基于卷積神經網絡對磁異常信號的識別研究

李啟飛，吳 芳，林義杰

（1.海軍航空大學，山東煙臺264001；2.91550部隊，遼寧大連116000；3.92485部隊，遼寧大連116113）

航空磁探反潛是通過檢測水下目標產生的磁場對地磁場產生的異常擾動，從而實現對水下磁性目標進行搜索的一種反潛手段。

水下目標產生的磁場頻率極低，主要能量分布在0～1 Hz 的頻率范圍。在實際作戰(zhàn)過程中，發(fā)現存在幾種干擾源，其產生的磁場頻段與水下目標產生的磁場頻段存在重疊，影響航空磁探反潛探測的準確性，增加虛警概率。

多倫多大學Geoffery Hinton 在2006 年提出深度信念網絡，揭開了深度學習在人工智能領域的革命[1]。卷積神經網絡（Convolutional Neural Network，CNN）是一種多層結構的網絡模型，其圖像識別準確率比較高[2-6]。本文將信號轉為時頻圖，并使用CNN對時頻圖進行分類，從而達到信號識別的目的。

1 干擾信號和目標信號

本節(jié)基于樣機數據中已知4類干擾源的磁異常干擾信號數據，分析其時域、頻域特征。這4類磁異常信號干擾源分別是短波語音干擾、短波數據鏈干擾、地磁異常干擾、飛機轉彎干擾。

樣機樣本數據一共200 個信號。其中，目標信號40個，干擾信號160個，典型時域圖如圖1所示。

圖1 a）～d）分別是4種干擾的時域圖，e）、f）是水下目標不同運動態(tài)勢下的磁異常信號。

圖1 目標和干擾的時域波形Fig.1 Time domain waveforms of targets and interference

2 卷積神經網絡

卷積神經網絡在語音識別、圖像分類等領域有著大量的應用。能夠在大量數據、圖像中發(fā)現隱藏的特征，從而消除人工分類、定制數據、圖像特征的復雜性[7-12]。

1）卷積神經網絡的結構。卷積神經網絡一般由輸入層、隱含層、輸出層[13]構成。模仿了人類對圖像的認知過程，即由眼睛讀取圖像；大腦對圖像切割、提取物體特征，并將特征抽象化；最后，進行抽象判定。

圖2 卷積神經網絡總體結構Fig.2 Overall structure of convolutional neural network

輸入層接收樣本數據，并對數據進行標準化預處理。當輸入數據為圖像中的像素值時，將[0，255]范圍內的原始像素值歸一到[0，1]范圍內，這有助于提升網絡的學習效率和準確率；卷積層是CNN 的關鍵構成，其主體就是將卷積核與輸入數據進行卷積運算。卷積運算關注圖像局部特征，模仿了人對圖像的認識過程；輸出層的上層網絡一般是全連接層，在本節(jié)分類問題中，輸出層輸出圖像類別參數。

2）前向傳播和反向傳播。前向傳播是指訓練過程中卷積網絡的上一層計算值會作為下一層的輸入，直至計算得到最后的分類結果及概率。反向傳播是指將計算結果的誤差方向傳入到輸入層，即計算誤差與當前層的梯度相乘，得到當前層的輸入，并依次向后傳播誤差，直至輸入層。[14-17]

當樣本有N個類別時，第i個樣本xi的誤差函數為：

圖3 是使用卷積神經網絡進行遷移學習的流程圖，包含網絡訓練模塊和網絡測試模塊2 個部分。網絡訓練模塊主要是對訓練集數據進行預處理，并使用訓練樣本對CNN 進行訓練。網絡測試模塊使用帶有分類標簽的測試集樣本，對網絡的泛化能力進行測試，分析經過訓練后的網絡分類準確性[18]。

3 實測數據驗證

圖3 卷積神經網絡的流程圖Fig.3 Flow chart of convolution neural network

1）數據集的獲取。反潛巡邏機轉彎干擾、地磁異常干擾、數據鏈干擾、短波干擾這4種干擾的頻率波段與水下目標的頻率波段有重疊的范圍，使得操作人員在使用現役裝備執(zhí)行磁探反潛任務時，難以對檢測過程中發(fā)現的信號異常進行目標標定。本節(jié)基于樣本信號的時頻圖，組成數據集，并將數據集按照80%、20%的比例構成訓練集和測試集。

數據集中，來自水下目標和干擾的時域信號共200 個。其中，來自4 類干擾信號樣本130 個，來自目標樣本信號70 個。按照8 ∶2 的比例隨機組成訓練集和測試集。樣本的時頻圖見圖4，其中，a）～d）分別是4 類干擾的時頻圖。時頻變換采用矩形窗，長度為200個數據點，每次向下一時刻移動10個數據點。

2）數據預處理。時頻圖的坐標軸固定，在卷積神經網絡中屬于無用信息，還有可能對磁異常信號的識別產生負面效果。所以，在預處理過程中，去除時頻圖的坐標軸信息，對時頻圖進行壓縮，將其壓縮為227×227像素×3通道。

信號時頻樣本的x軸是時間軸，當采樣信號時間越長，單位時間的頻率特征就越窄。由于樣本信號采樣長度不一致，227×227 像素的時頻圖并不能合理地體現出時域特征，所以對信號逐數據點進行時頻分析，每次提取4 s 的數據（400 個數據點）進行分析，其時頻圖如圖5所示。

圖4 時頻圖Fig.4 Time-frequency diagram of interference

圖5 信號時頻圖Fig.5 Time-frequency diagram of signal

3）網絡泛化能力測試。訓練運行環(huán)境：intel（R）Core（TM）i5-4200M CPU@2.50GHz，內存為12GB，程序在Window 10 系統(tǒng)下Matlab 軟件上進行編寫并運行。實驗采取訓練—測試的流程，訓練和驗證是訓練過程的2個部分。在訓練過程中，通過準確率曲線，直觀地觀測模型訓練的優(yōu)劣情況。

實驗：本節(jié)用200個樣本組成數據集，并將數據集按照8 ∶2 的比例分成訓練集和測試集。其中，干擾信號時頻圖樣本104 個，水下目標信號時頻圖樣本26個，共計130個樣本組成訓練集；干擾信號時頻圖樣本56個，水下目標信號時頻圖樣本14個，共計70個樣本組成測試集。應用動量隨機梯度下降法尋找最優(yōu)參數，初始學習率設為0.001。對網絡進行訓練得到訓練準確率如圖6所示。

圖6 訓練準確率圖Fig.6 Training accuracy

如圖6所示，在上述訓練參數下，卷積神經網絡能夠達到較好的訓練效果，準確率達到85.4%。通過測試集樣本對網絡泛化能力進行測試，結果如表1 所示。40個測試樣本僅有6個分類錯誤，其余均實現正確識別，總識別率達到了85%，具有較好的分類效果。

表1 卷積神經網絡的泛化能力Tab.1 Generalization ability of convolutional neural network

4 結束語

通過卷積神經網絡的方法，實現了對干擾信號和水下目標信號的識別。卷積神經網絡模擬人大腦對事物的認知過程，從局部到整體對特征進行識別。從樣本集中自主學習特征，從而實現對不同磁源樣本的分類過程，提高了對水下目標的識別準確率。