基于LeNet-5模型對廣播電視發(fā)射機(jī)入射功率圖的區(qū)分

黃卿 劉峻

摘要：目前在廣播電視無線傳輸發(fā)射領(lǐng)域，對設(shè)備運行數(shù)據(jù)監(jiān)控圖的分類區(qū)分采用人工的方式進(jìn)行，無法區(qū)分設(shè)備的軟故障和硬故障，往往存在誤判、漏判現(xiàn)象。鑒于卷積神經(jīng)網(wǎng)絡(luò)在圖像識別方面的優(yōu)良特性，本文選取具有代表性的廣播電視發(fā)射機(jī)入射功率監(jiān)控圖作為樣本集，對卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型進(jìn)行改進(jìn)，并將其應(yīng)用于廣播電視發(fā)射機(jī)入射功率監(jiān)控圖的識別以區(qū)分設(shè)備的軟故障和硬故障。實驗表明，該優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型在對廣播電視無線發(fā)射機(jī)的入射功率監(jiān)控圖的識別中，能夠較好地區(qū)分軟故障和真實故障，滿足實際需求。

關(guān)鍵詞：發(fā)射機(jī);入射功率;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）11-0094-02

0 引言

隨著廣播電視事業(yè)的發(fā)展，廣播電視無線傳輸領(lǐng)域經(jīng)歷了從電子管時代到固態(tài)化時代再到目前逐步進(jìn)入的數(shù)字化時代，各廣播電視無線發(fā)射臺也逐步適應(yīng)時代的發(fā)展，引入各個時期的技術(shù)并運用于工作當(dāng)中。目前各發(fā)射臺的監(jiān)控系統(tǒng)雖具備通過采集監(jiān)控設(shè)備的一些關(guān)鍵電壓電流值，并在這些值出現(xiàn)超出人為設(shè)置的門限值后認(rèn)定為設(shè)備故障的能力，但卻無法區(qū)分一些軟故障和真實故障。對此，在實際的設(shè)備搶修維護(hù)當(dāng)中，還是需要技術(shù)人員結(jié)合監(jiān)控圖表和自身經(jīng)驗才能準(zhǔn)確判斷故障點位置。因此研究采用智能手段，通過模仿人類的視覺系統(tǒng)去查看監(jiān)控圖表，識別故障情況，將有助于消除誤告警，大大減少勞動成本。

近來卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像和語音識別方面取得了卓越成效。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks）[1]，因此本文基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型LeNet-5對廣播電視無線發(fā)射機(jī)入射功率監(jiān)控圖進(jìn)行區(qū)分識別，區(qū)分出軟故障和真實故障。

1 樣本處理及模型優(yōu)化

1.1 樣本處理

數(shù)據(jù)集來源于某頻率中波發(fā)射機(jī)入射功率監(jiān)控圖，功率1KW，告警閾值為300W。樣本集共10000張，分為兩類，軟故障類（偶發(fā)性功率下降超過閾值）和真實故障類（頻繁在閾值區(qū)域內(nèi)波動），每類樣本數(shù)量為5000張，訓(xùn)練集共8000張，驗證集共2000張，如圖1a和圖1b所示為例圖。

很顯然，目前的監(jiān)控系統(tǒng)對于這類故障現(xiàn)象出現(xiàn)了“不該告警它告警，該告警的它忽略”的情況。

1.2 模型優(yōu)化

為解決上述故障區(qū)分問題，本文采用基于LeNet-5模型的卷積神經(jīng)網(wǎng)絡(luò)，并對其進(jìn)行優(yōu)化后用來進(jìn)行區(qū)分識別。圖2描述了優(yōu)化前后的兩種CNN模型，其中圖2a為傳統(tǒng)的LeNet-5模型結(jié)構(gòu)，圖2b為加入了Dropout正則化方法后的模型，參數(shù)為Dropout（0.5）。

Dropout是神經(jīng)網(wǎng)絡(luò)中最常用的正則化方法之一，其原理是在訓(xùn)練過程中隨機(jī)將該層的一些輸出特征舍棄，從而“破壞”神經(jīng)網(wǎng)絡(luò)的一些傳播“習(xí)慣”，傳統(tǒng)的LeNet-5模型沒有Dropout層，本文加入Dropout層進(jìn)行優(yōu)化以避免過擬合。

2 實驗及結(jié)果分析

設(shè)置epochs=30，運行結(jié)果如圖2所示：圖2c為傳統(tǒng)的LeNet-5模型運行結(jié)果圖，可以看到訓(xùn)練集loss隨著acc上升而下降，但是驗證集loss和acc波動頻繁，并沒有很好的收斂，尤其是在第13個epoch的時候驗證集loss居然超過了驗證集acc，存在嚴(yán)重的過擬合現(xiàn)象。圖2d為加入了Dropout的模型運行結(jié)果圖，可以看到在第16個epoch的時候才出現(xiàn)一些過擬合現(xiàn)象。說明加入Dropout能有效地降低過擬合。最終測試得到其訓(xùn)練精度為0.95，滿足實際需求。

3 結(jié)語

本文基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型對其進(jìn)行改進(jìn)，經(jīng)過多輪迭代訓(xùn)練，優(yōu)化相應(yīng)超參數(shù)，構(gòu)建相應(yīng)卷積神經(jīng)網(wǎng)絡(luò)對發(fā)射機(jī)入射功率監(jiān)控圖進(jìn)行識別，以區(qū)分廣播電視無線發(fā)射機(jī)的軟故障和真實故障。實驗表明，該優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型在對廣播電視無線發(fā)射機(jī)的入射功率監(jiān)控圖的識別中，能夠較好地區(qū)分軟故障和真實故障，滿足實際需求。

參考文獻(xiàn)

[1] Goodfellow，I.，Bengio，Y.，Courville，A..Deep learning[M].Cambridge：MIT press，2016：326-366.