劉振，邱家興，程玉勝

深度神經(jīng)網(wǎng)絡(luò)在螺旋槳葉片數(shù)識(shí)別中的應(yīng)用

劉振，邱家興，程玉勝

(海軍潛艇學(xué)院，山東青島 266071)

從調(diào)制(Demodulation on Noise, DEMON)譜諧波簇中提取的結(jié)構(gòu)特征可以建立用于螺旋槳葉片數(shù)識(shí)別的模板。使用模板匹配算法進(jìn)行螺旋槳葉片數(shù)識(shí)別時(shí)，存在依賴模板庫和置信度準(zhǔn)則、算法約束條件多、無法發(fā)現(xiàn)缺失模板等問題。本文提出了一種將深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)應(yīng)用于螺旋槳葉片數(shù)識(shí)別的方法，該方法僅在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)使用模板庫，克服了識(shí)別過程中對(duì)模板庫和置信度準(zhǔn)則的依賴。此外，通過提取識(shí)別錯(cuò)誤項(xiàng)，可以找到缺失模板，實(shí)現(xiàn)了對(duì)模板庫數(shù)據(jù)的補(bǔ)充。使用該算法對(duì)大量實(shí)測(cè)數(shù)據(jù)進(jìn)行檢測(cè)，發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)具有更高的識(shí)別正確率，而且識(shí)別過程更加簡(jiǎn)單可靠。

深度神經(jīng)網(wǎng)絡(luò)；螺旋槳葉片；識(shí)別

0 引言

本文將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于螺旋槳葉片數(shù)識(shí)別中。首先分析了從DEMON譜諧波簇中提取結(jié)構(gòu)特征向量的方法，然后使用計(jì)算機(jī)生成模板、模板細(xì)化、模板評(píng)估的方法初步生成模板庫數(shù)據(jù)[2]。基于該模板庫數(shù)據(jù)建立數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)模型。使用訓(xùn)練完成的DNN模型對(duì)已知螺旋槳葉片數(shù)的船舶輻射噪聲信號(hào)進(jìn)行識(shí)別，當(dāng)識(shí)別結(jié)果出現(xiàn)錯(cuò)誤時(shí)，提取識(shí)別錯(cuò)誤項(xiàng)對(duì)應(yīng)的模板，該模板為缺失模板。將缺失模板補(bǔ)充到模板庫中進(jìn)行再訓(xùn)練，可以得到具有更高識(shí)別率的DNN模型。識(shí)別過程如圖1所示。

圖1 螺旋槳葉片數(shù)識(shí)別流程圖

可以看出，僅使用訓(xùn)練后的DNN模型就可以完成識(shí)別，識(shí)別過程更加簡(jiǎn)單易行。

1 模板數(shù)據(jù)集的建立

從DEMON譜諧波簇中提取結(jié)構(gòu)特征向量建立模板數(shù)據(jù)庫，基于該模板庫數(shù)據(jù)建立用于DNN訓(xùn)練的數(shù)據(jù)集。

1.1 諧波簇結(jié)構(gòu)特征向量提取

分析DEMON譜諧波簇中的特征結(jié)構(gòu)[3]，可以提取諧波簇結(jié)構(gòu)特征向量，螺旋槳葉片數(shù)模板就是基于該結(jié)構(gòu)特征向量建立。結(jié)構(gòu)特征向量提取的主要步驟[2]特征向量提取的主要包括：

(3) 根據(jù)1～階諧波峰值所在位置，計(jì)算諧波面積特征向量。

從DEMON譜中提取前10階諧波特征值，每階諧波劃分為6級(jí)，則每一種組合對(duì)應(yīng)一個(gè)6級(jí)10階模板。圖2為某4葉槳民用船只輻射噪聲DEMON譜圖，船舶工況轉(zhuǎn)速為93 r·min-1，圖3為該DEMON譜對(duì)應(yīng)諧波簇特征結(jié)構(gòu)6級(jí)10階模板。

1.2 模板庫的建立

其中，表示葉槳對(duì)應(yīng)的模板個(gè)數(shù)。表示集合包含的模板個(gè)數(shù)。

圖3 某4葉民用船只輻射噪聲DEMON譜對(duì)應(yīng)模板

使用這種方法建立的模板庫可能會(huì)存在部分模板缺失的情況，這種缺失在使用模板匹配算法進(jìn)行螺旋槳葉片數(shù)識(shí)別時(shí)會(huì)導(dǎo)致兩種結(jié)果：

(1) 待識(shí)別諧波簇結(jié)構(gòu)特征向量匹配不到對(duì)應(yīng)模板和近似模板，判定為無法識(shí)別的類型；

(2) 待識(shí)別諧波簇結(jié)構(gòu)特征向量匹配到近似模板，根據(jù)置信度準(zhǔn)則判定為正確或錯(cuò)誤類型。

根據(jù)以上3種情況，當(dāng)模板匹配識(shí)別結(jié)果判定為正確、錯(cuò)誤或無法識(shí)別類型時(shí)，均不能確定諧波簇結(jié)構(gòu)特征向量對(duì)應(yīng)模板是否在模板庫中，難以發(fā)現(xiàn)缺失模板。

1.3 模板庫數(shù)據(jù)集的建立

在DNN網(wǎng)絡(luò)訓(xùn)練中，這是一種訓(xùn)練樣本極不均衡的訓(xùn)練問題[5]。

2 DNN模型訓(xùn)練

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

DNN網(wǎng)絡(luò)模型如圖4所示，它是深度學(xué)習(xí)最基本的模型之一。該網(wǎng)絡(luò)通過構(gòu)建多隱層的機(jī)器學(xué)習(xí)模型，可以擬合高度非線性復(fù)雜函數(shù)。目前DNN網(wǎng)絡(luò)模型在語音處理[6]、醫(yī)療[7]、軍事[8]等多個(gè)領(lǐng)域取得了很好的應(yīng)用效果。

DNN網(wǎng)絡(luò)模型的訓(xùn)練通常是計(jì)算網(wǎng)絡(luò)前向運(yùn)行結(jié)果與模板標(biāo)記之間的損失函數(shù)，然后使用反向傳播算法更新網(wǎng)絡(luò)參數(shù)。

圖4 深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)構(gòu)圖

小批量樣本的損失：

則梯度估計(jì)可以表示為

參數(shù)變化表示為

2.2 網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)置

表1 深度神經(jīng)網(wǎng)絡(luò)(DNN)模型的訓(xùn)練效果

3 實(shí)測(cè)船舶輻射噪聲數(shù)據(jù)實(shí)驗(yàn)

分析從水聽器中錄取的噪聲信號(hào)，通過計(jì)算其DEMON譜發(fā)現(xiàn)，有的DEMON譜(如圖5所示)可以提取到螺旋槳葉片數(shù)信息；有的DEMON譜(如圖6所示)難以提取螺旋槳葉片數(shù)信息。

圖5 某包含螺旋槳葉片數(shù)信息DEMON譜

在螺旋槳葉片數(shù)識(shí)別過程中，對(duì)于可以提取螺旋槳葉片數(shù)信息的樣本識(shí)別出正確螺旋槳葉片數(shù)，對(duì)于難以提取螺旋槳葉片數(shù)信息的樣本判定為無法識(shí)別的類型，這兩種情況均屬于識(shí)別正確，識(shí)別流程如圖7所示。其它情況屬于識(shí)別錯(cuò)誤。

圖6 某不包含螺旋槳葉片數(shù)信息DEMON譜

圖7 兩種識(shí)別正確情況的框圖

3.1 實(shí)驗(yàn)一

挑選實(shí)測(cè)船舶輻射噪聲信號(hào)共324個(gè)，每個(gè)信號(hào)代表一個(gè)樣本。計(jì)算其DEMON譜，經(jīng)統(tǒng)計(jì)得到DEMON譜中包含螺旋槳葉片數(shù)信息的信號(hào)共208個(gè)，不包含螺旋槳葉片數(shù)信息的信號(hào)116個(gè)。

使用訓(xùn)練完成的DNN模型對(duì)樣本進(jìn)行識(shí)別，并將識(shí)別結(jié)果與模板匹配算法識(shí)別結(jié)果進(jìn)行比對(duì)。統(tǒng)計(jì)識(shí)別結(jié)果時(shí)基于以下兩點(diǎn)假設(shè)：

(1) 在識(shí)別過程中，從DEMON譜中提取的軸頻信息準(zhǔn)確；

(2) DNN模型與模板匹配算法識(shí)別結(jié)果相同時(shí)，認(rèn)為識(shí)別結(jié)果正確。

統(tǒng)計(jì)兩種算法的識(shí)別正確率如表2中實(shí)驗(yàn)1所示。兩種算法識(shí)別結(jié)果中有226個(gè)樣本識(shí)別結(jié)果相同，98個(gè)樣本識(shí)別結(jié)果不同。在這98個(gè)樣本中，兩種算法識(shí)別情況如表3中實(shí)驗(yàn)1所示。

3.2 實(shí)驗(yàn)二

DNN模型識(shí)別錯(cuò)誤的46個(gè)樣本對(duì)應(yīng)的6級(jí)10階模板均為缺失模板。將該缺失模板補(bǔ)充到模板庫中，重新構(gòu)建模板數(shù)據(jù)集，訓(xùn)練DNN模型。使用訓(xùn)練完成的模型對(duì)324個(gè)樣本進(jìn)行再次識(shí)別，識(shí)別結(jié)果如表2中實(shí)驗(yàn)2所示。其中有272個(gè)樣本識(shí)別結(jié)果相同，52個(gè)樣本識(shí)別結(jié)果不同。在這52個(gè)樣本中，兩種算法的識(shí)別情況如表3中實(shí)驗(yàn)2所示。

結(jié)果顯示，識(shí)別結(jié)果不同的52個(gè)樣本均是由于模板匹配算法出現(xiàn)錯(cuò)誤，而DNN模型的識(shí)別正確率趨于100%。

可以看出，基于本測(cè)試集，通過合理訓(xùn)練DNN模型使其能夠記住所有測(cè)試樣本對(duì)應(yīng)的6級(jí)10階模時(shí)，DNN模型識(shí)別正確率可以趨于100%，而模板匹配算法始終存在即使有對(duì)應(yīng)模板仍然識(shí)別錯(cuò)誤的情況。

3.3 實(shí)驗(yàn)三

挑選更大規(guī)模的船舶輻射噪聲信號(hào)，增大測(cè)試樣本集數(shù)量至1 287個(gè)，其中包含螺旋槳葉片數(shù)信息的信號(hào)共839個(gè)，不包含螺旋槳葉片數(shù)信息的信號(hào)448個(gè)。使用上述添加模板后的DNN模型對(duì)樣本進(jìn)行識(shí)別，并將識(shí)別結(jié)果與模板匹配算法識(shí)別結(jié)果進(jìn)行比對(duì)。兩種算法的識(shí)別正確率如表2中實(shí)驗(yàn)3所示。兩種算法的識(shí)別結(jié)果中有915個(gè)樣本識(shí)別結(jié)果相同，372個(gè)樣本識(shí)別結(jié)果不同。在識(shí)別結(jié)果不同的372個(gè)樣本中，兩種算法識(shí)別情況如表3中實(shí)驗(yàn)3所示。

逐個(gè)分析這372個(gè)樣本，提取對(duì)應(yīng)的6級(jí)10階模板。發(fā)現(xiàn)DNN模型識(shí)別錯(cuò)誤的110個(gè)樣本均判定成了無法識(shí)別類型，其對(duì)應(yīng)的模板全部不在模板庫中；模板匹配算法識(shí)別錯(cuò)誤的262個(gè)樣本對(duì)應(yīng)模板全部在模板庫中。

表2 基于DNN模型和基于模板匹配算法得出的識(shí)別結(jié)果統(tǒng)計(jì)

表3 對(duì)基于DNN模型和模板匹配方法識(shí)別結(jié)果不同的樣本進(jìn)行再次識(shí)別后得出的識(shí)別結(jié)果統(tǒng)計(jì)

3.4 實(shí)驗(yàn)四

DNN模型識(shí)別錯(cuò)誤的110個(gè)樣本對(duì)應(yīng)的6級(jí)10階模板為缺失模板。再次將識(shí)別發(fā)現(xiàn)的缺失模板補(bǔ)充到模板庫中，重新構(gòu)建模板庫數(shù)據(jù)集，訓(xùn)練DNN模型。然后對(duì)1 287個(gè)樣本進(jìn)行再次識(shí)別，識(shí)別結(jié)果如表2中實(shí)驗(yàn)4所示。其中有1025個(gè)樣本識(shí)別結(jié)果相同，262個(gè)樣本識(shí)別結(jié)果不同。在這262個(gè)樣本中，兩種算法識(shí)別情況如表3中實(shí)驗(yàn)4所示。

結(jié)果顯示，262個(gè)識(shí)別結(jié)果不同的樣本均是由于模板匹配算法出現(xiàn)錯(cuò)誤導(dǎo)致的，而DNN模型識(shí)別正確率趨于100%。

從以上4個(gè)實(shí)驗(yàn)中可以看出，基于DNN模型的螺旋槳葉片數(shù)識(shí)別算法針對(duì)給定的數(shù)據(jù)集正確率可以達(dá)到100%。當(dāng)模板庫中存在模板時(shí)，DNN模型會(huì)識(shí)別正確；當(dāng)模板庫中不存模板時(shí)，DNN模型會(huì)識(shí)別錯(cuò)誤，而且識(shí)別錯(cuò)誤項(xiàng)對(duì)應(yīng)的模板即為缺失模板。提取缺失模板補(bǔ)充到模板庫中，可以得到具有更高識(shí)別率的DNN模型。

4 結(jié)論

本文提出了使用深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行螺旋槳葉片數(shù)識(shí)別的算法。該算法基于DEMON譜諧波簇結(jié)構(gòu)特征信息，通過訓(xùn)練DNN模型，僅在訓(xùn)練過程中使用模板數(shù)據(jù)，實(shí)現(xiàn)了識(shí)別過程中不依賴模板庫和置信度準(zhǔn)則的螺旋槳葉片數(shù)識(shí)別。識(shí)別過程僅使用6×1 024的網(wǎng)絡(luò)參數(shù)就可以完成，識(shí)別速度更快。此外，該算法不需要將模板庫帶入使用現(xiàn)場(chǎng)，對(duì)于數(shù)據(jù)保密具有重要意義。

使用大量實(shí)測(cè)噪聲信號(hào)進(jìn)行檢測(cè)，結(jié)果表明DNN算法簡(jiǎn)單可靠，具有更高的識(shí)別率。在船舶噪聲信號(hào)具有一定信噪比，其DEMON譜軸頻提取正確的前提下，DNN模型可以通過發(fā)現(xiàn)識(shí)別錯(cuò)誤項(xiàng)、提取模板、補(bǔ)充模板數(shù)據(jù)的方式不斷完善模型?？梢钥闯?，這是一個(gè)不斷進(jìn)步的過程。實(shí)際使用過程中，如果通過多次識(shí)別檢測(cè)、補(bǔ)充缺失模板的方式得到全部模板數(shù)據(jù)，則DNN模型的識(shí)別正確率可以趨于100%。

[1] 白敬賢, 高天德, 夏潤(rùn)鵬. 基于DEMON譜信息提取算法的目標(biāo)識(shí)別方法研究[J]. 聲學(xué)技術(shù), 2017, 36(1): 88-92.

BAI Jingxian, GAO Tiande, XIA Runpeng. Target recognition based on the information extraction algorithm of DEMON spectrum[J]. Technical Acoustics, 2017, 36(1): 88-92.

[2] 程玉勝, 高鑫, 劉虎. 基于模板匹配的艦船螺旋槳葉片數(shù)識(shí)別方法[J]. 聲學(xué)技術(shù), 2010, 29(2): 228-231.

CHENG Yusheng, GAO Xin, LIU Hu. A method for ship propeller blade-number recognition based on template matching[J]. Technical Acoustic, 2010, 29(2): 228-231.

[3] 史廣智, 胡均川. 艦船噪聲調(diào)制諧波簇結(jié)構(gòu)特性理論分析[J]. 聲學(xué)學(xué)報(bào), 2007, 32(1): 19-23.

SHI Guangzhi, HU Junchuan. Theoretical analysis of the structure law of ship radiated-noise demodulation spectrum harmonic clan feature[J]. Acta Acustica, 2007, 32(1): 19-23.

[4] 殷敬偉, 惠俊英. 基于DEMON線譜的軸頻提取方法研究[J]. 應(yīng)用聲學(xué), 2005, 24(6): 369-374.

YIN Jinwei, HUI Junyin. Extraction of shaft frequency based on the DEMON line spectrum[J]. Applied Acoustics, 2005, 24(6): 369-374.

[5] JAPKOWICZ N, STEPHEN S. The class imbalance problem: a systematic[J]. Intelligent Data Analysis study, 2002, 6(5): 429-449.

[6] ZHA Z L, HU J, ZHAN Q R, et al. Robust speech recognition combining cepstral and articulatory features[C]//IEEE International Conference on Computer and Communications. IEEE, 2018: 1401- 1405.

[7] HAVAEI M, DAVY A, WARDE-FARLEY D, et al. Brain tumor segmentation with Deep Neural Networks[J]. Medical Image Analysis, 2017, 35:18-31.

[8] 游飛, 張激, 邱定, 等. 基于深度神經(jīng)網(wǎng)絡(luò)的武器名稱識(shí)別[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2018, 27(1): 239-243.

YOU Fei, ZHANG Ji, QIU Ding, et al. Weapon named entity rased on deep neural network[J]. Computer Systems & Applications, 2018, 27(1): 239-243.

[9]GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning[M]. Cambridge: Mit Press, 2016: 94-95.

Application of deep neural network in blade-number recognition of ship propeller

LIU Zhen, QIU Jia-xing, CHENG Yu-sheng

(Navy Submarine Academy, Qingdao 266071, Shandong, China)

Structural feature vectors, which extracted from the harmonic waves in DEMON spectral, can be used to establish the templates for recognizing the propeller blade-number of ship propeller. However, in the recognition method based on template matching algorithm, there are some problems hard to be solved, such as relying on template library and confidence factor algorithm, containing too many constraints and unable to find missing templates. In this paper, a Deep Neural Network (DNN) based method for propeller blade-number recognition is proposed. In this method, the template library is only used when training the deep neural network, so that the problem of relying on template library and confidence factor algorithm disappears in the recognition process. In addition, by extracting the recognition error item, the missing templates can be found as the supplement of the template library. Through the tests of propeller blade-number recognition from the measured large amount of ship radiated noise data, it is confirmed that the DNN based method has higher accuracy in propeller blade-number recognition, and the recognition process is more simple and reliable.

Deep Neural Network (DNN);blade; recognition

O429

A

1000-3630(2019)-04-0459-05

10.16300/j.cnki.1000-3630.2019.04.017

2018-10-21;

2018-11-29

劉振(1994－)，男，河南信陽人，碩士研究生，研究方向?yàn)樗暷繕?biāo)識(shí)別。

劉振，E-mail:liuzhen_lzz@163.com