潘志安，龐國莉，王小英

(防災科技學院 信息工程學院，河北 三河 065201)

0 引 言

艦船信息傳輸?shù)年P(guān)鍵是艦船通信網(wǎng)絡(luò)。艦船通信網(wǎng)絡(luò)可確保艦船航行過程中，艦船內(nèi)部與外部間信息的安全交互[1]。當艦船通信網(wǎng)絡(luò)出現(xiàn)故障時，則會導致艦船不能及時接收航行相關(guān)信息，影響航行安全[2,3]。為此，研究高效、精準的艦船通信網(wǎng)絡(luò)故障檢測方法非常重要。朱圳等[4]通過分析原始通信網(wǎng)絡(luò)數(shù)據(jù)，挖掘數(shù)據(jù)內(nèi)的潛在特征，通過LightGBM 算法，對挖掘的潛在特征實施重要性評估，篩選較為重要的通信網(wǎng)絡(luò)數(shù)據(jù)特征，在集成學習模型內(nèi)輸入篩選獲取的重要特征，輸出通信網(wǎng)絡(luò)故障檢測結(jié)果。該方法的通信網(wǎng)絡(luò)故障檢測精度較高。陳紅紅等[5]在螢火蟲算法內(nèi)，引入萊維飛行，對該算法進行改進，通過極限學習機建立通信網(wǎng)絡(luò)故障檢測目標函數(shù)，利用改進螢火蟲算法優(yōu)化目標函數(shù)，得到通信網(wǎng)絡(luò)故障檢測結(jié)果[5]。該方法可有效檢測通信網(wǎng)絡(luò)故障，且故障檢測準確率較高。但這2 種方法均需要大量故障標簽數(shù)據(jù)，而實際艦船通信網(wǎng)絡(luò)中，獲取大量故障標簽數(shù)據(jù)并非易事，從而影響故障檢測效果。機器學習是指令計算機具備人的學習能力，可在海量繁瑣的數(shù)據(jù)內(nèi)，學習到有價值的知識[6]，在原始數(shù)據(jù)樣本較少情況下，依舊具備較優(yōu)的學習能力，提升故障檢測效果。常見的機器學習算法有Softmax 回歸與神經(jīng)網(wǎng)絡(luò)等。本文，研究基于機器學習的艦船通信網(wǎng)絡(luò)故障檢測方法，提升故障檢測效果。

1 艦船通信網(wǎng)絡(luò)故障檢測方法

1.1 基于自編碼神經(jīng)網(wǎng)絡(luò)的艦船通信網(wǎng)絡(luò)故障檢測

利用常見機器學習算法內(nèi)的自編碼(auto encoder，AE) 神經(jīng)網(wǎng)絡(luò)，對艦船通信網(wǎng)絡(luò)，實施故障檢測。AE 內(nèi)輸入層為O1、隱層O2、輸出層是O3。O1、O3內(nèi)神經(jīng)元數(shù)量一致，均為m個。O2內(nèi)神經(jīng)元數(shù)量為n，且n≤m。O1至O2的變換過程是編碼，在O1內(nèi)輸入原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本x，作為O2的輸入，O2的輸出結(jié)果為：

其中：S(·)為編碼時的Sigmoid 函數(shù)；wO2和bO2分別為O2的權(quán)重、偏置；u為艦船通信網(wǎng)絡(luò)故障特征。

O2至O3的變換過程是解碼，在O3內(nèi)輸入u，O3的輸出結(jié)果為：

其中：S′(·)為解碼時的Sigmoid 函數(shù)；wO3和bO3分別為O3的權(quán)重、偏是；y為艦船通信網(wǎng)絡(luò)故障檢測結(jié)果。

預訓練AE，就是尋找最佳wO2，bO2，wO3，bO3，y與x間是誤差降至最低，即損失函數(shù)Q(w,b) 降至最小。Q(w,b)的計算公式為：

式中：H為原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本數(shù)量；xi和yi分別為第i個樣本的輸入與輸出向量；η為AE 的網(wǎng)絡(luò)層數(shù)；nl為第l層神經(jīng)元數(shù)量；為第l層第j個神經(jīng)元和第l+1層第a個神經(jīng)元間的權(quán)值；γ為權(quán)值衰減系數(shù)。

1.2 基于相關(guān)性稀疏自編碼神經(jīng)網(wǎng)絡(luò)的故障檢測

在AE 的隱層內(nèi)，添加稀疏性限制，令大多數(shù)隱層神經(jīng)元處于非激活狀態(tài)，提升艦船通信網(wǎng)絡(luò)故障特征提取效果。損失函數(shù)Q(w,b)中添加稀疏懲罰項，公式如下：

式中：β為稀疏懲罰項的權(quán)值；z為平均活躍度；zj為O2內(nèi)第j個神經(jīng)元的平均活躍度；L(Z||zj)為z與zj間相對熵。其計算公式為：

zj的計算公式為：

式中：對于xi，第j個神經(jīng)元的激活度為αj。

利用AE 提取艦船通信網(wǎng)絡(luò)故障特征時，需要考慮艦船通信網(wǎng)絡(luò)數(shù)據(jù)樣本間的相關(guān)性，才會避免影響原始艦船通信網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)特征的提取。因此，在式(4)的基礎(chǔ)上，添加輸入數(shù)據(jù)相關(guān)性限制，變更后的損失函數(shù)為：

式中：R(xi)，R(yi)為xi和yi的相關(guān)性；ω為輸入數(shù)據(jù)相關(guān)性的權(quán)值。

R(xi)的本質(zhì)是xi與的乘積，其中，T 為轉(zhuǎn)置符號。因此，損失函數(shù)為：

在AE 內(nèi)添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制后，建立相關(guān)性稀疏自編碼神經(jīng)網(wǎng)絡(luò)(SRAE)，將多個SRAE 堆疊形成SSRAE，就是上個SRAE 隱層的輸出是下一個SRAE 的輸入。以預訓練與有監(jiān)督微調(diào)的方式，確定SSRAE 的最佳w與b。以逐層貪婪法預訓練SSRAE，通過海量無標簽訓練樣本，計算各SRAE 的Q′′(w,b)取得最小值情況下，對應的w與b。以持續(xù)迭代降低各SRAE 的Q′′(w,b)值的方式，將Q′′(w,b)降至指定值，獲取最終的w與b。

通過反向傳播算法有監(jiān)督微調(diào)SSRAE，利用反向傳播算法再次迭代更新預訓練階段獲取的各SRAE 的w與b，以達到最大迭代次數(shù)位置，輸出各SRAE 的最佳w與b。w與b的更新公式如下：

1.3 通信網(wǎng)絡(luò)故障檢測的實現(xiàn)

以Softmax 分類器為SSRAE 的輸出層，將SSRAE隱層提取的艦船通信網(wǎng)絡(luò)故障特征h，作為Softmax 分類器的輸入，輸出艦船通信網(wǎng)絡(luò)故障檢測結(jié)果。艦船通信網(wǎng)絡(luò)故障類別數(shù)量為K，Softmax 分類器的輸出結(jié)果為：

其中：P(Gk|ui)為艦船通信網(wǎng)絡(luò)故障屬于各類別的后驗概率；ui為第i個艦船通信網(wǎng)絡(luò)故障特征；G1,G2,…,Gk為艦船通信網(wǎng)絡(luò)故障類別。

艦船通信網(wǎng)絡(luò)故障檢測的決策準則是最小錯誤率，艦船通信網(wǎng)絡(luò)故障特征檢測結(jié)果是類故障時的錯誤概率為：

艦船通信網(wǎng)絡(luò)故障檢測的最小錯誤率決策準則是argminPe(Gk|u)。結(jié)合式(11)可知，最小錯誤率即最大后驗概率argmaxP(Gk|u)。

艦船通信網(wǎng)絡(luò)故障檢測類型及其編碼如表1 所示。

表1 故障檢測類型及其編碼Tab.1 Fault detection type and code

2 實驗結(jié)果與分析

以某艦船的通信網(wǎng)絡(luò)數(shù)據(jù)為實驗對象，該數(shù)據(jù)集內(nèi)記錄了2 個月的艦船通信網(wǎng)絡(luò)連接數(shù)據(jù)，共包含近1 百萬條數(shù)據(jù)。該數(shù)據(jù)集內(nèi)有7 種類型的艦船通信網(wǎng)絡(luò)數(shù)據(jù)，具體信息如表2 所示。

表2 艦船通信網(wǎng)絡(luò)數(shù)據(jù)集具體信息Tab.2 Specific information of ship communication network data set

利用本文方法對該數(shù)據(jù)集內(nèi)的艦船通信網(wǎng)絡(luò)數(shù)據(jù)進行故障特征提取，通過主成分分析提取故障特征的前3 個主成分，以可視化形式呈現(xiàn)本文方法引入稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制前后，故障特征提取效果。艦船通信網(wǎng)絡(luò)故障特征提取的可視化結(jié)果如圖1所示，以信號丟失故障特征、端口故障特征、通信線路故障特征、通信網(wǎng)IP 沖突故障特征為例。分析圖1(a)可知，本文方法添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制前，可有效提取艦船通信網(wǎng)絡(luò)故障特征，但提取的4 種故障特征邊界存在混淆情況。分析圖1(b) 可知，添加稀疏性限制與輸入數(shù)據(jù)相關(guān)性限制后，本文方法提取的各類型艦船通信網(wǎng)絡(luò)故障特征聚集效果較優(yōu)，各類型故障特征的邊界較為清晰，在艦船通信網(wǎng)絡(luò)故障檢測方面更具優(yōu)勢。實驗證明：本文方法可有效提取艦船通信網(wǎng)絡(luò)故障特征，且提取的故障特征間并無混淆情況，邊界非常清晰。

圖1 改進前后的艦船通信網(wǎng)絡(luò)故障特征提取結(jié)果Fig.1 Fault feature extraction results of ship communication network before and after improvement

在該數(shù)據(jù)集內(nèi)隨機選擇35 個樣本，各數(shù)據(jù)類型的樣本數(shù)量均為5 個，利用本文方法對這35 個樣本進行艦船通信網(wǎng)絡(luò)故障診斷，故障診斷結(jié)果如圖2 所示?？芍?，本文方法可有效檢測艦船通信網(wǎng)絡(luò)故障，對比表2 可知，0～5 號樣本的故障檢測結(jié)果為路由器故障，其中僅有一個樣本的故障檢測結(jié)果錯誤；11～15 號樣本的故障檢測結(jié)果為通信網(wǎng)IP 沖突故障，其中，也僅有一個樣本的故障檢測結(jié)果錯誤。6～10 號樣本故障檢測結(jié)果為網(wǎng)卡故障；16～20 號樣本故障檢測結(jié)果為通信線路故障；21～25 號樣本故障檢測結(jié)果為端口故障；26～30 號樣本故障檢測結(jié)果為信號丟失故障；31～35 號樣本故障檢測結(jié)果為無故障。實驗證明，本文方法可精準檢測艦船通信網(wǎng)絡(luò)故障，為提升艦船通信質(zhì)量提供保障。

圖2 艦船通信網(wǎng)絡(luò)故障診斷結(jié)果Fig.2 Fault diagnosis results of ship communication network

3 結(jié) 語

艦船通信質(zhì)量與艦船航行安全息息相關(guān)，為此，研究基于機器學習的艦船通信網(wǎng)絡(luò)故障檢測方法，及時發(fā)現(xiàn)并解決通信網(wǎng)絡(luò)故障，提升艦船通信質(zhì)量，確保艦船航行過程中能夠隨時接收內(nèi)部與外部的交互信息，制定安全的航行路徑，提升艦船航行的安全性。