基于改進卷積神經(jīng)網(wǎng)絡的工頻水下磁目標探測

田 斌，李 俊，楊 超，李 楊，文仕強

(武漢工程大學電氣信息學院，湖北 武漢 430205)

0 引言

水下目標探測是海洋開發(fā)與海上安全所需的關(guān)鍵技術(shù)之一。 水下目標探測的方法有聲探測[1-2]、光學成像探測[3]、雷達射頻探測[4]以及磁異常探測[2,5]等，其中聲探測是目前水下目標探測最主要且最成熟的方法。但隨著現(xiàn)代消音技術(shù)的發(fā)展，海洋環(huán)境噪聲大幅提高，聲探測面臨目標輻射噪聲與回波強度大幅降低、海洋環(huán)境水聲效應影響顯著等一系列的問題[6]，亟需一種輔助或替代方法。由于海洋中異常目標的存在，會產(chǎn)生包括感應電磁場、源電磁場在內(nèi)的多種物理場[7]。目前尚無可以完全消除目標電磁特性的技術(shù)，因此磁探測作為非聲探測技術(shù)中的一種重要手段在水下目標探測中呈現(xiàn)出越來越廣闊的應用前景[8]。

隨著深度學習技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)也在水下目標檢測與識別中廣泛應用。基于卷積神經(jīng)網(wǎng)絡的水下目標探測研究多聚焦于水聲探測，如用CNN提取艦船輻射噪聲信號的LOFAR譜圖來實現(xiàn)水下目標探測與高精度識別的方法[9]；用更小的卷積核逐點提取水聲信號的特征，實現(xiàn)端到端的目標自動識別方法[10-11]；通過小波預處理與改進卷積的卷積神經(jīng)網(wǎng)絡實現(xiàn)探測與高準確率識別的水聲目標識別方法[12]等。

然而，基于工頻磁場與卷積神經(jīng)網(wǎng)絡的水下目標探測仍有兩方面難題亟待解決。一方面工頻磁場水下目標探測研究尚處于試驗階段，已發(fā)表的文獻多為軟件仿真結(jié)果[13-14]。如用基于多特征融合的CNN檢測磁異常信號，在低信噪比下仍有良好的檢測性能[15]；利用遷移學習下的CNN對地磁環(huán)境中的水下磁異常仿真信號識別，有較高的識別率[16]。區(qū)別于地磁信號，實測工頻磁信號受限于自身信號強度低，以及海洋中高動態(tài)變換非高斯特性噪聲影響，易被淹沒，導致特征工程難以開發(fā)，磁矢量定位困難。另一方面，水下目標信號數(shù)據(jù)采集難度大、花費高，難以收集到足量的數(shù)據(jù)用于模型訓練。實測樣本數(shù)據(jù)少，有目標和無目標兩類數(shù)據(jù)結(jié)構(gòu)不平衡造成識別精度低。信號特性與樣本數(shù)據(jù)上的差異，使得現(xiàn)有基于CNN的水下目標探測與分類方法無法直接用于工頻磁場水下目標探測。

針對以上問題，本文提出基于深度卷積生成對抗網(wǎng)絡(deep convolutional genertive adversarial network, DCGAN)數(shù)據(jù)增強和DY-CNN模型的工頻磁場水下目標探測方法。

1 基于深度學習的工頻磁異常探測理論

1.1 工頻磁場及探測機理

工頻磁場是由交流輸變電設施產(chǎn)生的磁場，屬于超低頻電磁場，其頻率為50 Hz，波長6 000 km。世界上采用的高壓輸電網(wǎng)絡一般為三相三線交流輸電線，全球電網(wǎng)裝機容量巨大。目前為止世界上的電網(wǎng)裝機總量達到70億千瓦以上，我國以及周邊國家現(xiàn)有的高壓輸/變/用電網(wǎng)絡能在周邊海域產(chǎn)生分布均勻、可探測的工頻磁場[6]。水下鐵磁性物體會使工頻磁場分布發(fā)生改變，產(chǎn)生二次感應場的畸變擾動信號，此畸變擾動信號(即磁異常信號)可通過大氣、海水等介質(zhì)進行傳播，捕捉該信號可實現(xiàn)水下鐵磁性目標的探測。

基于工頻磁場的水下磁異常信號屬于微弱信號，且易受溫度、風速、雷雨等環(huán)境因素影響，具有強非線性與非平穩(wěn)性[17]。工頻磁擾動信號具有低信噪比、識別難度大等特點，深度學習理論可以擺脫信號識別中特征提取方法的依賴，極大地降低噪聲的影響，因此采用深度學習的識別方法具有重大意義。

1.2 卷積神經(jīng)網(wǎng)絡理論

20世紀80年代，卷積神經(jīng)網(wǎng)絡方法就已經(jīng)被提出。隨著深度學習理論的發(fā)展和數(shù)值計算設備的改進，卷積神經(jīng)網(wǎng)絡也得到了高速發(fā)展，并被廣泛應用于各個領域。典型的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)包含卷積層、池化層、全連接層等。

1) 卷積層

卷積層是卷積神經(jīng)網(wǎng)絡的核心，通過卷積核可以從輸入中提取信號特征從而形成特征圖像。若卷積層的輸入為X，卷積核為k，則單次卷積輸出y為

(1)

式(1)中，σ為卷積核大小，l1和l2為卷積核在輸入圖像上所處的位置，b為偏置項，f為激活函數(shù)。

2) 池化層

池化層也稱為降采樣層，用于在卷積層之后對特征參數(shù)進行降維，從而降低神經(jīng)網(wǎng)絡的模型大小和網(wǎng)絡參數(shù)，提高運算速度。池化層主要的兩種方法分別是最大池化(max-pooling)和平均池化(average-pooling)。

3) 全連接層

全連接層的作用是對提取的特征進行非線性組合以得到輸出，經(jīng)過卷積和池化處理后的特征矩陣，采用全連接的方式將圖像矩陣排列成一維數(shù)組的形式輸出，從而完成分類。

2 DCGAN_CNN水下磁異常目標檢測方法

區(qū)別于傳統(tǒng)的磁異常檢測通過標量正交基函數(shù)檢測器用磁梯度信息來進行目標探測與定位的方法[18-19]。本文提出一種基于DCGAN數(shù)據(jù)增強與CNN分類的檢測方法。該方法框架如圖1所示，由預處理、數(shù)據(jù)強化、信號分類三個部分組成。數(shù)據(jù)預處理將信號從一維時域轉(zhuǎn)化到二維圖像；把二維信號圖像劃分為訓練集和測試集；數(shù)據(jù)強化利用DCGAN的生成器生成數(shù)據(jù)集中樣本較少的目標信號，解決數(shù)據(jù)集樣本不足的問題，即對較少的樣本數(shù)據(jù)進行增強，得到數(shù)據(jù)量平衡的訓練集；信號分類即將原始樣本的訓練集和經(jīng)過增強的訓練集圖像輸入到CNN中訓練，最終利用經(jīng)過訓練的卷積神經(jīng)網(wǎng)絡模型對測試集進行分類識別。

圖1 磁異常信號檢測方法框架Fig.1 Framework of magnetic anomaly signal detection method

2.1 時域信號的二維轉(zhuǎn)化

本文采用將水下時域信號轉(zhuǎn)換為二維灰度值圖片的方法進行特征提取。二維圖像是一維數(shù)據(jù)的同步轉(zhuǎn)換，將時域中的磁場強度、時間變化等信息轉(zhuǎn)化為與其一一對應的像素值，保留了信號的全部特征。二維圖像轉(zhuǎn)化過程如圖2所示。

圖2 時域信號到圖像的轉(zhuǎn)化過程Fig.2 Time-domain signal to image transition process

步驟1)窗口截取。利用滑動窗口取值，在含有目標的信號上隨機截取，設定截取窗口大小為M，表示每次以M為單位長度進行取值，每次取值完成后，窗口向后滑動N個單位長度，保證N≥M，最后得到M×M大小的圖像；

步驟2)信號組合。將步驟1)中的目標信號片段組合，得到一條M×M的信號序列，每條序列的強度為L(k)，其中k=1,2,3，…，M×M；

步驟3)圖像轉(zhuǎn)化。將步驟2)中的目標信號序列，根據(jù)公式轉(zhuǎn)化為灰度圖：

(2)

式(2)中，round{·}為取整函數(shù)，將轉(zhuǎn)變的圖像像素歸一化至0～255。

2.2 DCGAN樣本增強

本文在已有的實測信號基礎上，使用DCGAN生成新的信號樣本，作為卷積神經(jīng)網(wǎng)絡的數(shù)據(jù)支撐。GAN主要包含生成器G與判別器D兩個網(wǎng)絡結(jié)構(gòu)，通過DCGAN生成樣本數(shù)據(jù)方法如圖3所示。

圖3 DCGAN模型Fig.3 DCGAN models

DCGAN訓練過程如下：

1)構(gòu)造生成器和判別器，凍結(jié)生成器通過損失函數(shù)訓練判別器網(wǎng)絡，更新參數(shù)

(3)

θd←θd+η?Vd(θd)，

(4)

式中，η為學習率。

2)凍結(jié)判別器，訓練生成器

(5)

θg←θg+η?VG(θg)。

(6)

3) 反復訓練生成器和判別器，經(jīng)過多輪的生成對抗訓練，最終達到納什均衡，生成逼近真實數(shù)據(jù)的樣本。

原始的GAN模型并不穩(wěn)定，存在梯度消失、模式崩潰等問題，而DCGAN將GAN和CNN相結(jié)合，用卷積和去卷積代替池化層，去掉了全連接層，使用了全局池化，并在D網(wǎng)絡和G網(wǎng)絡中都添加了批標準化(batch normalization,BN)操作，極大地提升了GAN訓練的穩(wěn)定性和輸出數(shù)據(jù)的質(zhì)量。

2.3 引入動態(tài)激活函數(shù)建立DY-CNN模型

AlexNet在目標檢測、語音識別、圖像識別等眾多領域都有著出色的表現(xiàn)，隨著深度學習的不斷拓展，AlexNet也成為眾多學者首選的神經(jīng)網(wǎng)絡模型[12]。激活函數(shù)對CNN有著十分重要的作用，能將神經(jīng)元的輸入映射到輸出端。文獻[20]提出在CNN中使用ReLU作為激活函數(shù)，加快了模型收斂的同時也解決了梯度消失的問題，提高了模型的魯棒性。不少學者也通過不斷地改進ReLU激活函數(shù)來優(yōu)化神經(jīng)網(wǎng)絡，例如：LReLU、ELU等[21]。但是ReLU和其眾多衍生版本的參數(shù)調(diào)整都是靜態(tài)的，伴隨著參數(shù)的增加，容易出現(xiàn)過擬合的情況。

本文以AlexNet網(wǎng)絡結(jié)構(gòu)為基礎，引入動態(tài)激活函數(shù)DY-ReLU，提出一種優(yōu)化的DY-CNN模型，并且為了加快收斂，將每個卷積層的卷積核個數(shù)減半，優(yōu)化后的網(wǎng)絡結(jié)構(gòu)如圖4所示。

圖4 DY-CNN模型結(jié)構(gòu)Fig.4 DY-CNN model structure

激活函數(shù)在神經(jīng)網(wǎng)絡中的應用，增加了網(wǎng)絡模型的非線性，可以將當前特征空間通過一定的線性關(guān)系映射到另一個空間，更利于數(shù)據(jù)分類。

DY-ReLU是一種動態(tài)激活函數(shù)，該激活函數(shù)可以根據(jù)不同數(shù)據(jù)集確定最優(yōu)的ReLU函數(shù)參數(shù)。

(7)

(8)

3 實驗驗證及結(jié)果分析

3.1 實驗數(shù)據(jù)采集

實驗數(shù)據(jù)采集點位于我國東部沿海城市黃海海域，在岸基處分別放置兩臺三軸感應式傳感器，一臺磁通門傳感器，其中磁通門傳感器以地磁信號為基準作為目標標定，感應式傳感器用于測量工頻頻段水下目標。傳感器采樣率3 000 Hz，定位數(shù)據(jù)采用慣性導航系統(tǒng)實施動態(tài)差分。水下目標為無人潛航器，下潛深度3 m，離岸距離CPA=30 m。為了更好地實現(xiàn)工頻環(huán)境下的電磁探測，在岸基處還放置了一個100 W的燈泡作為用電負載，模擬一個微型的電力系統(tǒng)，家用燈泡一般為50 W，本實驗選擇功率更大的負載，電壓恒定，用電設備的功率越大，線路中通過的電流也就越大，產(chǎn)生的磁場越強。在給燈泡供電的過程中，由于220 V輸電線路中存在50 Hz交變電流流通，產(chǎn)生了50 Hz的工頻磁場，增強了工頻背景場的信號強度。在模擬的電力系統(tǒng)和變電站、城市電網(wǎng)輸電線等所產(chǎn)生的工頻磁場的疊加作用下，實驗地點實測工頻信號強度達到18 nT左右。目標及傳感器布位如圖5所示。兩種傳感器的同步測量數(shù)據(jù)如圖6所示。

圖5 傳感器布位圖Fig.5 Sensor layout

圖6 兩種傳感器同步測量時域圖Fig.6 Time domain diagram of two sensors synchronously measured

3.2 數(shù)據(jù)集構(gòu)建

根據(jù)實測的水下目標數(shù)據(jù)，將信號截取并轉(zhuǎn)換成64×64格式的二維圖。兩種不同狀態(tài)的二維圖轉(zhuǎn)化如圖7所示。

圖7 兩種狀態(tài)的時域信號轉(zhuǎn)化二維圖像Fig.7 Two state time-domain signal transformation into two-dimensional image

從圖7可以看出，有目標的信號和無目標的信號轉(zhuǎn)換成圖像后，差異并不明顯。由于工頻磁異常信號為弱磁信號，實測數(shù)據(jù)的幅值變化非常小，并且還包含著磁探設備自身的噪聲以及強度較高的背景場等干擾，目標信號往往被淹沒在這些復雜的噪聲成分中。

原始數(shù)據(jù)由上述方法轉(zhuǎn)換后一共獲得1 500張圖像，其中有目標500張，無目標1 000張。將兩種數(shù)據(jù)中各取100張作為測試集M2，剩下的作為訓練集M1，并打上標簽，1代表有目標，0代表無目標。具體結(jié)構(gòu)如表1所示。

表1 數(shù)據(jù)集介紹Tab.1 Dataset introduction

3.3 數(shù)據(jù)增強

實際測量中，由于無目標的數(shù)據(jù)量遠遠高于有目標的，在神經(jīng)網(wǎng)絡的訓練中，這種傾斜的數(shù)據(jù)結(jié)構(gòu)極易造成檢測結(jié)果的偏移。本文使用DCGAN進行數(shù)據(jù)增強來解決此樣本分布不均的問題。

DCGAN模型中生成器網(wǎng)絡和判別器網(wǎng)絡都有5層。生成器網(wǎng)絡的輸入層為帶ReLU激活的線性層，然后是3個帶有ReLU激活的反卷積層，最后一層輸出層為帶tanh激活的反卷積層。判別器包括4個帶有LeakyReLU激活的卷積層和最后一個帶有sigmoid激活的線性層組成。學習率為0.000 2。將數(shù)據(jù)集M1中有目標的數(shù)據(jù)作為DCGAN的輸入，由DCGAN經(jīng)過多輪的迭代后生成500張有目標的數(shù)據(jù)圖像，擴充后的圖像如圖8所示。

圖8 由DCGAN擴充的樣本圖像Fig.8 Sample images augmented by DCGAN

將新獲得的500張有目標的圖像，加入到數(shù)據(jù)集M1中，記為數(shù)據(jù)集M3。有目標的數(shù)據(jù)達到了900張，與無目標的數(shù)據(jù)量相等。

表2 數(shù)據(jù)增強后的數(shù)據(jù)集Tab.2 Data augmented dataset

3.4 數(shù)據(jù)增強后的識別率比較

分別對原始樣本和增強樣本訓練，測試DY-CNN在低樣本下的識別精度和數(shù)據(jù)強化后的識別精度，實驗結(jié)果如表3所示。

表3 數(shù)據(jù)增強前后準確率對比Tab.3 Accuracy comparison before and after data enhancement

由表3可知，在使用原始樣本M1為訓練集，以M2為測試集，DY-CNN識別率為82.5%；經(jīng)過數(shù)據(jù)增廣后，將M3作為訓練集時，以M2為測試集，識別率為92.5%，相比沒有增廣時，識別精度提高了10%。

3.5 不同激活函數(shù)下模型性能評估

在增廣數(shù)據(jù)集下將DY-CNN與CNN中其他常用的激活函數(shù)效果進行對比。本實驗為二分類問題，因此以準確率、F1-score兩個指標作為模型的評價標準。準確率能較直觀地反映模型的識別精度，F(xiàn)1越大代表模型性能越好，具體數(shù)據(jù)如表4所示。不同激活函數(shù)的loss曲線如圖9所示，loss值反映了預測值和真實值的距離，loss值隨著迭代次數(shù)的增加而逐漸收斂，代表模型也逐漸優(yōu)化到最佳。

表4 DY-CNN與其他激活函數(shù)性能對比Tab.4 Performance comparison of DY-CNN and other activation functions

圖9 不同激活函數(shù)的loss曲線Fig.9 Loss curves of different activation functions

由表4可知，引入了DY-Relu的網(wǎng)絡模型的準確率比ReLU、LReLU、PReLU和ELU模型分別高出4.5%、4%、3%和2.5%；DY-Relu的網(wǎng)絡模型的F1-score比ReLU、LReLU、PReLU和ELU模型分別高出5%、4%、1%和2%。

4 結(jié)論

本文將水下目標的一維時域信號轉(zhuǎn)換到二維圖像，利用DCGAN將有限的數(shù)據(jù)樣本進行擴充，一定程度上解決了由樣本數(shù)據(jù)傾斜造成的識別率偏低的問題。同時將動態(tài)激活函數(shù)DY-ReLU引入到CNN結(jié)構(gòu)中進行優(yōu)化，從而有效地提升了工頻磁場環(huán)境下的水下目標識別精度。使用樣本增強的DY-CNN相較于小樣本下的識別率提升了10%，識別率達到92.5%；引入了動態(tài)激活函數(shù)的CNN模型無論在識別率還是在克服模型偏移方面，都比傳統(tǒng)使用靜態(tài)激活函數(shù)的CNN模型更加優(yōu)秀。然而工頻磁場作為一種全新的磁探技術(shù)，其探測理論還需要進一步的完善，以緩解目標信號特征提取困難的局面。