基于AlexNet迁移学习的磁异常信号检测方法
2020-05-13李启飞韩蕾蕾范赵鹏李沛宗
李启飞, 吴 芳, 韩蕾蕾, 范赵鹏, 李沛宗
基于AlexNet迁移学习的磁异常信号检测方法
李启飞1,2, 吴 芳1, 韩蕾蕾1, 范赵鹏3, 李沛宗1
(1. 海军航空大学 战勤学院, 山东 烟台, 264001; 2. 中国人民解放军91550部队, 辽宁 大连, 116000; 3. 中国人民解放军91001部队, 北京, 100080)
航空磁探反潜是通过磁探仪检测磁异常信号, 进行航空反潜的重要手段。针对水下目标的磁异常信号在低信噪比条件下难以检测的问题, 提出使用基于AlexNet迁移学习的磁异常信号检测方法。该方法基于卷积神经网络原理, 通过对水下目标不同态势、航空磁探平台不同飞行路线和速度情况进行仿真, 得到大量信号序列, 对其加高斯白噪声, 从而模拟磁探平台测得信号。随后对其进行短时傅里叶变换得到时频图, 并利用深度卷积神经网络模型AlexNet对时频图特征进行迁移学习训练, 最后利用测试集数据对训练后的AlexNet网络进行测试, 实现对低信噪比条件下水下目标磁异常信号的检测。仿真结果表明, 在信噪幅度比为-8 dB、虚警率为3%情况下, 对磁异常信号的检测概率达到93%。
航空反潜; 磁异常信号; 检测; 时频分析; AlexNet; 迁移学习
0 引言
航空磁探测作为当今有效的磁探测手段, 已被广泛应用到地磁场测量、地磁异常检测、航空物探等民用领域[1]以及水下目标检测等军用领域[2]。由于水下目标中含有的大量铁磁性物质, 会对附近的磁场造成一定程度的扰动, 通过对这些扰动, 即地磁异常的测量与检测, 就能够实现对水下目标的检测。
传统磁异信号检测算法有正交基(orthogonal basis function, OBF)分解[3]及其延续算法[4-7]、随机共振检测[8]、主成分检测[9]、熵滤波器检测[10]、高阶过零检测[11]等。OBF分解对于目标磁异常信号的检测需要知道水下目标位置的先验信息; 随机共振算法对于磁异常信号的检测在信噪比(sig- nal noise ratio, SNR)SNR=-3.5 dB, 虚警率(false alarm rate, FAR)FAR=0.015情况下, 检测概率仅有60%; 熵滤波器检测能力低于随机共振检测; 高阶过零检测器概率信噪比SNR=-2 dB, FAR=0.001情况下, 检测概率仅为50%。
Krizhevsky等[12]提出的AlexNet模型, 在2012年ImageNet竞赛中取得了冠军, 其准确度和运算速度远超同期其他模型。Yosinski等[13]指出, 可以用训练好的模型低层与初始化的高层相结合, 对新的数据集进行训练, 从而解决样本不足的问题, 并节约计算力。基于此, 文中提出用磁异常信号在AlexNet深度卷积神经网络进行迁移学习训练和测试, 并用仿真数据对该算法的检测能力进行了验证。
1 相关模型
1.1 水下目标磁场模型
在航空磁探反潜过程中 , 潜艇作为铁磁性目标, 其等效磁偶极子模型磁场强度可以表示为
通过计算, 可以得到
式中, Hx, Hy, Hz是磁场强度的三分量, H=ixHx+ iyHy+izHz, 其中ix, iy, iz为坐标系中的单位向量。
根据式(2)可得潜艇等效磁偶极子模型的磁感应强度B=μ0H, 其三分量值为Bx, By, Bz,可以通过式(4)计算而得
某地地磁场强度HE, 其三分量分别为HEX, HEY, HEZ, 其单位方向向量为iE=(ixHEX+iyHEY+ izHEZ)/||HE||2。其中||HE||2表示为地磁场矢量的2-范数。如图1所示, X地磁场的潜艇磁场叠加后形成的干扰磁场的总磁场为
图1 磁场合成图
设HE与H的夹角为γ, 则
因HE>>H, 所以上式可以展开为
目前航空磁探反潜的探测数据是尾端光泵磁力计所测的标量磁场数据, 所以磁偶极子模型下对潜艇磁场的仿真中, 将三分量磁场投影到地磁场的坐标系上, 得到其磁异常数值X, 表示为
即测得的标量磁异常信号X为潜艇信号H在地磁场HE方向的投影。
1.2 短时傅里叶变换
对磁异常信号的检测而言, 信号出现的时间是随机的, 对采样信号进行傅里叶变换只能够得到信号总体的频域信息, 不能准确判定出现信号的时间。对于这种非平稳信号, 短时傅里叶变换(short-time Fourier transform, STFT)是一种较为有效的处理方法。
住建部于日前正式公布《建筑工人实名制管理办法（征求意见稿）》，明确提出以下要求：一是建筑工人进场施工前，应录入建筑工人实名制名册；二是承包企业应在承接工程的项目部建立统一的建筑工人实名制台账；三是要求在全国范围内，实现实时数据共享；四是未在全国建筑工人管理服务信息平台上登记，且未经过基本职业技能培训的建筑务工人员不得进入施工现场，建筑企业不得聘用其从事与建筑作业相关的活动；五是承包企业（包括：工程总承包、施工总承包企业和直接承包建设单位发包工程的专业承包企业）对所承接工程项目的建筑工人实名制管理负总责。
STFT通过加窗的方法对信号进行截断, 并对截得信号作傅里叶变换, 将窗口平移遍历过整段信号, 得到不同时间窗口下的信号频谱信息,其表达式为
式中: f(t)为时域信号; g(t-τ)为以τ为中心的窗口。
2 神经网络模型理论
2.1 卷积神经网络
20世纪90年代, Cun等[14]确立了卷积神经网络(convolutional neural network, CNN)的现代结构, 在对其进行完善后, 设计了多层神经网络LeNet-5。目前, CNN在语音识别、图像分类等领域有着广泛的应用。CNN能够在大量数据、图像中发现隐藏的特征, 从而克服了人工分类、定制数据和图像特征的复杂性。
2.2 AlexNet深度卷积神经网络
1) AlexNet网络结构
标准的AlexNet网络结构一共有8层, 其中包括5个卷积层, 3个全连接层。前5层为卷积层, 第1、2层的卷积层运算流程相同: 卷积-ReLU激活函数-池化-归一化; 第3、4层与前2层相比, 没有池化和归一化; 第5层没有归一化; 第6、7层为全连接层, 分别包含4 096个神经元; 第8层为全连接层, 包含1 000个神经元。具体如图2所示。
图2 AlexNet网络运算流程图
2) 迁移学习
深度学习模型的训练需要大量的时间、计算力和人工标注的数据。如何低成本对模型进行训练是深度学习领域需要解决的问题, 迁移学习很好地解决了这个问题。
Yosinski等[13]提出, 不同训练集所训练的网络模型在低层具有一般性, 在高层网络才会体现不同训练集的特殊性, 并用数据试验对低层网络的共同性进行验证。也就是说, 可以用新的数据集对已经训练好的模型进行训练, 从而达到与直接训练新的网络模型一样的效果。
迁移学习就是将已经训练好的模型的前数层迁移到目标网络, 并对目标网络剩余层初始化。在目标网络进行训练的过程中, 既可以冻结迁移层的参数, 只对初始化的层进行训练, 也可以对整个网络模型进行训练。一般情况下, 采用冻结参数的方法可以防止过拟合。
3 仿真分析
3.1 生成信号
1) 依据水下目标位置分布情况, 得到水下目标位置。当对水下目标位置先验信息缺乏一定了解, 且不考虑其运动的情况下, 其位置分布符合二维高斯正态分布。一般认为在信号检测过程持续30 s, 即采样3 000个数据点时, 水下目标位置(x, y)符合均值为[0, 0], 方差为diag(400, 400)的二维高斯分布。
2)生成航空磁探平台的航向。不考虑飞机转向情况,航空磁探平台的起始位置为(r×cos(a), r×sin(a)), 其中r=1500 m, a在0～2π之间随机取值, 并使航线经过(0, 0)处。磁探平台航速为360 km/h, 一共采样30 s, 即3 000个数据点。
3.2 短时傅里叶变换
一般来说, 水下目标磁异常信号从出现到消失的时间不超过3 s, 即时间窗口长度为3 s, 每个时间窗口取300个数据点是较为合适的, 每次向下一时刻平移0.1 s, 即每次平移10个数据点。为了方便AlexNet网络对图像进行检测, 将图像的色域进行了归一化调整。得到信号时域图和时频图如图3和图4所示。
图3 无噪声磁异常信号时域图
图4 无噪声磁异常信号时频图
当不存在噪声时, 时频图像特征明显, 其高亮时间保持3 s左右, 频率在0~0.3 Hz, 且呈现出“子弹”形状的高亮图形。而水下目标(例如潜艇、无人水下航行器)主体是铁磁性物质, 在2.5倍物体长度以上的空间外, 完全可以把磁性物体当作磁偶极子处理, 满足一般工程应用的需求。航空磁探测平台从目标上方飞过, 对平台航线处的磁场进行采样。
图5为低SNR下磁异常信号的时域图, 图6为该信号的时频图, 通过对图6分析可知, 在极低SNR情况下, 信号完全淹没在噪声之中, 从时域上来看, 完全无法以肉眼寻找到信号; 从时频图上来看, 在信号出现的10.5 s处, 子弹状图形特征极为不明显, 且能量强度低于在13 s附近出现的干扰。
图5 SNR=–8 dB时磁异常信号时域图
图6 SNR=-8dB时磁异常信号时频图
图7、图8为不包含信号, 仅有白噪声情况下的时域图和时频图, 10.5 s处出现了时间、频率特征与真实磁探信号极其相似的子弹状图形, 只是能量较小, 但在现今的时频图检测算法下, 极有可能将其算作磁异常信号, 从而造成虚警。
图7 白噪声时域图
图8 白噪声时频图
3.3 数据预处理
1) 由于时频图的坐标轴固定, 在AlexNet网络中属于无用信息, 还有可能对磁异常信号的检测产生不良后果, 所以在预处理过程中, 需去除时频图的坐标轴信息。
2) 对时频图进行压缩, 由于标准AlexNet的输入为227像素×227像素×3通道, 故需要将其压缩至指定大小。
3.4 AlexNet网络训练
训练运行环境: intel(R)Core(TM)i5-4200M CPU@2.50 GHz, 内存为12 GB, 程序在window 10系统下Matlab软件上进行编写并运行。使用Matlab调用CPU实现网络训练, 编程实现简单, 能够快速验证算法可行性。试验采取训练-测试的流程, 在训练过程中, 可以通过准确率曲线直观地观测模型训练的优劣情况。
试验1:
对生成信号的4个因素(水下目标位置、飞机航线、地磁场信息和SNR)均随机化, 其中SNR在–10~–1 dB之间随机取值, 仿真得到2 000个不同情况下的信号时频图和2 000个白噪声时频图, 共计4 000个样本, 其中80%作为训练集, 20%作为验证集合。
训练集数据对模型的训练结果如图9所示。其最终准确率达到了97.83%, 并将损失降低到了0.1附近。使用测试集对模型的泛化能力进行测试, 对信号的检测能力达到99%, 漏警率为1%, 对噪声的检测能力达到98%, FAR为2%。试验1验证了在探测信息完全随机的情况下, 通过大量仿真的加噪信号对AlexNet网络进行迁移学习后的训练, 该网络能够在时频图的基础上对信号进行有效检测。
图9 训练结果
试验2:
为了更进一步测试AlexNet网络的能力, 保持水下目标位置、飞机航线和地磁场信息的随机性不变, 观察信噪比SNR=-2, –4,…, –20下训练集对AlexNet网络训练后的泛化能力。其结果如图10所示。
训练检测概率, 是训练过程中网络对训练集的检测能力。从图10可以看出, 随着SNR的提高, 训练检测概率也随之提高; 当SNR<–14 dB时, Alexnet网络丧失对磁异常信号的检测能力; –14 dB
图10 不同SNR下的检测能力
4 结论
基于迁移学习理论, 在AlexNet网络的基础上实现了对磁异常信号的检测。仿真结果表明: 在SNR=-8 dB、Far=3%情况下, 对磁异常信号的检测概率达到93%, 优于传统信号检测算法; 在AlexNet的8层网络架构及其特殊的激活函数、重叠池化层和随机失活等技巧下, 有限避免了对网络训练的过拟合情况; 由于卷积神经网络的可迁移性, 冻结已经训练好的网络低层参数并迁移至新的网络中进行训练, 既能够提高计算速度, 节约计算力, 又能够保证其精度。
[1] 林君, 刁庶, 张洋, 等. 地球物理矢量场磁测技术的研究进展[J]. 科学通报, 2017, 62(23): 2606-2618.Lin Jun, Diao Shu, Zhang Yang, et al. Research Progress of Geophysical Vector Magnetic Field Survey Technology[J]. Chin Sci Bull, 2017, 62(23): 2606-2618.
[2] 周家新, 陈建勇, 单志超, 等. 航空磁探中潜艇目标的联合估计检测方法研究[J]. 兵工学报, 2018, 39(5): 833- 840.Zhou Jia-xin, Chen Jian-yong, Shan Zhi-chao, et al. Research on Joint Estimation and Detection of Submarine Target in Airborne Magnetic Anomaly Detection[J]. Acta Armamentarii, 2018, 39(5): 833-840.
[3] Ginzburg B, Frumkis L, Kaplan Z, et al. Processing of Magnetic Scalar Gradiometer Signals Using Orthonormalized Functions[J]. Sensors, 2002, 102(1): 67-75.
[4] Sheinker A, Frumkis L, Ginzburg B, et al. Magnetic Anomaly Detection Using a Three-Axis Magnetometer[J]. IEEE Transactions on Magnetics, 2009, 45(1): 160-167.
[5] 张坚, 林春生, 黄凡. OBF分解与BP网络在船舶磁场信号检测中的应用[J]. 船电技术, 2011, 31(7): 13-16.Zhang Jian, Lin Chun-sheng, Huang Fan. Application of OBF Decomposition and BP Neural Network to Magnetic Signal Detection of a Ship[J]. Marine Electric ＆ Elec- tronic Technology, 2011, 31(7): 13-16.
[6] 张坚, 林春生, 邓鹏, 等. 基于小波域OBF分解的磁异常信号检测算法[J]. 弹箭与制导学报, 2011, 31(6): 187-189.Zhang Jian, Lin Chun-sheng, Deng Peng, et al. Detection of Magnetic Anomaly Signal Based on OBF Decomposition in Wavelet Domain[J]. Journal of Projectiles, Rockets, Mi- ssiles and Guidance, 2011, 31(6): 187-189.
[7] 王珺琳, 陈博. 基于运动目标的OBF方法检测性能分析[J]. 中国电子科学研究院学报, 2017, 12(1): 47-51.Wang Jun-lin, Chen Bo. The Analysis of OBF Detection Performance Based on Moving Object[J]. Journal of China Academy of Electronics and Information Tech- nology, 2017, 12(1): 47-51.
[8] Wan C, Pan M, Zhang Q, et al. Magnetic Anomaly Detection Based on Stochastic Resonance[J]. Sensors Actuators A Physical, 2018, 278: 11-17.
[9] Sheinker A, Moldwin M B. Magnetic Anomaly Detection(MAD) of Ferromagnetic Pipelines Using Principal Component Analysis(PCA)[J]. Measurement Science and Technology, 2016, 27(4): 045104.
[10] Sheinker A, Salomonski N, Ginzburg B, et al. Magnetic Anomaly Detection Using Entropy Filter[J]. Measurement Science, 2008, 19(4): 045205.
[11] Sheinker A, Ginzburg B, Salomonski N, et al. Magnetic Anomaly Detection Using High-Order Crossing Method [J]. Transactions on Geoscience, 2012, 50(4): 1095-1103.
[12] Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[C]//NIPS’12: Proceedings of the 27th International Conference on Neural Information Processing Systems. USA: Massachusetts Institute of Technology Press, 2012, 1: 1097-1105.
[13] Yosinski J, Clune J, Bengio Y, et al. How Transferable are Features in Deep Neural Networks[C]//NIPS’14: Proceedings of the 27th International Conference on Neural Information Processing Systems. USA: Massachusetts Institute of Technology Press, 2014, 2: 3320-3328.
[14] Cun Y L, Boser B, Denker J S, et al. Handwritten Digit Recognition with a Back-Propagation Network[C]//Advances in Neural Information Processing Systems. USA: Massachusetts Institute of Technology Press, 1990, 2: 396-404.
Detection Method of Magnetic Anomaly Signals Based on AlexNet Transfer Learning
LI Qi-fei1,2, WU Fang1, HAN Lei-lei1, FAN Zhao-peng3, LI Pei-zong1
(1. Air Combat Service College, Naval Aviation University, Yantai 264001, China; 2. 91550thUnit, the People’s Liberation Army of China, Dalian 116000, China; 2. 91001thUnit, the People’s Liberation Army of China, Beijing 100080, China)
Aiming at the problem in aviation antisubmarine that the magnetic anomaly signals of underwater targets are difficult to detect under low signal-to-noise ratio(SNR), a detection method of magnetic anomaly signals based onAlexNet transfer learning is proposed. Based on the principle of convolution neural network, a large number of signal sequences are obtained by simulating different situations of underwater targets and different flight routes and speeds of the aeromagnetic platform with Gaussian white noise, so as to simulate the signals measured by the magnetic detection platform. Then, the short-time Fourier transform(STFT) is applied to obtain the time-frequency diagram, and the time-frequency features are transferred and trained by using the AlexNet. Finally, the trained AlexNet deep convolutional neural network is tested by the test set. The results show that the AlexNet model has good generalization ability in the field of magnetic anomaly signal detection. When the SNR is -8 dB and the false alarm rate is 3%, the detection probability of magnetic anomaly signal reaches 93%.
aviation antisubmarine; magnetic anomaly signal; detection; time-frequency analysis; AlexNet; transfer learning
TJ67; TM937
A
2096-3920(2020)02-0162-06
10.11993/j.issn.2096-3920.2020.02.007
2018-12-06;
2019-01-04.
国家自然科学基金(61971424).
李启飞(1994-), 男, 在读硕士, 主要从事磁信号处理相关研究.
李启飞, 吴芳, 韩蕾蕾, 等. 基于AlexNet迁移学习的磁异常信号检测方法[J]. 水下无人系统学报, 2020, 28(2): 162-167.
(责任编辑: 许 妍)
