基于AlexNet模型的CNN對入射功率監控圖樣的識別

黃卿 黃德宏 黃海 劉權 謝乃輝

（1.廣西廣播電視技術中心崇左分中心；2.廣西廣播電視信息網絡股份有限公司防城港分公司）

一、引言

近年來，在新技術及經濟社會發展強烈需求的共同驅動下，人工智能發展進入新階段，以機器學習，深度學習為代表的人工智能技術被譽為第四次工業革命。在廣播電視行業中，國家廣播電視總局科技司也編制了《廣播電視人工智能應用白皮書（2018）》，要求將人工智能技術應用于廣播電視行業。

卷積神經網絡（CNN）在圖像和語音識別方面取得了卓越成效。卷積神經網絡（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一[1-2]。

目前，廣播電視無線發射臺站的監控系統大多采用閾值告警的方式，無法識別閾值內數據波動的故障情況以及數據偶發性超閾值的軟故障情況。因此，本文基于CNN的經典模型AlexNet對發射機入射功率監控圖進行識別測試，識別出上述兩種故障情況。

二、實驗樣本處理

數據集來源于大新中波臺某頻率中波發射機入射功率監控圖，由于圖片特征值明顯，因此準備樣本集共1000張（小樣本數據集），分為兩類，頻繁在閾值區域內波動（err類）和偶發性功率下降超過閾值（right類），每類樣本數量為500張，訓練集共800張，驗證集共200張。所有圖片經過代碼預處理，將原本分辨率為1425×630的圖片處理成分辨率為475×210的圖片，以作為神經網絡的輸入。

err類例圖如圖1a所示，某頻率1KW發射機日播出周期內的采樣顯示情況，可以看到，其入射功率頻繁在400W上方波動，若門限值設置為400W，則系統不會出現任何的告警。right類例圖如圖1b所示，入射功率采樣顯示出現偶發性超閾值的情況，這樣的情況理論上是可以忽略的，但系統卻因此而出現告警。

圖1 監控圖樣

三、模型的構建

AlexNet模型是2012年ImageNet競賽冠軍獲得者Hinton和他的學生Alex Krizhevsky設計的。其包含了 6 億三千萬條連接，6000 萬個參數和 65 萬個神經元，其網絡結構包括 5 層卷積，其中第一、第二和第五層卷積后面連接了最大池化層，然后是 3 個全連接層。AlexNet 不算池化層總共有 8 層，前 5 層為卷積層，其中第一、第二和第五層卷積都包含了一個最大池化層，后三層為全連接層。

由于本文的訓練環境采用的計算機是普通的CPU計算機，而此前AlexNet為提高運算效率，利用了兩塊GPU進行計算，鑒于本次實驗的環境無法承載傳統的AlexNet模型進行測試，因此有必要對傳統的AlexNet模型進行一定的修改。

圖2 AlexNet模型修改前后對比圖和構建的CNN模型代碼圖

如圖2a所示顯示的是傳統的AlexNet模型的卷積層、池化層、全連接層參數等信息，如圖2b所示的是基于本文的條件修改AlexNet模型后的CNN模型各層參數信息，如圖2c所示為基于AlexNet構建的CNN模型代碼圖，可以看到，修改后的CNN模型，一開始輸入的是本文預處理好的 475×210×3的圖像，卷積核的數量較傳統AlexNet模型縮減一半，為48，大小為11×11×3，步長為4，激活函數依然使用relu。池化層中pool_size = (3, 3),步長為2。之后的卷積核的數量同樣較傳統AlexNet模型縮減一半，其他保持不變。而由于樣本集特征值較為明顯，因此可以考慮縮減全連接層神經元數量，最后的全連接層中神經元的個數改為256和64，輸出softmax由1000改為2。(圖2)

四、模型的訓練

模型構建好后，本文基于Keras對模型進行訓練，如圖3a所示為圖片處理方法類圖，將樣本集進行一定的處理并向模型做路徑指引。

在主函數中設置“epochs=30”即訓練30輪，便可進行模型測試。如圖3c所示為模型訓練過程圖，可以看到，訓練集中acc值隨著loss值下降而上升，在驗證集方面，val acc的值也隨著val loss值的下降而上升，模型的訓練精度最終達到了0.995。如圖3b所示為模型acc-loss圖，圖中可以看出，模型雖然存在一些過擬合的現象，但收斂效果較好。因此，可以嘗試對模型進行實測。（圖3）

圖3 圖片處理方法類圖、模型訓練過程圖和acc-loss圖

圖4 模型識別測試樣本圖

圖5 模型調用和識別結果圖

五、模型的實測

本文準備了9張未經過模型訓練過的樣本圖作為識別測試圖，如圖4所示，分別對圖由1到9進行編號，可以看到，屬于err類的為編號1、編號4、編號5、編號8、編號9這5張圖。屬于right類的為編號2、編號3、編號6、編號7這4張圖。

調用已經保存好的模型對上述圖片進行識別實測，如圖5所示為模型調用和識別結果圖。由最后的輸出結果可以看到，模型判斷編號1、編號4、編號5、編號8、編號9這5張圖為err 類的可能性都為99.9%以上。而判斷編號2、編號3、編號6、編號7這4張圖為err類的可能性分別僅為：35%左右、20%左右、32%左右、14%左右。因此，該模型基于本次樣本集可很好地識別出頻繁在閾值區域內波動和偶發性功率下降超過閾值的情況。

六、結語

本文基于卷積神經網絡AlexNet模型構建了相應的CNN模型，并用構建的模型對發射機入射功率監控圖進行識別，以識別出頻繁在閾值區域內波動和偶發性功率下降超過閾值的情況。實驗表明，該訓練精度為0.995的CNN模型實測效果良好。

隨著技術的不斷成熟，可以預見，人工智能技術將會在廣播電視無線傳輸發射領域得到大量應用，為安全播出工作的順利推進保駕護航，并促進廣播電視行業的長足發展。