基于卷积神经网络对磁异常信号的识别研究

2020-07-27李启飞林义杰

海军航空大学学报 2020年2期

李启飞，吴芳，林义杰

（1.海军航空大学，山东烟台264001；2.91550部队，辽宁大连116000；3.92485部队，辽宁大连116113）

航空磁探反潜是通过检测水下目标产生的磁场对地磁场产生的异常扰动，从而实现对水下磁性目标进行搜索的一种反潜手段。

水下目标产生的磁场频率极低，主要能量分布在0～1 Hz 的频率范围。在实际作战过程中，发现存在几种干扰源，其产生的磁场频段与水下目标产生的磁场频段存在重叠，影响航空磁探反潜探测的准确性，增加虚警概率。

多伦多大学Geoffery Hinton 在2006 年提出深度信念网络，揭开了深度学习在人工智能领域的革命[1]。卷积神经网络（Convolutional Neural Network，CNN）是一种多层结构的网络模型，其图像识别准确率比较高[2-6]。本文将信号转为时频图，并使用CNN对时频图进行分类，从而达到信号识别的目的。

1 干扰信号和目标信号

本节基于样机数据中已知4类干扰源的磁异常干扰信号数据，分析其时域、频域特征。这4类磁异常信号干扰源分别是短波语音干扰、短波数据链干扰、地磁异常干扰、飞机转弯干扰。

样机样本数据一共200 个信号。其中，目标信号40个，干扰信号160个，典型时域图如图1所示。

图1 a）～d）分别是4种干扰的时域图，e）、f）是水下目标不同运动态势下的磁异常信号。

图1 目标和干扰的时域波形Fig.1 Time domain waveforms of targets and interference

2 卷积神经网络

卷积神经网络在语音识别、图像分类等领域有着大量的应用。能够在大量数据、图像中发现隐藏的特征，从而消除人工分类、定制数据、图像特征的复杂性[7-12]。

1）卷积神经网络的结构。卷积神经网络一般由输入层、隐含层、输出层[13]构成。模仿了人类对图像的认知过程，即由眼睛读取图像；大脑对图像切割、提取物体特征，并将特征抽象化；最后，进行抽象判定。

图2 卷积神经网络总体结构Fig.2 Overall structure of convolutional neural network

输入层接收样本数据，并对数据进行标准化预处理。当输入数据为图像中的像素值时，将[0，255]范围内的原始像素值归一到[0，1]范围内，这有助于提升网络的学习效率和准确率；卷积层是CNN 的关键构成，其主体就是将卷积核与输入数据进行卷积运算。卷积运算关注图像局部特征，模仿了人对图像的认识过程；输出层的上层网络一般是全连接层，在本节分类问题中，输出层输出图像类别参数。

2）前向传播和反向传播。前向传播是指训练过程中卷积网络的上一层计算值会作为下一层的输入，直至计算得到最后的分类结果及概率。反向传播是指将计算结果的误差方向传入到输入层，即计算误差与当前层的梯度相乘，得到当前层的输入，并依次向后传播误差，直至输入层。[14-17]

当样本有N个类别时，第i个样本xi的误差函数为：

图3 是使用卷积神经网络进行迁移学习的流程图，包含网络训练模块和网络测试模块2 个部分。网络训练模块主要是对训练集数据进行预处理，并使用训练样本对CNN 进行训练。网络测试模块使用带有分类标签的测试集样本，对网络的泛化能力进行测试，分析经过训练后的网络分类准确性[18]。

3 实测数据验证

图3 卷积神经网络的流程图Fig.3 Flow chart of convolution neural network

1）数据集的获取。反潜巡逻机转弯干扰、地磁异常干扰、数据链干扰、短波干扰这4种干扰的频率波段与水下目标的频率波段有重叠的范围，使得操作人员在使用现役装备执行磁探反潜任务时，难以对检测过程中发现的信号异常进行目标标定。本节基于样本信号的时频图，组成数据集，并将数据集按照80%、20%的比例构成训练集和测试集。

数据集中，来自水下目标和干扰的时域信号共200 个。其中，来自4 类干扰信号样本130 个，来自目标样本信号70 个。按照8 ∶2 的比例随机组成训练集和测试集。样本的时频图见图4，其中，a）～d）分别是4 类干扰的时频图。时频变换采用矩形窗，长度为200个数据点，每次向下一时刻移动10个数据点。

2）数据预处理。时频图的坐标轴固定，在卷积神经网络中属于无用信息，还有可能对磁异常信号的识别产生负面效果。所以，在预处理过程中，去除时频图的坐标轴信息，对时频图进行压缩，将其压缩为227×227像素×3通道。

信号时频样本的x轴是时间轴，当采样信号时间越长，单位时间的频率特征就越窄。由于样本信号采样长度不一致，227×227 像素的时频图并不能合理地体现出时域特征，所以对信号逐数据点进行时频分析，每次提取4 s 的数据（400 个数据点）进行分析，其时频图如图5所示。

图4 时频图Fig.4 Time-frequency diagram of interference

图5 信号时频图Fig.5 Time-frequency diagram of signal

3）网络泛化能力测试。训练运行环境：intel（R）Core（TM）i5-4200M CPU@2.50GHz，内存为12GB，程序在Window 10 系统下Matlab 软件上进行编写并运行。实验采取训练—测试的流程，训练和验证是训练过程的2个部分。在训练过程中，通过准确率曲线，直观地观测模型训练的优劣情况。

实验：本节用200个样本组成数据集，并将数据集按照8 ∶2 的比例分成训练集和测试集。其中，干扰信号时频图样本104 个，水下目标信号时频图样本26个，共计130个样本组成训练集；干扰信号时频图样本56个，水下目标信号时频图样本14个，共计70个样本组成测试集。应用动量随机梯度下降法寻找最优参数，初始学习率设为0.001。对网络进行训练得到训练准确率如图6所示。