基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)信息處理能力優(yōu)化

馬俊駿 李建華 胡昌棟

摘要：著眼于新形勢下無人機(jī)作戰(zhàn)需求和體系作戰(zhàn)能力提升要求，從信息處理流程角度出發(fā)，建立了無人機(jī)信息處理模型;以作戰(zhàn)運(yùn)用為主線構(gòu)建了無人機(jī)信息處理能力評估指標(biāo)，并提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息處理優(yōu)化算法;通過仿真分析，驗(yàn)證了該優(yōu)化算法的適用性和有效性。

Abstract： Focusing on the requirements of UAV operations and system combat capability under the new situation， the UAV information processing model was established from the perspective of information processing flow. The UAV information processing capability evaluation index was constructed based on combat operations， and an information processing optimization algorithm based on convolutional neural network was proposed. The applicability and effectiveness of the optimization algorithm were verified by simulation analysis.

關(guān)鍵詞：無人機(jī);信息處理;卷積神經(jīng)網(wǎng)絡(luò)

Key words： UAV;information processing;convolutional neural network

中圖分類號：TP391.41;TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2020）29-0186-04

0? 引言

隨著軍事技術(shù)的不斷發(fā)展，無人化武器裝備的應(yīng)用越來越廣泛，其中，無人機(jī)在情報(bào)偵察、目標(biāo)監(jiān)控和火力打擊等軍事任務(wù)中均有大量應(yīng)用。因此，如何在復(fù)雜多變的戰(zhàn)場環(huán)境中提高無人機(jī)的作戰(zhàn)能力，是國內(nèi)外普遍關(guān)注的熱點(diǎn)問題。與有人機(jī)相比，無人機(jī)不存在機(jī)內(nèi)駕駛員，主要依賴于信息交互進(jìn)行指揮控制[1]，通過對信息處理能力的提升，進(jìn)而有效地提高無人機(jī)作戰(zhàn)能力。

本文以無人機(jī)信息處理為背景，構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡(luò)算法的信息處理改進(jìn)模型，建立信息處理能力評估指標(biāo)，以實(shí)戰(zhàn)中的無人機(jī)圖像信息作為數(shù)據(jù)輸入，計(jì)算改進(jìn)后的信息處理評估值，進(jìn)一步優(yōu)化無人機(jī)信息處理能力，從而提高無人機(jī)整體作戰(zhàn)效能。

1? 無人機(jī)信息處理需求分析

信息處理是確保信息有效傳輸和合理利用的前提[2]。無人機(jī)根據(jù)機(jī)型及任務(wù)載荷的不同，采用不同的方法手段進(jìn)行信息處理，但其本質(zhì)都是對獲取的原始信息進(jìn)行加工處理，從而產(chǎn)生可利用的信息。從信息處理技術(shù)的角度來看，無人機(jī)傳統(tǒng)信息處理模式具有較強(qiáng)的還原能力，但其對未知信息和復(fù)雜信息的處理過程相對較慢[3]，需要人工介入較多，整體處理效率不高。

1.1 無人機(jī)信息處理需求

傳統(tǒng)的點(diǎn)對點(diǎn)式信息處理模式已經(jīng)明顯不適用于現(xiàn)代戰(zhàn)爭的需要，復(fù)雜多變的應(yīng)用場景對無人機(jī)提出更高要求。因此，具備智能化分析能力并且能夠?qū)π畔⑦M(jìn)行有效融合的處理模式[4]，才能在多機(jī)多狀態(tài)混合的情況下高效地進(jìn)行任務(wù)配屬;同時(shí)，加快信息處理速度，縮短“從傳感器到射手”的決策時(shí)間，也是未來戰(zhàn)場所需要考慮的重要因素。

在信息處理中引入深度學(xué)習(xí)技術(shù)是目前無人機(jī)技術(shù)發(fā)展的趨勢之一。無人機(jī)相對有人機(jī)的指揮控制在技術(shù)層面上有較大區(qū)別，由于不存在傳統(tǒng)意義上的駕駛員，無人機(jī)面臨更快的技術(shù)迭代。因此，更加高效的信息處理技術(shù)是無人機(jī)技術(shù)發(fā)展的必要條件。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）[5]作為深度學(xué)習(xí)的代表性算法之一，主要應(yīng)用于圖像識別、態(tài)勢感知、和語音識別等信息處理方面[6]，將其應(yīng)用于無人機(jī)信息處理具有廣泛的發(fā)展前景。

1.2 卷積神經(jīng)網(wǎng)絡(luò)算法原理及組成

卷積神經(jīng)網(wǎng)絡(luò)是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，它仿造生物的視知覺（visual perception）機(jī)制構(gòu)建而成，可以進(jìn)行監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)能力、自學(xué)習(xí)能力和并行處理能力，可以處理環(huán)境信息復(fù)雜、背景知識不明的問題，同時(shí)具備自適應(yīng)性能強(qiáng)、運(yùn)行速度快等特點(diǎn)[7]。在信息量龐大且更迭快速的現(xiàn)代戰(zhàn)場中，更加高效的信息處理能力意味著更加快速的OODA（Observe， Orient， Decide， Act）循環(huán)[8]，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于無人機(jī)信息處理中，能夠顯著提升無人機(jī)整體作戰(zhàn)能力。

卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層組成。輸入層為神經(jīng)網(wǎng)絡(luò)輸入特征向量，對特征向量進(jìn)行歸一化處理至[0，1]區(qū)間，有利于提升算法的運(yùn)行效率和學(xué)習(xí)表現(xiàn)[9]。隱含層包含卷積層、池化層和全連接層，卷積層利用卷積核矩陣得到特征向量矩陣;池化層對輸出的特征向量矩陣進(jìn)行特征選擇和信息過濾;全連接層將池化操作后的特征圖依次按行展開，輸入全連接網(wǎng)絡(luò)。輸出層將物體的中心坐標(biāo)、大小等特征進(jìn)行輸出。

2? 無人機(jī)信息處理建模分析

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)，將其應(yīng)用于無人機(jī)信息處理，具體建模過程如下：

2.1 模型建立

在無人機(jī)任務(wù)飛行時(shí)，傳感器采集任務(wù)信息，對任務(wù)信息進(jìn)行量化處理，利用卷積神經(jīng)網(wǎng)絡(luò)算法對量化數(shù)據(jù)進(jìn)行卷積、均值池化、全連接，提取信息特征，對信息特征進(jìn)行評估，輸出評估結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)在無人機(jī)系統(tǒng)中的應(yīng)用，從核心算法上解決了傳統(tǒng)的信息特征提取難、處理速度慢和誤碼率高等問題，進(jìn)一步加快了信息處理流程和速度[10]，提高了無人機(jī)信息處理的整體水平。

2.2 算法應(yīng)用

2.2.1 符號說明

2.2.2 卷積

設(shè)輸入采集的信息矩陣為

卷積核矩陣為

利用公式（1），對無人機(jī)輸入信息矩陣進(jìn)行卷積，設(shè)步長為1，不斷地移動卷積核矩陣，從而計(jì)算得到特征向量矩陣T：

由于卷積是一個(gè)線性操作，需要引入ReLU激活函數(shù)進(jìn)行非線性操作，從而更好的描述特征圖。由于無人機(jī)圖像傳感器的色道不同，需要設(shè)置不同的卷積核來提取不同的特征矩陣T，以描述不同色道特征[11]，本文采用的是三色道識別器進(jìn)行識別。因此，在算法中采用卷積核對輸入矩陣進(jìn)行特征提取，分別得到了三個(gè)特征向量矩陣T1，T2，T3，并對其進(jìn)行池化處理。

2.2.3 均值池化

池化有一個(gè)滑動的池化核矩陣，可以稱之為滑動窗口。設(shè)滑動窗口為2，移動步長為2，采取均值池化，從而降低數(shù)據(jù)量。

通過公式（2）求得池化矩陣各元素：

以步長為2，不斷移動池化核矩陣，通過公式（2）計(jì)算，得到矩陣P，即為所求的池化矩陣。對三個(gè)特征向量矩陣分別進(jìn)行池化操作，得到了三個(gè)池化矩陣P1，P2，P3，即為所求的降維特征向量矩陣。

2.2.4 全連接層

將經(jīng)過卷積和均值池化[12]的特征向量矩陣輸入全連接層。設(shè)該神經(jīng)網(wǎng)絡(luò)具有n層，每層m個(gè)神經(jīng)元，首先對各神經(jīng)元進(jìn)行權(quán)重初始化，得到一個(gè)隨機(jī)初始權(quán)重值數(shù)列D：

將第一組特征向量帶入神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，得到特征向量在每層神經(jīng)網(wǎng)絡(luò)中計(jì)算后的輸出參數(shù)的輸出誤差。

利用公式（3），得到各層總的輸出誤差er，其中L表示分類矩陣的維度。

利用誤差梯度下降法：

計(jì)算出數(shù)列D的變化量為：

利用公式（4）修正各層的神經(jīng)元參數(shù)，根據(jù)輸入的另一特征向量進(jìn)行訓(xùn)練，再根據(jù)公式（3）計(jì)算各層總誤差，再利用公式（4）重新對各層神經(jīng)元參數(shù)進(jìn)行修正。以此循環(huán)，直至誤差er達(dá)到所要求的目標(biāo)范圍內(nèi)，即er？燮0.001。

2.3 卷積計(jì)算

采用卷積神經(jīng)網(wǎng)絡(luò)算法對無人機(jī)采集的圖像數(shù)據(jù)進(jìn)行計(jì)算，計(jì)算流程如圖1所示，左區(qū)域的三個(gè)矩陣是原始圖像的輸入，RGB三個(gè)通道用三個(gè)矩陣表示。該算法的優(yōu)勢主要在于在矩陣邊緣加0，從而保證輸出圖像和輸入圖像大小一致，并保留邊緣信息，減少誤碼率。

卷積之后提取特征向量，對圖像進(jìn)行預(yù)處理，無人機(jī)對攝入的彩色圖像能夠進(jìn)行較快地運(yùn)算。針對圖像目標(biāo)，依次進(jìn)行低、中、高三個(gè)層次的處理，分別提取出低層次、中層次、高層次特征。通過不斷地提取和壓縮無人機(jī)圖像，最終得到更加穩(wěn)定可靠的高層次圖像特征，進(jìn)而便于無人機(jī)識別和分析目標(biāo)，做出有效決策判斷，優(yōu)化無人機(jī)信息處理能力。

3? 實(shí)例仿真

3.1 評估指標(biāo)選取

為了衡量卷積神經(jīng)網(wǎng)絡(luò)算法對信息處理能力的影響，構(gòu)建無人機(jī)信息處理評估指標(biāo)模型，采集、處理指標(biāo)數(shù)據(jù)樣本，進(jìn)行仿真運(yùn)算，并對相應(yīng)結(jié)果展開分析。

通過系統(tǒng)分析影響無人機(jī)信息處理能力的因素，建立以作戰(zhàn)運(yùn)用為主線的評估指標(biāo)。從信息處理流程的角度提取相關(guān)指標(biāo)，選取誤碼率、延時(shí)、容量、速度、精度和密度等六個(gè)指標(biāo)建立信息處理能力評估指標(biāo)體系[13]，如圖2所示。

3.2 樣本指標(biāo)采集及處理

運(yùn)用無人機(jī)信息處理樣本指標(biāo)來定量分析卷積神經(jīng)網(wǎng)絡(luò)算法的作用[14]，同時(shí)根據(jù)系統(tǒng)穩(wěn)定性，設(shè)置系統(tǒng)期望值，對整個(gè)系統(tǒng)狀態(tài)進(jìn)行評分，進(jìn)而分析卷積神經(jīng)網(wǎng)絡(luò)對整個(gè)系統(tǒng)的影響。

以某一地域無人機(jī)飛行數(shù)據(jù)為例，采樣4組飛行樣本進(jìn)行分析，如表2所示。

從表2中可以看出，信息處理能力樣本值比較模糊，無法清晰地衡量其對無人機(jī)信息處理能力的影響。

引入多元線性回歸函數(shù)[15]來定量分析無人機(jī)信息處理能力水平，對誤碼、時(shí)延、容量、速度、精度和密度等六個(gè)方面進(jìn)行回歸分析。回歸方程一般式為：

式（5）中，？茁為回歸方程的系數(shù)，表示相應(yīng)的指標(biāo)數(shù)據(jù)值，變量置信水平取0.05。

對表2中的樣本值進(jìn)行回歸分析，得到回歸方程為

從回歸方程中可以看出，信息處理能力與誤碼、速度、精度相關(guān)性較大，與時(shí)延、容量、密度相關(guān)性較小。由于樣本數(shù)量充足，置信度滿足要求，因此可以認(rèn)為該回歸方程符合一般情況。

3.3 仿真結(jié)果及分析

采用卷積神經(jīng)網(wǎng)絡(luò)算法，將采集信息參數(shù)進(jìn)行仿真，得到新的指標(biāo)評分參數(shù)。根據(jù)各維度新的指標(biāo)評分參數(shù)，進(jìn)一步分析卷積神經(jīng)網(wǎng)絡(luò)對無人機(jī)信息處理能力的影響。仿真結(jié)果及分析如圖3。

由圖3可以看出，經(jīng)卷積神經(jīng)網(wǎng)絡(luò)算法處理后，無人機(jī)信息處理能力的各項(xiàng)評估指標(biāo)均得到提升。

利用式（5）對卷積神經(jīng)網(wǎng)絡(luò)算法處理過的數(shù)值進(jìn)行檢驗(yàn)，并計(jì)算期望值和回歸仿真結(jié)果之間的絕對誤差和相對誤差，分析可行性和適用性，相應(yīng)的檢驗(yàn)結(jié)果如表3所示。

由圖4可以看出，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，無人機(jī)信息處理能力得到加強(qiáng)，對比期望輸出，回歸仿真結(jié)果有較大幅度的增加。由此可得，卷積神經(jīng)網(wǎng)絡(luò)算法對無人機(jī)信息處理能力具有明顯提升作用，適用于無人機(jī)信息處理。

4? 結(jié)語

信息處理是無人機(jī)技術(shù)發(fā)展的重要環(huán)節(jié)，提升信息處理能力將使無人機(jī)具有更高的戰(zhàn)斗效能。本文采用卷積神經(jīng)網(wǎng)絡(luò)算法對無人機(jī)信息處理能力進(jìn)行優(yōu)化研究，并選取評估指標(biāo)，構(gòu)建仿真模型對算法進(jìn)行驗(yàn)證。仿真結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)算法在無人機(jī)信息處理方面具有優(yōu)越性，有利于無人機(jī)信息處理能力水平的提升，對無人機(jī)整體作戰(zhàn)能力具有明顯促進(jìn)作用。

參考文獻(xiàn)：

[1]劉景宸.電子信息技術(shù)在無人機(jī)方面的應(yīng)用研究[J].數(shù)字通信世界，2018（11）.

[2]張維明.軍事信息技術(shù)及應(yīng)用[M].北京：國防工業(yè)出版社，2015.

[3]余旭初，張鵬強(qiáng)，于文率.無人飛行器序列影像處理與運(yùn)動分析[M].北京：科學(xué)出版社，2014.

[4]董培方.無人作戰(zhàn)移動平臺控制系統(tǒng)及路徑規(guī)劃算法研究[D].南京理工大學(xué)，2018.

[5]Ian Goodfellow， Yoshua Bengio， Aaron Courville. Deep learning [M]. Cambridge： MIT press， 2016.

[6]張慶輝，萬晨霞.卷積神經(jīng)網(wǎng)絡(luò)綜述[J].中原工學(xué)院學(xué)報(bào)，2017（03）.

[7]蔣承知，于起，葉文強(qiáng)，甘凇元.卷積神經(jīng)網(wǎng)絡(luò)算法的比較探究[J].電子技術(shù)與軟件工程，2017（07）.

[8]張陽，王艷正，司光亞.集群式電子戰(zhàn)無人機(jī)的OODA作戰(zhàn)環(huán)分析與建模[J].火力與指揮控制，2018（8）：31-36.

[9]張皓.高效精簡的卷積特征研究[D].南京大學(xué)，2019.

[10]陸健.基于深度學(xué)習(xí)的特定類別圖片識別研究[D].北京郵電大學(xué)，2018.

[11]Jiuxiang Gu， Zhenhua Wang， Jason Kuen， Lianyang Ma， Amir Shahroudy， Bing Shuai， Ting Liu， Xingxing Wang， Gang Wang， Jianfei Cai， Tsuhan Chen. Recent advances in convolutional neural networks[J]. Pattern Recognition， 2018（5）：354-377.

[12]劉萬軍，梁雪劍，曲海成.基于雙重優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)圖像識別算法[J].模式識別與人工智能，2016（9）：856-864.

[13]秦洪濤，孟相如，張景偉.基于CPSO的網(wǎng)絡(luò)化指揮信息系統(tǒng)效能評估[J].火力與指揮控制，2013（5）：121-128.

[14]孫華付.指揮信息系統(tǒng)效能評估方法[J].四川兵工學(xué)報(bào)，2012（5）：96-98.

[15]代亮，許宏科，陳婷，錢超，梁殿鵬.基于MapReduce的多元線性回歸預(yù)測模型[J].計(jì)算機(jī)應(yīng)用，2014（07）：1862-1866.