劉 罡,李永勝,劉禮文,王晨宇

(中國(guó)船舶集團(tuán)有限公司 第705 研究所,陜西 西安,710077)

0 引言

尾流是艦船航行時(shí)由螺旋槳空化、艦船殼體與水的摩擦、卷入水中的空氣攪拌破碎等因素共同作用下,在船體后方區(qū)域內(nèi)形成的一條含有氣泡的湍流[1]。尾流自導(dǎo)技術(shù)是指水下航行器利用尾流區(qū)域內(nèi)發(fā)生了較明顯變化的水聲、溫度、電磁與光學(xué)等物理場(chǎng)性質(zhì)進(jìn)行制導(dǎo),以實(shí)現(xiàn)檢測(cè)和跟蹤目標(biāo)的目的。相比于其他目標(biāo)特性,尾流場(chǎng)的物理尺寸大、持續(xù)時(shí)間長(zhǎng)、不易復(fù)制或消除,且與艦船航行軌跡高度重合,尤其針對(duì)聲尾流自導(dǎo)技術(shù)的理論研究和工程實(shí)踐應(yīng)用最廣泛,使聲尾流自導(dǎo)方式具備了高命中率等優(yōu)勢(shì),例如美國(guó)MK45-F和俄羅斯56 型魚(yú)雷使用的頂視尾流聲自導(dǎo)以及側(cè)視尾流聲自導(dǎo)[2]。然而,現(xiàn)有尾流檢測(cè)方法都是通過(guò)檢測(cè)尾流區(qū)域內(nèi)氣泡對(duì)聲脈沖多次反射產(chǎn)生的回波脈沖展寬特性實(shí)現(xiàn)的,主要基于人工提取的時(shí)域特征,過(guò)分依賴經(jīng)驗(yàn),人為主觀因素影響過(guò)大,環(huán)境適應(yīng)性較差,不符合未來(lái)設(shè)備智能化發(fā)展的趨勢(shì),而深度學(xué)習(xí)方法則可以解決這一問(wèn)題。

深度學(xué)習(xí)[3-4]通過(guò)模擬生物大腦神經(jīng)網(wǎng)絡(luò),具備數(shù)據(jù)驅(qū)動(dòng)、自主學(xué)習(xí)、提取目標(biāo)特征的特點(diǎn),避免了人工特征的缺陷。近年來(lái),利用深度學(xué)習(xí)理論進(jìn)行水下目標(biāo)檢測(cè)與識(shí)別方面的研究不斷深入。王強(qiáng)等[5]結(jié)合深度置信網(wǎng)絡(luò)(deep brief net,DBN)和有限長(zhǎng)單位沖激響應(yīng) (finite impulse response,FIR)濾波器證明了深度學(xué)習(xí)模型在水下目標(biāo)特征提取方面的可行性。宋達(dá)[6]采用時(shí)頻分析圖像和深度學(xué)習(xí)模型實(shí)現(xiàn)了對(duì)水下蛙人目標(biāo)的正確識(shí)別。呂海濤等[7]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)對(duì)艦船輻射噪聲進(jìn)行分類,分類結(jié)果優(yōu)于傳統(tǒng)識(shí)別方案。

但是,在水下目標(biāo)識(shí)別領(lǐng)域中,尤其是針對(duì)艦船檢測(cè)和識(shí)別問(wèn)題,無(wú)法獲取深度學(xué)習(xí)所需要的海量訓(xùn)練數(shù)據(jù),導(dǎo)致深度學(xué)習(xí)模型訓(xùn)練效果不佳。作為深度學(xué)習(xí)的一個(gè)分支,遷移學(xué)習(xí)可以將神經(jīng)網(wǎng)絡(luò)從源領(lǐng)域?qū)W習(xí)到的知識(shí)遷移至目標(biāo)領(lǐng)域,有效解決訓(xùn)練樣本不足的問(wèn)題,在降低人力、物力消耗的同時(shí)保證了較好的訓(xùn)練效果。近年來(lái)遷移學(xué)習(xí)技術(shù)[8-9]在水下目標(biāo)檢測(cè)和識(shí)別領(lǐng)域發(fā)展迅速。朱兆彤等[10]利用預(yù)訓(xùn)練好的AlexNet 模型實(shí)現(xiàn)了對(duì)仿真聲吶圖像的精確識(shí)別。鄧晉等[11]則利用遷移VGG 模型和梅爾頻譜圖完成了對(duì)艦船噪聲信號(hào)的有效分類。付同強(qiáng)等[12]通過(guò)結(jié)合遷移學(xué)習(xí)和優(yōu)化二維變分模態(tài)分解方法,完成了對(duì)ShipsEar數(shù)據(jù)集中5 類水中目標(biāo)的分類測(cè)試,表現(xiàn)出良好的特征提取能力和噪聲抑制能力。將遷移學(xué)習(xí)策略應(yīng)用于水下目標(biāo)檢測(cè)、識(shí)別領(lǐng)域的模型中,可以在樣本數(shù)量不足的情況下迅速使深度學(xué)習(xí)模型獲得目標(biāo)領(lǐng)域的檢測(cè)和識(shí)別能力。然而,目前在水下方面應(yīng)用研究較多的遷移模型主要是卷積神經(jīng)網(wǎng)絡(luò),對(duì)聲尾流回波信號(hào)并不適用。因此,如何在尾流信號(hào)上遷移預(yù)訓(xùn)練的CNN 模型仍需要進(jìn)行深入研究。

基于以上研究進(jìn)展及問(wèn)題,文中提出了一種基于時(shí)頻分析和遷移學(xué)習(xí)的艦船尾流檢測(cè)方法。該方法通過(guò)對(duì)艦船尾流回波進(jìn)行短時(shí)傅里葉變換,得到尾流時(shí)頻圖作為遷移模型訓(xùn)練樣本,進(jìn)而完成對(duì)CNN 模型的遷移;通過(guò)對(duì)比遷移學(xué)習(xí)和傳統(tǒng)檢測(cè)算法之間、不同遷移學(xué)習(xí)策略之間以及4 種遷移模型之間的識(shí)別性能和時(shí)間成本差異,驗(yàn)證了所提方法的有效性。

1 艦船尾流特性

1.1 尾流回波聲學(xué)模型

尾流回波信號(hào)是一種由尾流內(nèi)部氣泡對(duì)聲脈沖散射結(jié)果相互疊加產(chǎn)生的混響,因此,可將尾流回波類比于海水混響處理。根據(jù)聲波在氣泡層中散射的能量學(xué)理論可知,自導(dǎo)系統(tǒng)接收到的尾流回波聲壓可表示為[13]式中:p0為距離發(fā)射基陣1 m 處的聲壓;r為氣泡散射點(diǎn)和接收基陣之間的距離;β為衰減系數(shù);mkc為尾流散射系數(shù);H為艦船尾流厚度;c為水中聲速;τ為發(fā)射聲脈沖寬度;b(θ,φ)和b′(θ,φ)分別為發(fā)射和接收基陣按照壓力的指向性系數(shù)。

由式(1)可知,艦船尾流的聲學(xué)特性主要由尾流散射系數(shù)mkc決定

式中:R為氣泡半徑;n(R)為氣泡分布函數(shù);fr為氣泡諧振頻率;f0為發(fā)射聲脈沖頻率;δ為氣泡諧振的阻尼系數(shù),δ ≈KR=2πf0R/c。

因?yàn)槲擦骰夭ㄐ盘?hào)是由尾流區(qū)內(nèi)部的大量氣泡散射產(chǎn)生的,所以mkc取決于氣泡群的聲學(xué)特性,如大小、數(shù)量和諧振頻率等。

艦船尾流與正常海水的聲學(xué)特性區(qū)別主要由氣泡的半徑和密度體現(xiàn),即

式中,u(R)為單位體積內(nèi)半徑相等的氣泡體積之和。

氣泡諧振頻率計(jì)算過(guò)程則可以簡(jiǎn)化為

又知r=ct/2,則尾流回波信號(hào)的聲壓公式為

若從0 時(shí)刻開(kāi)始發(fā)射探測(cè)信號(hào),水下航行器航行深度為HT,則航行器接收到尾流信號(hào)的開(kāi)始時(shí)間為

則由式(5)和(6)可知,航行器接收到的艦船尾流回波為

其中

1.2 時(shí)頻特性

通過(guò)對(duì)上述艦船尾流回波聲學(xué)模型進(jìn)行仿真,進(jìn)而完成尾流信號(hào)的時(shí)頻域特性分析。

如圖1 所示,假設(shè)艦船航速為10 kn,尾流年齡約3 min,尾流層厚度H為6 m,寬度W為36 m,內(nèi)部氣泡半徑范圍為8 ～200 μm,水中聲速1 530 m/s,衰減系數(shù)為0.1 dB/m,水面風(fēng)速為3 m/s。假定航行器在艦船尾流正下方,航行深度為10 m,以等時(shí)間間隔垂直向上發(fā)射固定頻率的單頻信號(hào)。

圖1 尾流探測(cè)示意圖Fig.1 Diagram of wake detection

若聲線按照直線傳播,根據(jù)上述條件得到的尾流仿真數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的對(duì)比結(jié)果如圖2 所示。根據(jù)圖中結(jié)果可以看出,雖然由于實(shí)際水文與尾流厚度等條件變化導(dǎo)致仿真數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)在尾流持續(xù)時(shí)間、噪聲強(qiáng)度等方面具備一定的差異性,但是二者的慢變包絡(luò)比較相似,在體積混響之后都緊跟著尾流反射信號(hào),具備很明顯的時(shí)域展寬現(xiàn)象。

圖2 實(shí)測(cè)與仿真數(shù)據(jù)對(duì)比Fig.2 Comparison between measured data and simulation data

水下航行器工作在尾流區(qū)及非尾流區(qū)的回波信號(hào)仿真結(jié)果如圖3 所示。從仿真結(jié)果可知,當(dāng)水下航行器工作在非尾流區(qū)域內(nèi)時(shí),回波信號(hào)中僅包含了海水體積混響和海面混響;當(dāng)水下航行器工作在艦船尾流區(qū)域時(shí),探測(cè)脈沖較難透過(guò)尾流層,因此回波信號(hào)主要由體積混響和尾流的反射信號(hào)組成。從圖3 中可以看出,尾流回波在時(shí)域上具有明顯的展寬,與非尾流信號(hào)有著明顯的差異。然而在實(shí)際應(yīng)用中,尾流回波的時(shí)域特征易受到環(huán)境的影響,適應(yīng)性不足。

圖3 尾流回波與非尾流回波對(duì)比Fig.3 Comparison between wake echo and non-wake echo

尾流信號(hào)的時(shí)間展寬是無(wú)法確定的,且容易受到強(qiáng)混響的干擾。因此,可以利用短時(shí)傅里葉變換(short-time Fourier transform,STFT)對(duì)尾流信號(hào)進(jìn)行時(shí)頻分析,觀察尾流回波在時(shí)頻域分布特性,獲取更加穩(wěn)定的特征,結(jié)果如圖4 和圖5 所示。

圖4 無(wú)尾流回波時(shí)頻圖Fig.4 Time-frequency map of non-wake echo

與圖4 結(jié)果相比,圖5 的信號(hào)在近距離上存在著較強(qiáng)的尾流反射信號(hào),不但具備明顯的時(shí)域展寬效應(yīng),而且也表現(xiàn)出很強(qiáng)的頻率擴(kuò)展,遠(yuǎn)大于無(wú)尾流區(qū)。因此,與混響相比,艦船尾流信號(hào)在回波強(qiáng)度、時(shí)域及頻域展寬方面都有著明顯的差異。

艦船尾流檢測(cè)可以看作一種特殊的二分類問(wèn)題。由于回波信號(hào)的時(shí)頻域結(jié)果可以作為圖像處理的輸入,所以能夠利用圖像識(shí)別的方法進(jìn)行艦船尾流檢測(cè)。

2 模型與遷移策略設(shè)計(jì)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN 指在網(wǎng)絡(luò)的結(jié)構(gòu)中至少使用一層卷積代替一般矩陣運(yùn)算的神經(jīng)網(wǎng)絡(luò),專門(mén)用于處理類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù),在網(wǎng)絡(luò)輸入為圖像格式時(shí)具備顯著的效果,是目前在圖像識(shí)別領(lǐng)域應(yīng)用最成功的深度學(xué)習(xí)模型。

經(jīng)典的CNN 結(jié)構(gòu)基本由卷積層、池化層和全連接層組成,如圖6 所示。CNN 通過(guò)卷積層實(shí)現(xiàn)特征學(xué)習(xí),池化層對(duì)卷積層的學(xué)習(xí)結(jié)果進(jìn)行抽象和降維,降低運(yùn)算壓力。通常利用卷積層和池化層的交替疊加提升模型的學(xué)習(xí)能力,提取輸入圖像的層次化特征,疊加層數(shù)越多,模型的特征學(xué)習(xí)能力越強(qiáng)。最終由若干個(gè)全連接層對(duì)輸入特征進(jìn)行加權(quán)組合,映射至各類別空間完成目標(biāo)識(shí)別。

在訓(xùn)練樣本、超參數(shù)等條件一致的情況下,不同的CNN 模型對(duì)同一問(wèn)題的識(shí)別效果是不同的,因此選擇模型時(shí)需要全面考慮識(shí)別精度和訓(xùn)練效率的問(wèn)題。文中共選擇了4 個(gè)經(jīng)典的CNN 模型進(jìn)行對(duì)比,分別是AlexNet、Inception-v3、ResNet-50以 及ShuffleNet。對(duì)比試驗(yàn)結(jié)果可知,AlexNet 模型效果最佳。

AlexNet 是一種典型的CNN 模型,曾經(jīng)在ImageNet 數(shù)據(jù)集上共1 000 個(gè)類別的圖像識(shí)別問(wèn)題中取得了優(yōu)異的成績(jī)[14]。標(biāo)準(zhǔn)的AlexNet 共有8 層網(wǎng)絡(luò)結(jié)構(gòu),前5 層為卷積 層(Layer1～ Layer5),后3 層為全連接層(Layer6～Layer8),最后一個(gè)全連接層輸出連接到softmax 分類器,最終得到輸入樣本分布在1 000 個(gè)類別的概率。

2.2 遷移學(xué)習(xí)

一個(gè)標(biāo)準(zhǔn)的CNN 模型經(jīng)常具有復(fù)雜的結(jié)構(gòu)和龐大的參數(shù)量,訓(xùn)練一個(gè)包含如此多參數(shù)的模型需要海量的樣本數(shù)據(jù)作為支撐,耗時(shí)耗力。然而,水下目標(biāo)識(shí)別數(shù)據(jù)集樣本較少,無(wú)法支持CNN模型有效訓(xùn)練,容易發(fā)生過(guò)擬合問(wèn)題,導(dǎo)致網(wǎng)絡(luò)性能下降,因此引入遷移學(xué)習(xí)模型來(lái)解決數(shù)據(jù)不足問(wèn)題。

遷移學(xué)習(xí)的本質(zhì)是知識(shí)的遷移再利用,其定義如下:給定源域Ds和目標(biāo)域Dt,其中,D={X,P(X)},并且給定源任務(wù)T s以及目標(biāo)任務(wù)Tt,其中,T={Y,P(Y|X)}。在Ds≠Dt并且T s≠Tt的情況下,利用來(lái)源于Ds和Ts的信息學(xué)習(xí)得到目標(biāo)域Dt中的條件概率密度分布P(Yt|Xt)。遷移學(xué)習(xí)是深度學(xué)習(xí)理論在缺少大量標(biāo)注數(shù)據(jù)的任務(wù)中規(guī)?；瘧?yīng)用所必需的。

根據(jù)文獻(xiàn)[15]結(jié)論,CNN 模型的淺層結(jié)構(gòu)在不同任務(wù)中的特征學(xué)習(xí)過(guò)程具備較高相似性,即具備可移植性,深層結(jié)構(gòu)才體現(xiàn)出不同任務(wù)的差異性。因此,可以將在其余任務(wù)中完成預(yù)訓(xùn)練的CNN 模型作為特征提取器,遷移至目標(biāo)數(shù)據(jù)集,結(jié)合其淺層結(jié)構(gòu)搭建合適的網(wǎng)絡(luò)模型。

2.3 基于遷移學(xué)習(xí)的尾流檢測(cè)方法

基于遷移學(xué)習(xí)的艦船尾流檢測(cè)方法主要分為2 個(gè)部分:艦船尾流檢測(cè)框架和基于CNN 模型的遷移學(xué)習(xí)策略。尾流檢測(cè)的設(shè)計(jì)流程如圖7 所示,首先采集尾流試驗(yàn)數(shù)據(jù)作為初始樣本;然后對(duì)初始樣本數(shù)據(jù)進(jìn)行離散時(shí)間傅里葉變換(discrete-time Fourier transform,DTFT),得到時(shí)頻圖作為待檢測(cè)樣本集;其次,遷移AlexNet 等預(yù)訓(xùn)練CNN 模型,在時(shí)頻圖上進(jìn)行二次訓(xùn)練;最終得到尾流檢測(cè)結(jié)果,完成試驗(yàn)性能對(duì)比分析。

圖7 艦船尾流檢測(cè)框架Fig.7 Ship wake detection framework

基于CNN 模型的遷移學(xué)習(xí)主要基于參數(shù)凍結(jié)和模型微調(diào)方法實(shí)現(xiàn)。如圖8 所示,遷移CNN模型的特征提取層,重新構(gòu)建全連接層與softmax層形成新的模型對(duì)艦船尾流進(jìn)行檢測(cè),具體步驟包括:1) 選定已完成預(yù)訓(xùn)練的CNN 模型;2) 遷移模型的底層結(jié)構(gòu)及相關(guān)參數(shù)至目標(biāo)模型中;3) 調(diào)整模型的高層結(jié)構(gòu),移除最后一個(gè)全連接層,在目標(biāo)模型中替換成節(jié)點(diǎn)數(shù)為2 的全連接層,構(gòu)成新的模型;4) 在目標(biāo)數(shù)據(jù)集中重新訓(xùn)練模型,完成整個(gè)CNN 模型的遷移學(xué)習(xí)過(guò)程。

圖8 基于CNN 模型的遷移學(xué)習(xí)策略Fig.8 Transfer learning strategy based on CNN model

3 性能分析

3.1 數(shù)據(jù)準(zhǔn)備和訓(xùn)練環(huán)境

為驗(yàn)證該方法的有效性,采用某海域下實(shí)航數(shù)據(jù)對(duì)遷移學(xué)習(xí)結(jié)果進(jìn)行驗(yàn)證,試驗(yàn)條件如下:試驗(yàn)船只航行速度為15 kn,吃水深度6 m,航行器航行深度10～15 m,航速50 kn,1 級(jí)海況。樣本數(shù)據(jù)共2 500 組,其中620 組為尾流數(shù)據(jù),其余為非尾流數(shù)據(jù),按照8∶2 的比例劃分訓(xùn)練集和驗(yàn)證集。由于遷移CNN 模型輸入尺寸與時(shí)頻圖原始結(jié)果具有差異,在輸入時(shí)需對(duì)目標(biāo)時(shí)頻圖進(jìn)行縮放。

訓(xùn)練環(huán)境:Inter(R) Core(TM) i9-9900K CPU@3.60 GHz 3.60 GHz,內(nèi)存32 G,程序在windows10系統(tǒng)下Matlab2019 軟件下運(yùn)行。模型學(xué)習(xí)率參數(shù)為1×10?4,為加快訓(xùn)練速度,將新添加層的權(quán)重學(xué)習(xí)率因子設(shè)置為10。

3.2 不同樣本量下遷移學(xué)習(xí)性能

為了測(cè)試遷移學(xué)習(xí)對(duì)于訓(xùn)練樣本量的需求,文中設(shè)計(jì)了對(duì)比試驗(yàn),在遷移模型參數(shù)及訓(xùn)練超參數(shù)不變的情況下,觀察訓(xùn)練樣本占總樣本量30%～80%下的模型泛化能力,試驗(yàn)結(jié)果如圖9 所示。

圖9 不同訓(xùn)練樣本條件下遷移學(xué)習(xí)性能對(duì)比Fig.9 Performance comparison of transfer learning methods based on different training samples

根據(jù)圖中結(jié)果可知,隨著訓(xùn)練樣本的增加,遷移學(xué)習(xí)檢測(cè)性能緩慢提升。當(dāng)僅使用30%訓(xùn)練樣本時(shí),驗(yàn)證集的檢測(cè)正確率在94.17%,損失為0.196 1;當(dāng)訓(xùn)練樣本達(dá)到80%時(shí),驗(yàn)證集檢測(cè)正確率提升至97.16%,增加了約3%,損失為0.105 7。從試驗(yàn)結(jié)果上講,增加訓(xùn)練樣本可以提升尾流檢測(cè)的效果,但是,遷移學(xué)習(xí)方法即使僅使用少量的訓(xùn)練樣本同樣能夠達(dá)到較好的檢測(cè)性能。

3.3 遷移學(xué)習(xí)與非遷移學(xué)習(xí)性能對(duì)比

如上所述,傳統(tǒng)的艦船尾流檢測(cè)方法主要依賴于尾流時(shí)域回波的展寬效應(yīng)。為了對(duì)比傳統(tǒng)算法與遷移學(xué)習(xí)方法之間的性能差異,文中設(shè)計(jì)了時(shí)域檢測(cè)、時(shí)頻圖+深度學(xué)習(xí)與時(shí)頻圖+遷移學(xué)習(xí)3 類方法的對(duì)比仿真試驗(yàn)。其中人工方法無(wú)訓(xùn)練過(guò)程;深度學(xué)習(xí)方法使用與AlexNet 模型相同的結(jié)構(gòu),隨機(jī)初始化模型內(nèi)部參數(shù)值后進(jìn)行訓(xùn)練;遷移學(xué)習(xí)方法則使用已完成預(yù)訓(xùn)練的AlexNet 模型,采用上節(jié)中描述的遷移策略重新訓(xùn)練模型,3 種尾流檢測(cè)方法的結(jié)果如表1 所示。

根據(jù)表1 中算法性能的對(duì)比結(jié)果可知,文中所用的時(shí)頻圖+遷移學(xué)習(xí)的尾流檢測(cè)方法正確率在96.37%左右,比傳統(tǒng)時(shí)域檢測(cè)的方法正確率提升了10%左右,高于單獨(dú)深度學(xué)習(xí)模型88.45%的正確檢測(cè)率。時(shí)頻圖+遷移學(xué)習(xí)方法的虛警率與漏警率均在4%以下,遠(yuǎn)低于傳統(tǒng)時(shí)域檢測(cè)方法和深度學(xué)習(xí)方法。此外,深度學(xué)習(xí)方法和傳統(tǒng)時(shí)域檢測(cè)方法的虛警率、漏警率和正確率比較接近,即2 種方法之間不存在明顯的性能差異。

表1 3 種算法性能對(duì)比Table 1 Performance comparison among three methods

遷移學(xué)習(xí)與深度學(xué)習(xí)的訓(xùn)練過(guò)程對(duì)比如圖10所示。由圖中的結(jié)果可知,遷移學(xué)習(xí)方法在經(jīng)過(guò)20 多次迭代訓(xùn)練后驗(yàn)證集檢測(cè)正確率迅速達(dá)到95%左右,損失降低至0.3 附近,之后擬合程度緩步提升;而深度學(xué)習(xí)模型的擬合速度則遠(yuǎn)低于遷移學(xué)習(xí)模型,經(jīng)過(guò)100 多次的迭代訓(xùn)練后,其擬合程度與遷移學(xué)習(xí)的差距才慢慢縮小,但擬合程度一直低于遷移模型。此外,結(jié)合表1 中結(jié)果,深度學(xué)習(xí)模型的泛化能力同樣不足。因此,針對(duì)文中問(wèn)題,相比于常規(guī)深度學(xué)習(xí)模型,遷移學(xué)習(xí)的泛化能力和訓(xùn)練效率均占優(yōu)勢(shì)。

圖10 遷移學(xué)習(xí)與深度學(xué)習(xí)訓(xùn)練過(guò)程對(duì)比Fig.10 The training process comparison between transfer learning and deep learning

3.4 不同遷移策略性能對(duì)比

在遷移模型訓(xùn)練的過(guò)程中,需要對(duì)網(wǎng)絡(luò)內(nèi)部參數(shù)進(jìn)行訓(xùn)練,通?？梢圆捎脙鼋Y(jié)參數(shù)和微調(diào)的方法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。一般情況下,可以凍結(jié)所有的遷移結(jié)構(gòu)參數(shù),僅對(duì)新添加的層進(jìn)行訓(xùn)練,也可以對(duì)整個(gè)模型的參數(shù)進(jìn)行重新訓(xùn)練。

為比較不同遷移策略下檢測(cè)性能,文中基于AlexNet 模型設(shè)計(jì)了以下3 種對(duì)比試驗(yàn):1) 凍結(jié)所有遷移層(Layer1～Layer7)參數(shù),只對(duì)全連接層Layer8 進(jìn)行訓(xùn)練;2) 凍結(jié)所有卷積層(Layer1～Layer5)參數(shù),訓(xùn)練全連接層Layer8,同時(shí)對(duì)前兩層全連接層參數(shù)進(jìn)行微調(diào);3) 不凍結(jié)參數(shù),訓(xùn)練全連接層Layer8 的同時(shí)對(duì)模型的其余參數(shù)進(jìn)行微調(diào)。3 種對(duì)比試驗(yàn)的訓(xùn)練過(guò)程和最終性能分別如圖11和表2 所示。

由圖11 中3 類方法下遷移學(xué)習(xí)的重新訓(xùn)練過(guò)程可知,模型的凍結(jié)參數(shù)量越少,擬合結(jié)果越好。在預(yù)訓(xùn)練模型的參數(shù)基礎(chǔ)上,只需要經(jīng)過(guò)數(shù)10 次的迭代訓(xùn)練,遷移模型就可以快速收斂,其損失函數(shù)和擬合狀況都能達(dá)到一個(gè)較好的狀態(tài)。

圖11 不同凍結(jié)參數(shù)方法訓(xùn)練過(guò)程對(duì)比Fig.11 The training process comparison between different freezing parameter methods

根據(jù)表2 中性能對(duì)比結(jié)果可知:凍結(jié)所有遷移層需要重新訓(xùn)練的參數(shù)最少,其運(yùn)算時(shí)間最少,為204 s。與其時(shí)間成本相對(duì)的是,由于可調(diào)參數(shù)數(shù)量下降,其測(cè)試正確率也是最低的。隨著參數(shù)凍結(jié)數(shù)量的減少,3 類方式的正確率和運(yùn)算時(shí)間也逐步提升,最終可達(dá)96.37%和266 s。對(duì)比方式1、2 與方式2、3 之間的性能差異可知,雖然方式2、3 之間解凍的參數(shù)數(shù)量更多,但是性能提升幅度卻小于方式1、2 之間的差異。此現(xiàn)象說(shuō)明Layer1～Layer5 之間的卷積層在源數(shù)據(jù)域上已經(jīng)得到了充分的訓(xùn)練,可以較好地學(xué)習(xí)圖像的通用特征,微調(diào)卷積層參數(shù)對(duì)文中問(wèn)題的性能提升不明顯,與Yosinski[15]提出的CNN 淺層結(jié)構(gòu)在不同數(shù)據(jù)集上具備高度相似性的論點(diǎn)相符。

表2 不同凍結(jié)參數(shù)方式性能對(duì)比Table 2 Performance comparison of different freezing parameter methods

3.5 不同遷移模型性能對(duì)比

為了對(duì)比不同模型的尾流檢測(cè)性能,選取AlexNet、ShuffleNet、ResNet-50 以 及 Inception-V3 等4 種預(yù)訓(xùn)練模型進(jìn)行對(duì)比試驗(yàn),試驗(yàn)結(jié)果如圖12 所示。

根據(jù)圖12 結(jié)果可知,各種遷移網(wǎng)絡(luò)模型均能夠在較低的迭代次數(shù)后對(duì)訓(xùn)練樣本達(dá)到較高的擬合程度。相比其他3 類模型,由于AlexNet 模型的深度較淺且結(jié)構(gòu)相對(duì)簡(jiǎn)單,所以擬合度在4 類模型中最低。

圖12 不同遷移學(xué)習(xí)模型訓(xùn)練過(guò)程對(duì)比Fig.12 The training process comparison between different transfer learning models

由表3 結(jié)果可知,所有參與對(duì)比試驗(yàn)的CNN模型測(cè)試正確率都達(dá)到了95%以上,優(yōu)于傳統(tǒng)尾流檢測(cè)方法。其中,采用Inception-V3 模型的遷移學(xué)習(xí)性能最高,正確率達(dá)到了97.49%,但耗費(fèi)時(shí)間較多,運(yùn)算時(shí)間為6 749 s;AlexNet 模型的重新訓(xùn)練所需的時(shí)間最短,運(yùn)算時(shí)間為266 s,正確率為96.37%。總體而言,遷移AlexNet 模型是最優(yōu)的選擇。

表3 不同遷移學(xué)習(xí)模型泛化能力對(duì)比Table 3 Generalization ability comparison between different transfer learning models

4 結(jié)束語(yǔ)

通過(guò)STFT 獲取尾流信號(hào)時(shí)頻圖構(gòu)建目標(biāo)數(shù)據(jù)集,提出了一種基于時(shí)頻分析和遷移學(xué)習(xí)的艦船尾流檢測(cè)新方法,并利用實(shí)航數(shù)據(jù)驗(yàn)證了所提方法的有效性。試驗(yàn)結(jié)果表明,文中方法可以實(shí)現(xiàn)對(duì)尾流信號(hào)時(shí)頻特征的有效提取,結(jié)合遷移學(xué)習(xí)策略能夠在小樣本條件下達(dá)到較高的識(shí)別正確率,性能超過(guò)傳統(tǒng)識(shí)別方法10%以上;通過(guò)對(duì)比試驗(yàn)比較不同訓(xùn)練策略和遷移模型的時(shí)間成本和正確率差異,結(jié)果表明,綜合時(shí)間成本和識(shí)別性能,AlexNet 模型為最佳選擇,采用第3 種訓(xùn)練方式遷移AlexNet 模型可以達(dá)到最優(yōu)的識(shí)別性能,正確率為96.37%,但運(yùn)算時(shí)間有少量增加。綜上所述,基于時(shí)頻分析和遷移學(xué)習(xí)的方法可以有效地實(shí)現(xiàn)艦船尾流檢測(cè),兼顧了時(shí)間成本低、樣本需求量低和識(shí)別性能高等優(yōu)點(diǎn),相比傳統(tǒng)尾流檢測(cè)算法具有明顯優(yōu)勢(shì)。通過(guò)實(shí)航數(shù)據(jù)測(cè)試,驗(yàn)證了深度學(xué)習(xí)模型以及遷移學(xué)習(xí)策略在聲尾流檢測(cè)中的可行性,在水下目標(biāo)回波檢測(cè)和識(shí)別任務(wù)中具有廣闊的應(yīng)用前景。未來(lái)工作中將對(duì)此方法進(jìn)行改進(jìn),嘗試對(duì)更加復(fù)雜的水下目標(biāo)進(jìn)行檢測(cè)和識(shí)別。