基于改进卷积神经网络的工频水下磁目标探测_田斌.pdf

第 卷 第期 年月探 测 与 控 制 学 报 收稿日期：作者简介：田斌（），男，湖北襄阳人，博士，教授。通信作者：杨超（），男，湖北武汉人，博士，讲师。基于改进卷积神经网络的工频水下磁目标探测田斌，李俊，杨超，李杨，文仕强（武汉工程大学电气信息学院，湖北 武汉 ）摘要：针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络（）与优化卷积神经网络（）相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用 进行数据增强，之后构建卷积神经网络并引入 动态激活函数对 网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了；相较于其他常用的静态激活函数，优化的 识别率分别提高了 、和 ，识别精度达到 。验证了该方法的有效性，为水下磁异常检测提供一种新思路。关键词：水下目标识别；深度卷积生成对抗网络；卷积神经网络；模式识别；工频磁场探测中图分类号：文献标志码：文章编号：（），（，）：（）（），；，：，引言水下目标探测是海洋开发与海上安全所需的关键技术之一。水下目标探测的方法有声探测、光学成像探测、雷达射频探测以及磁异常探测，等，其中声探测是目前水下目标探测最主要且最成熟的方法。但随着现代消音技术的发展，海洋环境噪声大幅提高，声探测面临目标辐射噪声与回波强度大幅降低、海洋环境水声效应影响显著等一系列的问题，亟需一种辅助或替代方法。由于海洋中异常目标的存在，会产生包括感应电磁场、源电磁场在内的多种物理场。目前尚无可以完全消除目标电磁特性的技术，因此磁探测作为非声探测技术中的一种重要手段在水下目标探测中呈现出越来越广阔的应用前景。随着深度学习技术的发展，卷积神经网络（，）也在水下目标检测与识别中广泛应用。基于卷积神经网络的水下目标探测研究多聚焦于水声探测，如用 提取舰船辐射噪声信号的 谱图来实现水下目标探测与高精度识别的方法；用更小的卷积核逐点提取水声信号的特征，实现端到端的目标自动识别方法 ；通过小波预处理与改进卷积的卷积神经网络实现探测 与高准 确率识 别的 水 声 目 标 识 别 方法 等。然而，基于工频磁场与卷积神经网络的水下目标探测仍有两方面难题亟待解决。一方面工频磁场水下目标探测研究尚处于试验阶段，已发表的文献多为软件仿真结果 。如用基于多特征融合的 检测磁异常信号，在低信噪比下仍有良好的检测性能；利用迁移学习下的 对地磁环境中的水下磁异常仿真信号识别，有较高的识别率。区别于地磁信号，实测工频磁信号受限于自身信号强度低，以及海洋中高动态变换非高斯特性噪声影响，易被淹没，导致特征工程难以开发，磁矢量定位困难。另一方面，水下目标信号数据采集难度大、花费高，难以收集到足量的数据用于模型训练。实测样本数据少，有目标和无目标两类数据结构不平衡造成识别精度低。信号特性与样本数据上的差异，使得现有基于 的水下目标探测与分类方法无法直接用于工频磁场水下目标探测。针对以上问题，本文提出基于深度卷积生成对抗 网 络（，）数据增强和 模型的工频磁场水下目标探测方法。基于深度学习的工频磁异常探测理论 工频磁场及探测机理工频磁场是由交流输变电设施产生的磁场，属于超低频电磁场，其频率为 ，波长 。世界上采用的高压输电网络一般为三相三线交流输电线，全球电网装机容量巨大。目前为止世界上的电网装机总量达到 亿千瓦以上，我国以及周边国家现有的高压输变用电网络能在周边海域产生分布均匀、可探测的工频磁场。水下铁磁性物体会使工频磁场分布发生改变，产生二次感应场的畸变扰动信号，此畸变扰动信号（即磁异常信号）可通过大气、海水等介质进行传播，捕捉该信号可实现水下铁磁性目标的探测。基于工频磁场的水下磁异常信号属于微弱信号，且易受温度、风速、雷雨等环境因素影响，具有强非线性与非平稳性。工频磁扰动信号具有低信噪比、识别难度大等特点，深度学习理论可以摆脱信号识别中特征提取方法的依赖，极大地降低噪声的影响，因此采用深度学习的识别方法具有重大意义。卷积神经网络理论 世纪 年代，卷积神经网络方法就已经被提出。随着深度学习理论的发展和数值计算设备的改进，卷积神经网络也得到了高速发展，并被广泛应用于各个领域。典型的卷积神经网络结构包含卷积层、池化层、全连接层等。）卷积层卷积层是卷积神经网络的核心，通过卷积核可以从输入中提取信号特征从而形成特征图像。若卷积层的输入为，卷积核为，则单次卷积输出为，（，）（，）（，）（），（）式（）中，为卷积核大小，和为卷积核在输入图像上所处的位置，为偏置项，为激活函数。）池化层池化层也称为降采样层，用于在卷积层之后对特征参数进行降维，从而降低神经网络的模型大小和网络参数，提高运算速度。池化层主要的两种方法分别是最大池化（）和平均池化（）。）全连接层全连接层的作用是对提取的特征进行非线性组合以得到输出，经过卷积和池化处理后的特征矩阵，采用全连接的方式将图像矩阵排列成一维数组的形式输出，从而完成分类。水下磁异常目标检测方法区别于传统的磁异常检测通过标量正交基函数田斌等：基于改进卷积神经网络的工频水下磁目标探测检测器用磁梯度信息来进行目标探测与定位的方法 。本文提出一种基于 数据增强与 分类的检测方法。该方法框架如图所示，由预处理、数据强化、信号分类三个部分组成。数据预处理将信号从一维时域转化到二维图像；把二维信号图像划分为训练集和测试集；数据强化利用 的生成器生成数据集中样本较少的目标信号，解决数据集样本不足的问题，即对较少的样本数据进行增强，得到数据量平衡的训练集；信号分类即将原始样本的训练集和经过增强的训练集图像输入到 中训练，最终利用经过训练的卷积神经网络模型对测试集进行分类识别。图磁异常信号检测方法框架 时域信号的二维转化本文采用将水下时域信号转换为二维灰度值图片的方法进行特征提取。二维图像是一维数据的同步转换，将时域中的磁场强度、时间变化等信息转化为与其一一对应的像素值，保留了信号的全部特征。二维图像转化过程如图所示。图时域信号到图像的转化过程 步骤）窗口截取。利用滑动窗口取值，在含有目标的信号上随机截取，设定截取窗口大小为，表示每次以为单位长度进行取值，每次取值完成后，窗口向后滑动个单位长度，保证，最后得到大小的图像；步骤）信号组合。将步骤）中的目标信号片段组合，得到一条的信号序列，每条序列的强度为（），其中，；步骤）图像转化。将步骤）中的目标信号序列，根据公式转化为灰度图：（，）（）（）（）（），（）式（）中，为取整函数，将转变的图像像素归一化至 。样本增强本文在已有的实测信号基础上，使用 生成新的信号样本，作为卷积神经网络的数据支撑。主要包含生成器与判别器两个网络结构，通过 生成样本数据方法如图所示。图 模型 训练过程如下：）构造生成器和判别器，冻结生成器通过损失函数训练判别器网络，更新参数 （）（），（）（），（）式中，为学习率。）冻结判别器，训练生成器（），（）（）。（）反复训练生成器和判别器，经过多轮的生成对抗训练，最终达到纳什均衡，生成逼近真实数据的样本。原始的模型并不稳定，存在梯度消失、模式崩溃等问题，而 将 和 相结合，用卷积和去卷积代替池化层，去掉了全连接层，使用了全局池化，并在 网络和 网络中都添加了批标准化（，）操作，极大地提探 测 与 控 制 学 报升了 训练的稳定性和输出数据的质量。引入动态激活函数建立 模型 在目标检测、语音识别、图像识别等众多领域都有着出色的表现，随着深度学习的不断拓展，也成为众多学者首选的神经网络模型。激活函数对 有着十分重要的作用，能将神经元的输入映射到输出端。文献 提出在 中使用 作为激活函数，加快了模型收敛的同时也解决了梯度消失的问题，提高了模型的鲁棒性。不少学者也通过不断地改进 激活 函 数 来 优 化 神 经 网 络，例 如：、等。但是 和其众多衍生版本的参数调整都是静态的，伴随着参数的增加，容易出现过拟合的情况。本文以 网络结构为基础，引入动态激活函数 ，提出一种优化的 模型，并且为了加快收敛，将每个卷积层的卷积核个数减半，优化后的网络结构如图所示。图 模型结构 激活函数在神经网络中的应用，增加了网络模型的非线性，可以将当前特征空间通过一定的线性关系映射到另一个空间，更利于数据分类。是一种动态激活函数，该激活函数可以根据不同数据集确定最优的 函数参数。（）（），（）（），。（）动态激活函数包含（），（）（）两个函数，其中线性系数（，）为辅助函数（）的输出，用于计算激活函数的参数；激活函数（）（）由辅助函数生成，用于计算输入的激活输出。这种数据依赖性使得 在没有增加网络的深度和宽度的情况下，只需要引入极少的参数就可以大大增加模型的图像处理能力。实验验证及结果分析 实验数据采集实验数据采集点位于我国东部沿海城市黄海海域，在岸基处分别放置两台三轴感应式传感器，一台磁通门传感器，其中磁通门传感器以地磁信号为基准作为目标标定，感应式传感器用于测量工频频段水下目标。传感器采样率 ，定位数据采用惯性导航系统实施动态差分。水下目标为无人潜航器，下潜深度，离岸距离 。为了更好地实现工频环境下的电磁探测，在岸基处还放置了一个 的灯泡作为用电负载，模拟一个微型的电力系统，家用灯泡一般为 ，本实验选择功率更大的负载，电压恒定，用电设备的功率越大，线路中通过的电流也就越大，产生的磁场越强。在给灯泡供电的过程中，由于 输电线路中存在 交变电流流通，产生了 的工频磁场，增强了工频背景场的信号强度。在模拟的电力系统和变电站、城市电网输电线等所产生的工频磁场的叠加作用下，实验地点实测工频信号强度达到 左右。目标及传感器布位如图所示。两种传感器的同步测量数据如图所示。图传感器布位图 田斌等：基于改进卷积神经网络的工频水下磁目标探测图两种传感器同步测量时域图 数据集构建根据实测的水下目标数据，将信号截取并转换成 格式的二维图。两种不同状态的二维图转化如图所示。图两种状态的时域信号转化二维图像 从图可以看出，有目标的信号和无目标的信号转换成图像后，差异并不明显。由于工频磁异常信号为弱磁信号，实测数据的幅值变化非常小，并且还包含着磁探设备自身的噪声以及强度较高的背景场等干扰，目标信号往往被淹没在这些复杂的噪声成分中。原始数据由上述方法转换后一共获得 张图像，其中有目标 张，无目标 张。将两种数据中各取 张作为测试集，剩下的作为训练集，并打上标签，代表有目标，代表无目标。具体结构如表所示。表数据集介绍 数据类型有目标无目标训练集 测试集 数据增强实际测量中，由于无目标的数据量远远高于有目标的，在神经网络的训练中，这种倾斜的数据结构极易造成检测结果的偏移。本文使用 进行数据增强来解决此样本分布不均的问题。模型中生成器网络和判别器网络都有层。生成器网络的输入层为带 激活的线性层，然后是个带有 激活的反卷积层，最后一层输出层为带 激活的反卷积层。判别器包括个带有 激活的卷积层和最后一个带有 激活的线性层组成。学习率为 。将数据集中有目标的数据作为 的输入，由 经过多轮的迭代后生成 张有目标的数据图像，扩充后的图像如图所示。图由 扩充的样本图像 将新获得的 张有目标的图像，加入到数据集中，记为数据集。有目标的数据达到了 张，与无目标的数据量相等。表数据增强后的数据集 数据类型有目标无目标训练集 测试集 数据增强后的识别率比较分别对原始样本和增强样本训练，测试 在低样本下的识别精度和数据强化后的识别精度，实验结果如表所示。表数据增强前后准确率对比 训练集测试集识别精度 探 测 与 控 制 学 报由表可知，在使用原始样本为训练集，以为测试集，识别率为 ；经过数据增广后，将作为训练集时，以为测试集，识别率为 ，相比没有增广时，识别精度提高了 。不同激活函数下模型性能评估在增广数据集下将 与 中其他常用的激活函数效果进行对比。本实验为二分类问题，因此以准确率、两个指标作为模型的评价标准。准确率能较直观地反映模型的识别精度，越大代表模型性能越好，具体数据如表所示。不同激活函数的 曲线如图所示