架

在圖1中的語(yǔ)義增強(qiáng)型聲信息融合算法中，具體考慮了兩種實(shí)現(xiàn)方式:(1)將語(yǔ)義屬性看作一般的特征集，構(gòu)建出待分類目標(biāo)本體，然后將其應(yīng)用于基于車輛聲信號(hào)的特征級(jí)數(shù)據(jù)融合中，以改善車輛目標(biāo)識(shí)別的準(zhǔn)確性;(2)將語(yǔ)義屬性看作一個(gè)特殊信息集，然后用以調(diào)整傳統(tǒng)信息融合算法中的參數(shù)或者模型。針對(duì)實(shí)現(xiàn)方式2，本文提出了一個(gè)具體實(shí)現(xiàn)，即利用語(yǔ)義概念對(duì)決策級(jí)融合進(jìn)行仲裁的方法。

2 語(yǔ)義仲裁決策級(jí)融合方法

在決策級(jí)信息融合中利用語(yǔ)義概念的一個(gè)實(shí)現(xiàn)方案如圖2所示。

圖2 語(yǔ)義仲裁信息融合方案

在圖2所示的方案中，從車輛聲信號(hào)中要提取出兩組特征，分別是諧波特征X1和關(guān)鍵譜特征X2。在每一種特征的基礎(chǔ)上，利用模式識(shí)別算法對(duì)數(shù)據(jù)進(jìn)行一次初分類。這樣就會(huì)得到兩組中間決策，然后可以利用傳統(tǒng)的Bayes決策級(jí)融合算法將所獲的兩組中間決策組合起來(lái)，得到一個(gè)最終融合結(jié)果。針對(duì)兩組數(shù)據(jù)，一個(gè)典型的Bayes求和融合規(guī)則如下所示:

式中，X1和X2是兩個(gè)特征集，y為代表目標(biāo)類別的隨機(jī)變量，p(y)為概率密度函數(shù)。在聲信號(hào)模式識(shí)別中，由于諧波特征X1和關(guān)鍵譜特征X2所起的作用并不是一樣的，所以往往會(huì)采用加權(quán)求和融合規(guī)則，即:

式中，k代表一個(gè)融合權(quán)系數(shù)，0＜k＜1`，T(.)代表模式分類函數(shù)。如果能夠?qū)⒄Z(yǔ)義屬性和融合權(quán)系數(shù)聯(lián)系起來(lái)，即可將高層次語(yǔ)義信息嵌入到上述的決策級(jí)融合之中?？梢钥吹剑@種語(yǔ)義特征嵌入是對(duì)融合規(guī)則起隱性作用，也就是用于調(diào)整求和融合規(guī)則中的權(quán)系數(shù)，所以稱之為語(yǔ)義仲裁型信息融合。一種將語(yǔ)義屬性影射為融合權(quán)系數(shù)的方法詳述如下。

在所討論的利用聲傳感器組網(wǎng)探測(cè)車輛的應(yīng)用中，典型的語(yǔ)義屬性可以有:車輛類型(小轎車、卡車、拖拉機(jī)等)，車輛尺寸，發(fā)動(dòng)機(jī)類型(汽油機(jī)、柴油機(jī))。如何獲取這些語(yǔ)義屬性是正在研究的一個(gè)課題。其中的一個(gè)途徑是應(yīng)用有監(jiān)督學(xué)習(xí)算法，即從已知樣本中發(fā)掘出可利用的語(yǔ)義屬性來(lái)，這也是本文采用的方法。對(duì)描述車輛驅(qū)動(dòng)的具體語(yǔ)義s，即輪式/履帶特征，給定一個(gè)二元分類器g，用于學(xué)習(xí)此語(yǔ)義屬性:

用Length(X)表示特征X的維數(shù)?？梢岳檬?檢測(cè)出的語(yǔ)義屬性來(lái)控制式2中描述的兩信息源加權(quán)求和融合規(guī)則中的融合比例k。具體過(guò)程如下:

式中，N代表一個(gè)固定的特征總維數(shù)。式3－5實(shí)際上是利用一個(gè)語(yǔ)義屬性來(lái)調(diào)整、控制兩個(gè)信息源的維數(shù)。改變信息源維數(shù)會(huì)起到類似改變信息源權(quán)重的效果。因此，根據(jù)語(yǔ)義屬性的不同實(shí)現(xiàn)了不同的加權(quán)效果。

3 實(shí)驗(yàn)仿真

在一個(gè)車輛聲數(shù)據(jù)庫(kù)中測(cè)試了算法。該聲數(shù)據(jù)庫(kù)記錄了5種車輛運(yùn)行時(shí)發(fā)出的聲信號(hào)。5輛車包含2輛履帶車和3輛輪式車。在一個(gè)操場(chǎng)上布置好聲傳感器后，然后5輛車分別在操場(chǎng)上繞行，它們發(fā)出的聲音被聲傳感器記錄存儲(chǔ)。以1號(hào)麥克風(fēng)為例，所采集的信號(hào)如圖3所示。

圖3 車輛聲信號(hào)

本文使用了兩種有監(jiān)督分類器作為語(yǔ)義屬性提取算法，分別是支持向量機(jī)和多變量高斯分類器。其中支持向量機(jī)提取語(yǔ)義屬性效果較好，語(yǔ)義屬性分類錯(cuò)誤較低，稱之為‘強(qiáng)’分類器;多變量高斯分類器提取的效果較差，語(yǔ)義屬性分類錯(cuò)誤較高，相應(yīng)地稱為‘弱’分類器。利用支持向量機(jī)和多變量高斯分類器提取語(yǔ)義信息，學(xué)習(xí)后得到的結(jié)果為:當(dāng)信號(hào)來(lái)自于輪式車時(shí)，諧波特征維數(shù)為m=21;當(dāng)信號(hào)來(lái)自于履帶車時(shí)，諧波特征維數(shù)為n=17，即完成了式3、4。本文測(cè)試了提出的語(yǔ)義仲裁型信息融合方法，并與其它方法做了比較，結(jié)果如表1所示。

表1 針對(duì)5類車輛、2特征源信息融合分類結(jié)果(%)

表1中第一列為直接利用語(yǔ)義屬性進(jìn)行融合所獲的結(jié)果，即將提取出的語(yǔ)義屬性看作一種普通二元特征，然后把它加入到已有的諧波特征集中進(jìn)行特征層次信息融合。第二列是使用基于本體的融合方法所獲結(jié)果，相當(dāng)于先利用‘強(qiáng)’、‘弱’分類器對(duì)信號(hào)進(jìn)行一次預(yù)分類，將所有車輛分成輪式和履帶兩類，然后再進(jìn)一步細(xì)分，把每一輪式子類和履帶子類車分開(kāi)。由于‘弱’分類器提取語(yǔ)義屬性準(zhǔn)確性較低，所以其結(jié)果要低于使用‘強(qiáng)’分類器(79.1%＜84.5%)。第三列是語(yǔ)義仲裁型融合方法的結(jié)果，高于直接融合的結(jié)果，但略低于基于本體融合方法中的最佳結(jié)果。需要注意的是:雖然在‘強(qiáng)’分類器條件下，基于本體的融合方法獲得了最佳結(jié)果，但其在‘弱’分類器條件下的結(jié)果卻是最差，說(shuō)明預(yù)分類的誤差會(huì)傳導(dǎo)到下一層中的細(xì)分類中。而語(yǔ)義仲裁型融合方法在‘強(qiáng)’、‘弱’分類器下的性能都近似，表明其間接利用語(yǔ)義屬性的方式會(huì)帶來(lái)性能穩(wěn)定的優(yōu)點(diǎn)。

4 結(jié)束語(yǔ)

語(yǔ)義分析技術(shù)是基于邏輯和符號(hào)體系的，而傳統(tǒng)的信息融合主要傾向于利用概率和數(shù)值表述;兩者在分析模式上有互補(bǔ)關(guān)系。通過(guò)語(yǔ)義增強(qiáng)的信息融合方法可以綜合利用兩種分析模式的優(yōu)勢(shì)。本文在對(duì)聲傳感器車輛監(jiān)測(cè)進(jìn)行語(yǔ)義分析的基礎(chǔ)上，為車輛聲信息融合提供一個(gè)新思路和實(shí)現(xiàn)方法。在加權(quán)求和融合規(guī)則中，通過(guò)調(diào)整不同特征集的維數(shù)，實(shí)現(xiàn)了不同的加權(quán)效果。通過(guò)對(duì)5輛車運(yùn)行聲信號(hào)進(jìn)行采集，完成了對(duì)所提算法的仿真驗(yàn)證。結(jié)果表明語(yǔ)義增強(qiáng)型信息融合方法可以在一定程度上改進(jìn)對(duì)聲識(shí)別車輛的準(zhǔn)確性。然而目前本方法對(duì)識(shí)別率的改善程度還不夠顯著，將研究如何更大程度地提高識(shí)別準(zhǔn)確性。

［1］楊萬(wàn)海.多傳感器數(shù)據(jù)融合及其應(yīng)用［M］.西安:西安電子科技大學(xué)出版社，2004:1－50.

［2］Berners-Lee T，Hendler J，Lassila O.The Semantic Web［J］.Scientific American，2001，(5):35－43.

［3］Shadbolt N，Hall W，Berners-Lee T.The Semantic Web Revisited［J］.IEEE Intelligent Systems，2006，21(3):96－101.

［4］陸建江，張亞非，苗壯.語(yǔ)義網(wǎng)原理與技術(shù)［M］.北京:科學(xué)出版社，2007:23－55.

［5］Uschold M，Gruninger M.Ontologies:principles，methods，and applications［J］.Knowledge Engineering Review，1996，11(2):93－155.

［6］杜小勇，李曼，王珊.本體學(xué)習(xí)研究綜述［J］.軟件學(xué)報(bào)，2006，17(9):1 837－1 847.