深度神经网络在螺旋桨叶片数识别中的应用

刘振，邱家兴，程玉胜

深度神经网络在螺旋桨叶片数识别中的应用

刘振，邱家兴，程玉胜

(海军潜艇学院，山东青岛 266071)

从调制(Demodulation on Noise, DEMON)谱谐波簇中提取的结构特征可以建立用于螺旋桨叶片数识别的模板。使用模板匹配算法进行螺旋桨叶片数识别时，存在依赖模板库和置信度准则、算法约束条件多、无法发现缺失模板等问题。本文提出了一种将深度神经网络(Deep Neural Network, DNN)应用于螺旋桨叶片数识别的方法，该方法仅在训练深度神经网络时使用模板库，克服了识别过程中对模板库和置信度准则的依赖。此外，通过提取识别错误项，可以找到缺失模板，实现了对模板库数据的补充。使用该算法对大量实测数据进行检测，发现深度神经网络具有更高的识别正确率，而且识别过程更加简单可靠。

深度神经网络；螺旋桨叶片；识别

0 引言

本文将深度神经网络应用于螺旋桨叶片数识别中。首先分析了从DEMON谱谐波簇中提取结构特征向量的方法，然后使用计算机生成模板、模板细化、模板评估的方法初步生成模板库数据[2]。基于该模板库数据建立数据集训练深度神经网络(Deep Neural Network, DNN)模型。使用训练完成的DNN模型对已知螺旋桨叶片数的船舶辐射噪声信号进行识别，当识别结果出现错误时，提取识别错误项对应的模板，该模板为缺失模板。将缺失模板补充到模板库中进行再训练，可以得到具有更高识别率的DNN模型。识别过程如图1所示。

图1 螺旋桨叶片数识别流程图

可以看出，仅使用训练后的DNN模型就可以完成识别，识别过程更加简单易行。

1 模板数据集的建立

从DEMON谱谐波簇中提取结构特征向量建立模板数据库，基于该模板库数据建立用于DNN训练的数据集。

1.1 谐波簇结构特征向量提取

分析DEMON谱谐波簇中的特征结构[3]，可以提取谐波簇结构特征向量，螺旋桨叶片数模板就是基于该结构特征向量建立。结构特征向量提取的主要步骤[2]特征向量提取的主要包括：

(3) 根据1～阶谐波峰值所在位置，计算谐波面积特征向量。

从DEMON谱中提取前10阶谐波特征值，每阶谐波划分为6级，则每一种组合对应一个6级10阶模板。图2为某4叶桨民用船只辐射噪声DEMON谱图，船舶工况转速为93 r·min-1，图3为该DEMON谱对应谐波簇特征结构6级10阶模板。

1.2 模板库的建立

其中，表示叶桨对应的模板个数。表示集合包含的模板个数。

图3 某4叶民用船只辐射噪声DEMON谱对应模板

使用这种方法建立的模板库可能会存在部分模板缺失的情况，这种缺失在使用模板匹配算法进行螺旋桨叶片数识别时会导致两种结果：

(1) 待识别谐波簇结构特征向量匹配不到对应模板和近似模板，判定为无法识别的类型；

(2) 待识别谐波簇结构特征向量匹配到近似模板，根据置信度准则判定为正确或错误类型。

根据以上3种情况，当模板匹配识别结果判定为正确、错误或无法识别类型时，均不能确定谐波簇结构特征向量对应模板是否在模板库中，难以发现缺失模板。

1.3 模板库数据集的建立

在DNN网络训练中，这是一种训练样本极不均衡的训练问题[5]。

2 DNN模型训练

2.1 网络结构

DNN网络模型如图4所示，它是深度学习最基本的模型之一。该网络通过构建多隐层的机器学习模型，可以拟合高度非线性复杂函数。目前DNN网络模型在语音处理[6]、医疗[7]、军事[8]等多个领域取得了很好的应用效果。

DNN网络模型的训练通常是计算网络前向运行结果与模板标记之间的损失函数，然后使用反向传播算法更新网络参数。

图4 深度神经网络(DNN)结构图

小批量样本的损失：

则梯度估计可以表示为

参数变化表示为

2.2 网络节点设置

表1 深度神经网络(DNN)模型的训练效果

3 实测船舶辐射噪声数据实验

分析从水听器中录取的噪声信号，通过计算其DEMON谱发现，有的DEMON谱(如图5所示)可以提取到螺旋桨叶片数信息；有的DEMON谱(如图6所示)难以提取螺旋桨叶片数信息。

图5 某包含螺旋桨叶片数信息DEMON谱

在螺旋桨叶片数识别过程中，对于可以提取螺旋桨叶片数信息的样本识别出正确螺旋桨叶片数，对于难以提取螺旋桨叶片数信息的样本判定为无法识别的类型，这两种情况均属于识别正确，识别流程如图7所示。其它情况属于识别错误。

图6 某不包含螺旋桨叶片数信息DEMON谱

图7 两种识别正确情况的框图

3.1 实验一

挑选实测船舶辐射噪声信号共324个，每个信号代表一个样本。计算其DEMON谱，经统计得到DEMON谱中包含螺旋桨叶片数信息的信号共208个，不包含螺旋桨叶片数信息的信号116个。

使用训练完成的DNN模型对样本进行识别，并将识别结果与模板匹配算法识别结果进行比对。统计识别结果时基于以下两点假设：

(1) 在识别过程中，从DEMON谱中提取的轴频信息准确；

(2) DNN模型与模板匹配算法识别结果相同时，认为识别结果正确。

统计两种算法的识别正确率如表2中实验1所示。两种算法识别结果中有226个样本识别结果相同，98个样本识别结果不同。在这98个样本中，两种算法识别情况如表3中实验1所示。

3.2 实验二

DNN模型识别错误的46个样本对应的6级10阶模板均为缺失模板。将该缺失模板补充到模板库中，重新构建模板数据集，训练DNN模型。使用训练完成的模型对324个样本进行再次识别，识别结果如表2中实验2所示。其中有272个样本识别结果相同，52个样本识别结果不同。在这52个样本中，两种算法的识别情况如表3中实验2所示。

结果显示，识别结果不同的52个样本均是由于模板匹配算法出现错误，而DNN模型的识别正确率趋于100%。

可以看出，基于本测试集，通过合理训练DNN模型使其能够记住所有测试样本对应的6级10阶模时，DNN模型识别正确率可以趋于100%，而模板匹配算法始终存在即使有对应模板仍然识别错误的情况。

3.3 实验三

挑选更大规模的船舶辐射噪声信号，增大测试样本集数量至1 287个，其中包含螺旋桨叶片数信息的信号共839个，不包含螺旋桨叶片数信息的信号448个。使用上述添加模板后的DNN模型对样本进行识别，并将识别结果与模板匹配算法识别结果进行比对。两种算法的识别正确率如表2中实验3所示。两种算法的识别结果中有915个样本识别结果相同，372个样本识别结果不同。在识别结果不同的372个样本中，两种算法识别情况如表3中实验3所示。

逐个分析这372个样本，提取对应的6级10阶模板。发现DNN模型识别错误的110个样本均判定成了无法识别类型，其对应的模板全部不在模板库中；模板匹配算法识别错误的262个样本对应模板全部在模板库中。

表2 基于DNN模型和基于模板匹配算法得出的识别结果统计

表3 对基于DNN模型和模板匹配方法识别结果不同的样本进行再次识别后得出的识别结果统计

3.4 实验四

DNN模型识别错误的110个样本对应的6级10阶模板为缺失模板。再次将识别发现的缺失模板补充到模板库中，重新构建模板库数据集，训练DNN模型。然后对1 287个样本进行再次识别，识别结果如表2中实验4所示。其中有1025个样本识别结果相同，262个样本识别结果不同。在这262个样本中，两种算法识别情况如表3中实验4所示。

结果显示，262个识别结果不同的样本均是由于模板匹配算法出现错误导致的，而DNN模型识别正确率趋于100%。

从以上4个实验中可以看出，基于DNN模型的螺旋桨叶片数识别算法针对给定的数据集正确率可以达到100%。当模板库中存在模板时，DNN模型会识别正确；当模板库中不存模板时，DNN模型会识别错误，而且识别错误项对应的模板即为缺失模板。提取缺失模板补充到模板库中，可以得到具有更高识别率的DNN模型。

4 结论

本文提出了使用深度神经网络模型进行螺旋桨叶片数识别的算法。该算法基于DEMON谱谐波簇结构特征信息，通过训练DNN模型，仅在训练过程中使用模板数据，实现了识别过程中不依赖模板库和置信度准则的螺旋桨叶片数识别。识别过程仅使用6×1 024的网络参数就可以完成，识别速度更快。此外，该算法不需要将模板库带入使用现场，对于数据保密具有重要意义。

使用大量实测噪声信号进行检测，结果表明DNN算法简单可靠，具有更高的识别率。在船舶噪声信号具有一定信噪比，其DEMON谱轴频提取正确的前提下，DNN模型可以通过发现识别错误项、提取模板、补充模板数据的方式不断完善模型。可以看出，这是一个不断进步的过程。实际使用过程中，如果通过多次识别检测、补充缺失模板的方式得到全部模板数据，则DNN模型的识别正确率可以趋于100%。

[1] 白敬贤, 高天德, 夏润鹏. 基于DEMON谱信息提取算法的目标识别方法研究[J]. 声学技术, 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] 程玉胜, 高鑫, 刘虎. 基于模板匹配的舰船螺旋桨叶片数识别方法[J]. 声学技术, 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] 史广智, 胡均川. 舰船噪声调制谐波簇结构特性理论分析[J]. 声学学报, 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] 殷敬伟, 惠俊英. 基于DEMON线谱的轴频提取方法研究[J]. 应用声学, 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] 游飞, 张激, 邱定, 等. 基于深度神经网络的武器名称识别[J]. 计算机系统应用, 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

刘振(1994－)，男，河南信阳人，硕士研究生，研究方向为水声目标识别。

刘振，E-mail:liuzhen_lzz@163.com