宋奎勇周連科王紅濱

(1.哈爾濱工程大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,哈爾濱 150000;2.呼倫貝爾職業(yè)技術(shù)學(xué)院 信息工程系,內(nèi)蒙古 呼倫貝爾 021000)

0 引 言

海洋環(huán)境復(fù)雜多變,水下目標識別困難重重。近年來,海上船舶數(shù)量越來越多,頻繁活動帶來的背景噪聲增加了目標識別的任務(wù)難度,單一傳感器在這種環(huán)境下顯得力不從心,精度不高。多源傳感器融合是一種有效提高識別精度的方法,得到廣泛的研究并取得很好的效果。水下傳感器融合是當前目標識別研究的熱點和難點[1-3]。

信息融合可定義為利用計算機技術(shù)對按時序獲得的若干傳感器的觀測信息,在一定準則下加以自動分析、綜合以完成所需要的決策和估計任務(wù)而進行的信息處理過程。數(shù)據(jù)融合可分為像素級融合、特征級融合和決策級融合[4-6]。像素級融合指在原始數(shù)據(jù)上進行融合,對原始數(shù)據(jù)未作任何處理。特征級融合首先對傳感器原始信息進行特征提取,然后對其進行綜合分析和處理。一些經(jīng)典的特征融合方法包括主成分分析(PCA:Principal Component Analysis)、線性判別分析(LDA:Linear Discriminant Analysis)、等度量映射(ISOMAP:Isometric Mapping)和局部線性嵌入(LLE:Linear Locally Embedding)等[7]。近年來,自編碼器(AE:Autoencoder)作為一種非線性特征融合方法被廣泛關(guān)注,許多自編碼器模型被提出[8-9],如基本自編碼器(BAE:Basic AE)、去噪自編碼器(DAE:Denosing AE)、壓縮自編碼器(CAE:Contractive AE)和強壯自編碼器(RAE:Robust AE)等。自編碼器被廣泛應(yīng)用于特征級數(shù)據(jù)融合[10-11]。

針對水下試驗數(shù)據(jù)噪聲大、維數(shù)高的特點,筆者提出一種結(jié)合去噪自編碼和降維的多角度特征級融合方法。首先,使用DAE降低數(shù)據(jù)噪聲、提取數(shù)據(jù)特征同時對數(shù)據(jù)降維;然后,對新特征采用層疊式融合策略進行特征融合,使用的融合方法包括主成分分析、獨立分量分析和等度量映射。筆者方法在水下多源試驗數(shù)據(jù)上取得較好的目標識別率。

1 背景知識

自編碼是一種對稱結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型,圖1所示為一個3層的自編碼,包括輸入層、隱藏層和輸出層。隱藏層是對輸入數(shù)據(jù)的重新編碼,而輸出層是對隱藏層的重構(gòu)。如果隱藏層小于輸入層、輸出層神經(jīng)元個數(shù),則隱藏層數(shù)據(jù)是對原始數(shù)據(jù)的降維表示。圖1是包含1個隱藏層的自編碼,通過兩個權(quán)重矩陣w(1)、w(2)和兩個偏置向量b(1)、b(2)設(shè)定為

圖1 3層自編碼結(jié)構(gòu)圖Fig.1 3-layer autoencoder structure diagram

其中s1、s2為激活函數(shù),一般使用非線性函數(shù),f為編碼函數(shù),g為解碼函數(shù)。自編碼器使用目標函數(shù)優(yōu)化w和s使重構(gòu)誤差最小。最具代表性的目標函數(shù)有均方誤差函數(shù)和交叉熵函數(shù)。均方誤差函數(shù)為交叉熵的函數(shù)為

2 DAE結(jié)合PCA特征融合

海洋環(huán)境水聲數(shù)據(jù)噪聲大、維數(shù)高,去噪自編碼器DAE能減少環(huán)境背景噪聲的影響,并能學(xué)習(xí)到水聲數(shù)據(jù)深層特征。筆者提出的一種多角度特征融合方法處理水下數(shù)據(jù)如圖2所示,圖2左側(cè)是使用DAE去除噪聲、降低維數(shù),并抽取出深層特征;圖2右側(cè)使用PCA融合方法對多源水下數(shù)據(jù)融合,并對融合后的數(shù)據(jù)分類,比較不同融合方法的分類效果。

圖2 結(jié)合DAE和PCA特征融合結(jié)構(gòu)圖Fig.2 Combination of DAE and PCA feature fusion structure diagram

2.1 去噪自編碼特征融合

DAE[12]能使用被損壞的數(shù)據(jù)作為輸入重構(gòu)源數(shù)據(jù),即DAE對損壞的數(shù)據(jù)能建立潛在的特征空間,對損壞數(shù)據(jù)更具有魯棒性。DAE結(jié)構(gòu)和參數(shù)與普通自編碼器相似,區(qū)別在于輸入數(shù)據(jù)在訓(xùn)練階段使用了損壞的數(shù)據(jù),并且在訓(xùn)練階段隨機選擇一定數(shù)量節(jié)點設(shè)置為0。筆者方法中DAE使用的最小化目標函數(shù)為

其中

x為源數(shù)據(jù),為添加高斯噪聲輸入,σ為噪聲程度,為重構(gòu)數(shù)據(jù)。由文獻[10]可知,3層DAE是簡單、效果好的架構(gòu),使用此架構(gòu)隱藏層數(shù)據(jù),即為DAE處理后的深度特征表示。

2.2 PCA層疊式特征融合

PCA[13-14]是一種經(jīng)典數(shù)據(jù)降維算法,對降噪也有很好的效果。PCA的主要思想是將N維數(shù)據(jù)投影到維度為K的子空間中(K

當均值μ=0時,

在此矩陣中,主對角線為方差,其余部分為協(xié)方差,若把此矩陣對角化,則正好滿足方差盡可能大,而協(xié)方差為0,并且在主對角線上元素按大小從上到下排列,達到優(yōu)化目的。若P是按行組成的一組基,設(shè)Y=PX,Y為X做基變換后的數(shù)據(jù),Y的協(xié)方差矩陣為D,則有

其中D為對角矩陣,且D是對C的對角化?？衫锰卣髦捣纸饣蚱娈愔捣纸馇缶仃嘋的特征值和特征向量。選擇最大的k個特征值,其對應(yīng)的特征向量P就是所求的K維子空間,將數(shù)據(jù)投影到k維子空間中,即Y=PX,Y就是D降維后的特征表示。

將多源水聲傳感器對同一目標進行同步偵測,所得傳感器數(shù)據(jù)相互間有一定線性關(guān)系,而PCA是一種線性降維方法,所以使用PCA是適合的。如圖3所示,為了得到更準確的分類效果,使用了層疊式PCA融合方法,第i、i+1、i+2 3組數(shù)據(jù)融合為1組,i+1、i+2、i+3 3組數(shù)據(jù)融合為1組,以此類推。層疊式融合方法會使同類數(shù)據(jù)更加相似。

圖3 PCA層疊式特征融合結(jié)構(gòu)圖Fig.3 PCA stacked feature fusion structure diagram

經(jīng)過DAE和PCA融合后的數(shù)據(jù),維數(shù)更小、特征更突出。若將多傳感器數(shù)據(jù)比作二維表,則DAE從橫向上壓縮并抽取特征數(shù)據(jù),PCA從縱向上融合數(shù)據(jù)。因此數(shù)據(jù)在進行分類時,時間效率更高,分類精度會更好。

2.3 算法基本步驟

在不同環(huán)境下采集水下數(shù)據(jù),使用筆者算法融合處理,基本步驟如下:

步驟1多源水下傳感器數(shù)據(jù)采集;

步驟2數(shù)據(jù)分段、標準化處理;

步驟3使用DAE對數(shù)據(jù)進行特征融合;

步驟4使用PCA降維融合;

步驟5使用多種分類算法分類。

3 試驗分析

試驗使用Python語言在Tensorflow 2.0和Keras 2.0.6框架下編程開發(fā)。Tensorflow和Keras是高效深度學(xué)習(xí)框架,提供大量程序包,快速提高開發(fā)效率。為驗證筆者算法,選取了消聲水池場景實驗數(shù)據(jù)和真實水下場景數(shù)據(jù)做測試,這兩種試驗場景涵蓋了理想水下環(huán)境與真實水下環(huán)境,為驗證算法在不同環(huán)境下有效性提供了保障。

3.1 試驗數(shù)據(jù)集

1)消聲水池數(shù)據(jù)。通過在消聲水池中布置不同水下目標聲響設(shè)備模擬水下目標信息感知的環(huán)境。目標放置位置正對水聽器,池邊水聽器陣自下而上排列,水聽陣內(nèi)含18只水聽器,每只水聽器對應(yīng)相同編號通道(signal),其中末端水聽器距離池底0.5 m,其他水聽器每個間距0.25 m安置,陣纜共長4.5 m。測量時間6 min,頻帶25.6 kHz。采集的所有信號均為電壓值。為實現(xiàn)精細化的水下目標信息感知,嘗試使用不同的功率放大器模擬不同船體的本艇自身噪聲,同時,船體分別使用20%、50%和80%的功率在水中航行。實驗環(huán)境如圖4所示。

圖4 消聲水池數(shù)據(jù)監(jiān)測結(jié)構(gòu)圖Fig.4 Data monitoring structure diagram of anechoic pool

依據(jù)目標的發(fā)動機功率以及不同的速度,將其定義為3類不同的目標。目標1總量4 800段,目標2總量10 000段,目標3總量3 470段,所有數(shù)據(jù)訓(xùn)練集占比72.5%,測試集占比27.5%。

2)真實水下試驗數(shù)據(jù)。通過在實際水域中布置多個水下目標噪聲采集設(shè)備收集數(shù)據(jù)。目標船只攜帶發(fā)聲設(shè)備在水面上按實驗要求沿不同的方向以不同速度運動,采集不同聲況下的數(shù)據(jù)。在真實水下場景試驗時,記錄的自然環(huán)境信息:溫度為6℃,濕度為39%,風(fēng)速為4 m/s,氣壓為1.029×105Pa,水速為7 m/s。

使用3路水聽器組水平陣與20路水聽器進行信號采集。船長6 m,近岸固定,船在江面中心線上,船頭正對水聽陣。船身正中位置放置,用于模擬自身噪聲實驗采集船體的水下噪聲信號數(shù)據(jù),按照船體距離采集點的不同,錄取多組數(shù)據(jù)。船以不同的距離和速度在水面上航行,記錄水聽器接收的噪聲數(shù)據(jù)。由于水面上有風(fēng)浪,船體需要保持一定速度航行,距離會有誤差,同時實驗開始前和結(jié)束后,每段采集了約30 min的環(huán)境噪聲。實驗環(huán)境如圖5所示。

圖5 水下真實數(shù)據(jù)采集圖Fig.5 Underwater real data collection map

目標船體使用不同發(fā)聲體模擬不同目標,并且以不同的速度航行。具體實驗數(shù)據(jù)目標參數(shù)如表1所示,根據(jù)發(fā)聲體馬力和目標距離的不同,把試驗數(shù)據(jù)分成8類,同時,由于船體不固定,目標距離存在誤差,所以目標距離在一定范圍內(nèi)波動。

表1 水下實驗數(shù)據(jù)分類表Tab.1 Classification table of underwater experiment data

3.2 試驗驗證與性能對比分析

1)參數(shù)設(shè)置與對比分析。由于水聽器測量數(shù)據(jù)量較大,在使用前需要對數(shù)據(jù)進行切分。為了方便程序計算與處理,切分大小以2的冪為基準,筆者使用3種切分大小,分別為512、1 024、2 048。并且使用sklearn包中的預(yù)處理函數(shù)MinMaxScalar把數(shù)據(jù)歸一化在0~1之間。最后,使用sklearn包中的train_test_split函數(shù)把數(shù)據(jù)集劃分為訓(xùn)練集和測試集,訓(xùn)練集和測試集比例為6∶4。

DAE模型參數(shù)包括輸入層維數(shù)(input_dim)、編碼層維數(shù)(encoding_dim)、權(quán)重衰變(weight_decay)和激活函數(shù)(activation)。輸入層維數(shù)為512、1 024、2 048 3種,編碼層按照輸入層50%和75%兩種比例計算,按照文獻[9]的試驗分析,一般情況下,降維到75%好于降維到50%的分類準確率,降維到50%高于未經(jīng)降維的分類準確率。自編碼網(wǎng)絡(luò)編碼層大小是輸入層的75%時分類準確率最高。例如:在試驗中按照DAE的3層結(jié)構(gòu),若輸入層為1 024,并且設(shè)定編碼層為輸入層的75%,則編碼層為768。權(quán)重衰變?yōu)門RUE,激活函數(shù)為tanh。

為了展示分類效果優(yōu)劣,使用PCA、獨立成分分析(ICA:Independent Component Analysis)和ISOMAP進行數(shù)據(jù)降維融合,PCA和ICA是一種線性降維方法,ISOMAP是一種基于流行的非線性降維方法。然后,使用支持向量機(SVM:Support Vector Machine)對融合后數(shù)據(jù)分類,分類結(jié)果如表2所示。

表2 不同融合方法的分類準確率Tab.2 Classification accuracy of different fusion methods

從表2可以看出,同樣條件下的數(shù)據(jù),經(jīng)PCA處理后的識別率高于ICA和IOSMAP。在DAE(75%)+PCA數(shù)據(jù)上,取得最高的識別率,消聲水池是98.1%,江上場景是89.7%。為進一步展示效果,使用折線圖對比分析。圖6是3種融合方法在消聲水池和真實水下環(huán)境中的識別率對比。圖7是試驗數(shù)據(jù)是否使用PCA的識別率對比。

圖6 2種場景下不同融合方法分類識別率Fig.6 Classification and recognition rate of different fusion methods in two scenarios

圖7 2種場景下融合前后識別率對比Fig.7 Comparison of recognition rates before and after fusion in the two scenarios

從圖6a中可以看出,消聲水池數(shù)據(jù)使用3種融合方法融合后的識別率PCA高于ICA和ISOMAP,從源數(shù)據(jù)到DAE(50%)再到DAE(75%),整體識別率上升。從圖6b真實水下環(huán)境中目標識別率同樣得到類似的結(jié)果。在水池數(shù)據(jù)中,DAE(75%)經(jīng)PCA融合后取得最高的識別率98.1%,在真實水下場景試驗數(shù)據(jù)中,同樣是DAE(75%)在PCA融合后取得最高的識別率89.7%。

從圖7a可以看出,在消聲水池數(shù)據(jù)試驗中,經(jīng)過PCA處理的數(shù)據(jù)識別率普遍高于未經(jīng)PCA處理的,如在DAE(75%)下,未經(jīng)PCA處理的識別率是95.9%,經(jīng)過PCA處理的是98.1%。圖7b也得到與圖7a類似的結(jié)果,如在DAE(75%)下,未經(jīng)PCA處理的識別率是80.2%,經(jīng)過PCA處理的是89.7%。

不同分類器針對不同類型數(shù)據(jù)分類效果不同。為進一步驗證不同分類器在試驗數(shù)據(jù)上的分類結(jié)果,使用SVM、K-近鄰算法(KNN:K-Nearest Neighbor)和多層感知機(MLP:Multi-Layer Perception)進行分類。使用DAE壓縮到源數(shù)據(jù)的75%,然后利用PCA對數(shù)據(jù)降維融合,最后采用3種分類方法分類,分類結(jié)果如圖8所示。

從圖8可以看出,無論是在消聲水池中,還是在真實水下環(huán)境中,使用KNN分類結(jié)果最低,MLP次之,SVM分類結(jié)果最高,但3者差別不大。為此,在試驗最后使用SVM進行分類。

圖8 3種分類方法分類結(jié)果對比Fig.8 Comparison chart of classification results of 3 classification methods

2)時間復(fù)雜度。使用DAE+PCA對源數(shù)據(jù)進行融合處理后,使數(shù)據(jù)維數(shù)減少,從而在模型訓(xùn)練和數(shù)據(jù)分類過程中所需時間減少。對源數(shù)據(jù)、DAE(50%)和DAE(75%)數(shù)據(jù)進行模型訓(xùn)練和數(shù)據(jù)分類時間對比分析,時間花費如圖9所示。

圖9 融合前后時間花費對比Fig.9 Comparison of time spent before and after fusion

從圖9可看出,在模型訓(xùn)練階段,源數(shù)據(jù)所需時間最多,DAE(50%)所需時間最少。源數(shù)據(jù)所需時間是DAE(75%)的1倍左右,而DAE(50%)所需要的時間是源數(shù)據(jù)的1/4。3者差距較明顯。在數(shù)據(jù)分類階段,得到同樣的結(jié)果。從圖9可以看出,數(shù)據(jù)壓縮比例越大,所需時間越少,效率越高。

4 結(jié) 語

為提高水下傳感器試驗數(shù)據(jù)的識別率,課題組在不同場景下收集大量水下多源數(shù)據(jù),由于試驗數(shù)據(jù)包含噪聲,使用去噪自編碼對數(shù)據(jù)進行去噪、降維處理,并利用多種融合方法對多源數(shù)據(jù)融合,采用的融合方法包括主成分分析、獨立分量分析和等度量映射。不同場景下對比試驗表明筆者方法取得較好的分類結(jié)果,其中主成分分析取得最高目標識別率。雖然降維方法可以實現(xiàn)多源數(shù)據(jù)融合,但在真實水下數(shù)據(jù)融合識別精度還有待提高,下一步工作選擇更適合的融合方法,期待可以取得更好的效果,另外多源異構(gòu)數(shù)據(jù)融合也是下一步的研究目標。