李啟飛，吳 芳，林義杰

（1.海軍航空大學(xué)，山東煙臺(tái)264001；2.91550部隊(duì)，遼寧大連116000；3.92485部隊(duì)，遼寧大連116113）

航空磁探反潛是通過(guò)檢測(cè)水下目標(biāo)產(chǎn)生的磁場(chǎng)對(duì)地磁場(chǎng)產(chǎn)生的異常擾動(dòng)，從而實(shí)現(xiàn)對(duì)水下磁性目標(biāo)進(jìn)行搜索的一種反潛手段。

水下目標(biāo)產(chǎn)生的磁場(chǎng)頻率極低，主要能量分布在0～1 Hz 的頻率范圍。在實(shí)際作戰(zhàn)過(guò)程中，發(fā)現(xiàn)存在幾種干擾源，其產(chǎn)生的磁場(chǎng)頻段與水下目標(biāo)產(chǎn)生的磁場(chǎng)頻段存在重疊，影響航空磁探反潛探測(cè)的準(zhǔn)確性，增加虛警概率。

多倫多大學(xué)Geoffery Hinton 在2006 年提出深度信念網(wǎng)絡(luò)，揭開(kāi)了深度學(xué)習(xí)在人工智能領(lǐng)域的革命[1]。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種多層結(jié)構(gòu)的網(wǎng)絡(luò)模型，其圖像識(shí)別準(zhǔn)確率比較高[2-6]。本文將信號(hào)轉(zhuǎn)為時(shí)頻圖，并使用CNN對(duì)時(shí)頻圖進(jìn)行分類，從而達(dá)到信號(hào)識(shí)別的目的。

1 干擾信號(hào)和目標(biāo)信號(hào)

本節(jié)基于樣機(jī)數(shù)據(jù)中已知4類干擾源的磁異常干擾信號(hào)數(shù)據(jù)，分析其時(shí)域、頻域特征。這4類磁異常信號(hào)干擾源分別是短波語(yǔ)音干擾、短波數(shù)據(jù)鏈干擾、地磁異常干擾、飛機(jī)轉(zhuǎn)彎干擾。

樣機(jī)樣本數(shù)據(jù)一共200 個(gè)信號(hào)。其中，目標(biāo)信號(hào)40個(gè)，干擾信號(hào)160個(gè)，典型時(shí)域圖如圖1所示。

圖1 a）～d）分別是4種干擾的時(shí)域圖，e）、f）是水下目標(biāo)不同運(yùn)動(dòng)態(tài)勢(shì)下的磁異常信號(hào)。

圖1 目標(biāo)和干擾的時(shí)域波形Fig.1 Time domain waveforms of targets and interference

2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別、圖像分類等領(lǐng)域有著大量的應(yīng)用。能夠在大量數(shù)據(jù)、圖像中發(fā)現(xiàn)隱藏的特征，從而消除人工分類、定制數(shù)據(jù)、圖像特征的復(fù)雜性[7-12]。

1）卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層、輸出層[13]構(gòu)成。模仿了人類對(duì)圖像的認(rèn)知過(guò)程，即由眼睛讀取圖像；大腦對(duì)圖像切割、提取物體特征，并將特征抽象化；最后，進(jìn)行抽象判定。

圖2 卷積神經(jīng)網(wǎng)絡(luò)總體結(jié)構(gòu)Fig.2 Overall structure of convolutional neural network

輸入層接收樣本數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理。當(dāng)輸入數(shù)據(jù)為圖像中的像素值時(shí)，將[0，255]范圍內(nèi)的原始像素值歸一到[0，1]范圍內(nèi)，這有助于提升網(wǎng)絡(luò)的學(xué)習(xí)效率和準(zhǔn)確率；卷積層是CNN 的關(guān)鍵構(gòu)成，其主體就是將卷積核與輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算。卷積運(yùn)算關(guān)注圖像局部特征，模仿了人對(duì)圖像的認(rèn)識(shí)過(guò)程；輸出層的上層網(wǎng)絡(luò)一般是全連接層，在本節(jié)分類問(wèn)題中，輸出層輸出圖像類別參數(shù)。

2）前向傳播和反向傳播。前向傳播是指訓(xùn)練過(guò)程中卷積網(wǎng)絡(luò)的上一層計(jì)算值會(huì)作為下一層的輸入，直至計(jì)算得到最后的分類結(jié)果及概率。反向傳播是指將計(jì)算結(jié)果的誤差方向傳入到輸入層，即計(jì)算誤差與當(dāng)前層的梯度相乘，得到當(dāng)前層的輸入，并依次向后傳播誤差，直至輸入層。[14-17]

當(dāng)樣本有N個(gè)類別時(shí)，第i個(gè)樣本xi的誤差函數(shù)為：

圖3 是使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)的流程圖，包含網(wǎng)絡(luò)訓(xùn)練模塊和網(wǎng)絡(luò)測(cè)試模塊2 個(gè)部分。網(wǎng)絡(luò)訓(xùn)練模塊主要是對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行預(yù)處理，并使用訓(xùn)練樣本對(duì)CNN 進(jìn)行訓(xùn)練。網(wǎng)絡(luò)測(cè)試模塊使用帶有分類標(biāo)簽的測(cè)試集樣本，對(duì)網(wǎng)絡(luò)的泛化能力進(jìn)行測(cè)試，分析經(jīng)過(guò)訓(xùn)練后的網(wǎng)絡(luò)分類準(zhǔn)確性[18]。

3 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

圖3 卷積神經(jīng)網(wǎng)絡(luò)的流程圖Fig.3 Flow chart of convolution neural network

1）數(shù)據(jù)集的獲取。反潛巡邏機(jī)轉(zhuǎn)彎干擾、地磁異常干擾、數(shù)據(jù)鏈干擾、短波干擾這4種干擾的頻率波段與水下目標(biāo)的頻率波段有重疊的范圍，使得操作人員在使用現(xiàn)役裝備執(zhí)行磁探反潛任務(wù)時(shí)，難以對(duì)檢測(cè)過(guò)程中發(fā)現(xiàn)的信號(hào)異常進(jìn)行目標(biāo)標(biāo)定。本節(jié)基于樣本信號(hào)的時(shí)頻圖，組成數(shù)據(jù)集，并將數(shù)據(jù)集按照80%、20%的比例構(gòu)成訓(xùn)練集和測(cè)試集。

數(shù)據(jù)集中，來(lái)自水下目標(biāo)和干擾的時(shí)域信號(hào)共200 個(gè)。其中，來(lái)自4 類干擾信號(hào)樣本130 個(gè)，來(lái)自目標(biāo)樣本信號(hào)70 個(gè)。按照8 ∶2 的比例隨機(jī)組成訓(xùn)練集和測(cè)試集。樣本的時(shí)頻圖見(jiàn)圖4，其中，a）～d）分別是4 類干擾的時(shí)頻圖。時(shí)頻變換采用矩形窗，長(zhǎng)度為200個(gè)數(shù)據(jù)點(diǎn)，每次向下一時(shí)刻移動(dòng)10個(gè)數(shù)據(jù)點(diǎn)。

2）數(shù)據(jù)預(yù)處理。時(shí)頻圖的坐標(biāo)軸固定，在卷積神經(jīng)網(wǎng)絡(luò)中屬于無(wú)用信息，還有可能對(duì)磁異常信號(hào)的識(shí)別產(chǎn)生負(fù)面效果。所以，在預(yù)處理過(guò)程中，去除時(shí)頻圖的坐標(biāo)軸信息，對(duì)時(shí)頻圖進(jìn)行壓縮，將其壓縮為227×227像素×3通道。

信號(hào)時(shí)頻樣本的x軸是時(shí)間軸，當(dāng)采樣信號(hào)時(shí)間越長(zhǎng)，單位時(shí)間的頻率特征就越窄。由于樣本信號(hào)采樣長(zhǎng)度不一致，227×227 像素的時(shí)頻圖并不能合理地體現(xiàn)出時(shí)域特征，所以對(duì)信號(hào)逐數(shù)據(jù)點(diǎn)進(jìn)行時(shí)頻分析，每次提取4 s 的數(shù)據(jù)（400 個(gè)數(shù)據(jù)點(diǎn)）進(jìn)行分析，其時(shí)頻圖如圖5所示。

圖4 時(shí)頻圖Fig.4 Time-frequency diagram of interference

圖5 信號(hào)時(shí)頻圖Fig.5 Time-frequency diagram of signal

3）網(wǎng)絡(luò)泛化能力測(cè)試。訓(xùn)練運(yùn)行環(huán)境：intel（R）Core（TM）i5-4200M CPU@2.50GHz，內(nèi)存為12GB，程序在Window 10 系統(tǒng)下Matlab 軟件上進(jìn)行編寫(xiě)并運(yùn)行。實(shí)驗(yàn)采取訓(xùn)練—測(cè)試的流程，訓(xùn)練和驗(yàn)證是訓(xùn)練過(guò)程的2個(gè)部分。在訓(xùn)練過(guò)程中，通過(guò)準(zhǔn)確率曲線，直觀地觀測(cè)模型訓(xùn)練的優(yōu)劣情況。

實(shí)驗(yàn)：本節(jié)用200個(gè)樣本組成數(shù)據(jù)集，并將數(shù)據(jù)集按照8 ∶2 的比例分成訓(xùn)練集和測(cè)試集。其中，干擾信號(hào)時(shí)頻圖樣本104 個(gè)，水下目標(biāo)信號(hào)時(shí)頻圖樣本26個(gè)，共計(jì)130個(gè)樣本組成訓(xùn)練集；干擾信號(hào)時(shí)頻圖樣本56個(gè)，水下目標(biāo)信號(hào)時(shí)頻圖樣本14個(gè)，共計(jì)70個(gè)樣本組成測(cè)試集。應(yīng)用動(dòng)量隨機(jī)梯度下降法尋找最優(yōu)參數(shù)，初始學(xué)習(xí)率設(shè)為0.001。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到訓(xùn)練準(zhǔn)確率如圖6所示。

圖6 訓(xùn)練準(zhǔn)確率圖Fig.6 Training accuracy

如圖6所示，在上述訓(xùn)練參數(shù)下，卷積神經(jīng)網(wǎng)絡(luò)能夠達(dá)到較好的訓(xùn)練效果，準(zhǔn)確率達(dá)到85.4%。通過(guò)測(cè)試集樣本對(duì)網(wǎng)絡(luò)泛化能力進(jìn)行測(cè)試，結(jié)果如表1 所示。40個(gè)測(cè)試樣本僅有6個(gè)分類錯(cuò)誤，其余均實(shí)現(xiàn)正確識(shí)別，總識(shí)別率達(dá)到了85%，具有較好的分類效果。

表1 卷積神經(jīng)網(wǎng)絡(luò)的泛化能力Tab.1 Generalization ability of convolutional neural network

4 結(jié)束語(yǔ)

通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的方法，實(shí)現(xiàn)了對(duì)干擾信號(hào)和水下目標(biāo)信號(hào)的識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)模擬人大腦對(duì)事物的認(rèn)知過(guò)程，從局部到整體對(duì)特征進(jìn)行識(shí)別。從樣本集中自主學(xué)習(xí)特征，從而實(shí)現(xiàn)對(duì)不同磁源樣本的分類過(guò)程，提高了對(duì)水下目標(biāo)的識(shí)別準(zhǔn)確率。