王 蕾

（杭州應用聲學研究所 杭州 310023）

基于深度學習的聲納智能化顯控設計方法?

王 蕾

（杭州應用聲學研究所 杭州 310023）

聲納顯控的智能化能降低聲納使用者的操作難度，提高聲納使用效率，在實戰(zhàn)中具有重要意義。在具備可擴展性的聲納顯控開發(fā)平臺下，基于Tensorflow的深度學習框架，論文提出了一種智能化聲納顯控設計的方法，給出了相應的可行性分析，具有一定的應用前景。

聲納；顯控設計；深度學習；Tensorflow

1 引言

聲納顯控臺作為聲納系統(tǒng)的重要組成部分，是聲納使用者人機交互的主要工具，目前，相對開放的聲納顯控軟件平臺使得聲納顯控軟件基本具備了軟件的重用性、可擴展性和可維護性［1］。然而，隨著聲納技術的發(fā)展，聲納的控制參數及顯示輸出信息的種類、數量及復雜度都在相應增大，在實用中聲納操作難度也會相應增加。本文提出的智能聲納顯控設計就是在充分利用聲納信息的前提下，基于聲納使用人機交互訓練過程，在Tensorflow深度學習框架下，使顯控軟件能半自主或自主地達到最優(yōu)的控制參數設置和最佳的界面顯示，從而實現高效的聲納智能化使用。聲納顯控兩個主要功能就是聲納信息匯總顯示與聲納系統(tǒng)參數控制，常用的聲納顯控軟件設計主要考慮人機交互的操作實時性及可靠性，僅包含了基本顯示與控制功能，而且一般采用集成式的設計［2～3］。對于前沿的聲納系統(tǒng)，聲納信息處理的輸入和輸出不僅種類繁多，而且數量龐大，對于顯控設計者而言，需要將聲納信息的處理演變?yōu)檫吙刂?邊存儲-邊分類、分層顯示。在基于對信息分層和分類的前提下，可以通過兩種方式來提高聲納使用效率，一種是基于專家知識系統(tǒng)來引導聲納使用者，該方法實現相對容易，但不具備自主學習能力，需要人為補充知識庫；另一種是在使用過程中的數據訓練，通過深度學習算法使得聲納顯控的控制操作和顯示逐步自主化、智能化。本文傾向與采用深度學習方法來設計聲納智能化顯控系統(tǒng)，首先介紹了深度學習的基本概念和框架，同時介紹了聲納顯控系統(tǒng)的神經網絡建模，接著給出了基于深度學習框架Tensorflow進行聲納顯控設計的思路與解決方法，最后對目前存在的問題進行了分析總結，確定了接下來進一步的研究重點。

2 深度學習框架與聲納顯控系統(tǒng)簡述

深度學習算法通過提取不同層次的特征來對抽象知識進行歸納，具備從數據訓練中進行學習的能力。早期的深度學習更多借鑒了神經科學的生物表征，因此通常引用神經網絡模型，類似于仿生機器學習，現代的深度學習依托于高速計算能力的計算硬件、更先進算法以及更廣泛的訓練數據的發(fā)展。

深度學習主要包含兩個過程：前向傳播和反向傳播。前向傳播是通過在每一層隱藏單元的傳播過程中提取輸入信息，得到輸出，基于訓練過程可以得到一個預期的輸出結果，從而可以基于信息度量準則（如交叉熵、均方誤差）產生損失函數；反向傳播可以通過損失函數的信息通過網絡向后流動，通過反饋的方式來計算梯度，優(yōu)化模型參量［4］。

2.1 聲納顯控系統(tǒng)的神經網絡建模

聲納顯控系統(tǒng)不僅僅是一個數據傳輸與界面構成的終端顯示，對于一個聲納使用者而言，眾多與聲納使用相關的參數及聲納信息都會在這個終端匯聚，隨著聲納技術的發(fā)展，對聲納的使用也變得愈加復雜，因而顯控的智能化會大大提高聲納使用者的效率，減輕其任務負擔，使聲納在實戰(zhàn)應用中變得更可靠。智能聲納顯控就是一種具有學習能力的顯示與控制系統(tǒng)，智能化的體現就是機器學習。目前實現該功能的途徑有兩條，可以依賴專家知識庫的方法［5］，通過一個if-then的專家系統(tǒng)來實現，但是該方法只能被設定規(guī)則，而不能適應規(guī)則和預測，所以本文更傾向于另一種方法，即通過建立深度神經網絡來構造一個具有深度學習能力的聲納顯控系統(tǒng)［6～7］。例如：對于一個包含兩個參量（類似于基陣、陣段、景深、頻帶、算法）輸入的例子，其組合形式對于特定環(huán)境下的聲納信息分層提取的性能是各不相同的，因而每一種組合具有對應的信息權重［8］，所以可以如圖1構建一個簡單的4層前向神經網絡，包含輸入層X，第一隱藏層a，第二隱藏層b及輸出層Y，各層之間的不同節(jié)點鏈接都用權重表示。

神經網絡本質上是一個優(yōu)化問題，對于聲納顯控使用者而言，他在使用過程中可以不斷積累經驗，甚至舉一反三，提高使用效率，這也是一個不斷自我完善和優(yōu)化的過程。設計智能顯控的一個原理上的關鍵步驟就是要設定好損失函數，因為損失函數就描述了神經網絡需要優(yōu)化的目標［9～11］。針對分層特性的聲納信息：寬帶輸出方位信噪比及跟蹤關聯結果-窄帶特征線譜-單波束調制譜-單波束收聽信號等等，在一定輸入情形下，每一層信息的表示形式不同，但各層之間具有一定的先后依賴關系，對于顯控使用者而言，其對顯控輸出的這些信息進行綜合判斷，從而給出最佳決策。然而在深度學習的范疇下，顯控輸入的控制參數及顯示輸出的結果均要構成分布式的神經網絡輸入，可以使用常用的交叉熵作為損失函數，通過聲納使用者在使用過程中給出的數據累計訓練，使聲納顯控的控制參數通過權重分配實現簡約化，聲納的輸出布局實現最佳顯示，甚至具有自主鑒別聲納目標能力。

圖1 聲納顯控系統(tǒng)神經網絡結構圖

2.2 深度學習框架

目前主流的深度學習框架有Tensorflow、Caffe、Theano、Torch等［12～13］，綜合考慮算法庫的完備性、支持語言的通用性、對不同硬件架構及接口的兼容性以及計算效率等多方面因素，最終選擇了綜合優(yōu)勢最佳的Tensorflow深度學習框架。

Tensorflow可以方便地部署到各種平臺，簡化了在聲納顯控系統(tǒng)中應用深度學習的難度。除此之外，Tensorflow能夠通過單機模式和分布式模式來實現，單機模式就是將客戶端（client）、主端（master）及苦力（worker）全部在一臺機器上的同一個進程中實現，分布式模式允許上述三個組件在不同機器的不同進程中，每一個worker可以連接多個硬件設備，同時由集群調度系統(tǒng)統(tǒng)一管理各項任務。顯然，對于未來升級和擴展需求，具備兼容性的軟、硬件框架，分布式模式更加符合這一發(fā)展的需求。

圖2 Tensorflow分布模式

3 嵌入Tensorflow的聲納顯控設計

智能聲納顯控設計應當滿足三種選擇：自主、半自主、人工；自主或半自主功能的實現需要嵌入Tensorflow，設定好其輸入及各隱層及損失函數，進行一定的數據流上的完善就能在功能上實現了［13］。如圖3給出了一個設計好的具有三個隱層的Tensorflow可視化計算圖。

圖3 Tensorflow可視化計算圖

如2.2節(jié)所述，Tensorflow的一個有利條件便是其具有在語言、操作系統(tǒng)平臺及硬件上的兼容開放性，所以在聲納顯控設計中嵌入Tensorflow的途徑也很多。然而需要注意的是，Tensorflow也并非一個即插即用的插件，如果構建這樣一個深度學習框架，在顯控軟件架構設計上需要投入大量的精力，而且為了滿足實時高效的處理能力，需要滿足與之配套的硬件條件。

在搭建好深度學習的軟件和硬件架構的基礎上，與當前顯控平臺進行合并，需要解釋兩個問題：1）基于當前的顯控臺需要給深度學習什么樣的輸入；2）深度學習輸出什么樣的信息給顯控。深度學習模塊的輸入應當是人工控制的命令表及與之對應的聲納信息，而且由于輸入數據的種類和數量均比較多，所以需要對其進行降維和壓縮。經過訓練且具備一定辨識能力后的深度學習模塊輸出的應當是可以輔助或者代替人工的最佳決策表及最佳的顯示分布。

圖4 智能顯控系統(tǒng)的示意圖

4 結語

本文針對當前聲納使用的需求，期望通過具有自主學習的辦法來提高聲納使用效率，提出了一種通過深度學習算法來實現智能聲納顯控設計的方法。首先對實現原理進行了分析，構建與之相對應的神經網絡模型，其次對Tensorflow深度學習框架進行了分析，并對其嵌入智能顯控給出了具體實現上的分析，接下來的工作就是在目前的研究基礎上，對針對顯控輸入輸出構建的神經網絡模型進行具體設計和優(yōu)化，同時需要對相應的算法性能（包括運算效率）進行測試分析，并給出滿足綜合最佳性的智能聲納顯控設計原理。

［1］徐麗華.基于JARI_EGK面向對象的聲吶顯控界面軟件開發(fā)方法［J］.聲學與電子工程，2015（2）：30-33.

［2］魏銀英.基于VxWorks的成像聲納顯控軟件技術研究［D］.哈爾濱：哈爾濱工程大學，2008.

［3］于海春，馮師軍，孫長喻.基于統(tǒng)一建模語言的聲納顯控設計［J］.應用聲學，2009，28（4）：268-272.

［4］黃文堅，唐源.Tensorflow實戰(zhàn)［M］.北京：電子工業(yè)出版社，2017：18-25.

［5］王凱，李貴陽，應文健.基于Visio故障樹的艦炮故障診斷專家系統(tǒng)設計與實現［J］.艦船電子工程，2017（1）：100-104.

［6］肖晶，吳學智.一種基于神經網絡的故障診斷新方法研究［J］. 艦船電子工程，2010（1）：160-163.

［7］楊文慧.基于深度學習的圖像態(tài)勢感知應用研究［D］.哈爾濱：哈爾濱工業(yè)大學，2016.

［8］李啟虎.數字聲納設計原理［M］.合肥：安徽教育出版社，2003：291-303.

［9］Bahdanau D，Cho K，Bengio Y.Neural Machine Translation by Jointly Learning to Align and Translate［J］.Com-puter Science，2014.

［10］Bengio Y.Deep learning of representations：looking forward［C］∕International Conference on Statistical Language and Speech Processing.Berlin， Heidelberg：Springer-Verlag，2013：1-37.

［11］ Goodfellow I J，Courville A，Bengio Y.Scaling Up Spike-and-Slab Models for Unsupervised Feature Learning［J］.IEEE Transactions on Pattern Analysisamp;Machine Intelligence，2013，35（8）：1902-1914.

［12］王茜，張海仙.深度學習框架Caffe在圖像分類中的應用［J］.現代計算機，2016（5）：72-75.

［13］鄭澤宇，顧思宇.Tensorflow實戰(zhàn)Google深度學習框架［M］.北京：電子工業(yè)出版社，2017：40-62.

A Design Method of Intelligent Display and Control of Sonar Based on Depth Learning

WANG Lei
（Hangzhou Applied Acoustics Research Institute，Hangzhou 310023）

The intelligentization of sonar display can reduce the difficulty of the operation of sonar users and improve the efficiency of sonar，which is of great significance in actual combat.Based on the Tensorflow depth learning framework，this paper presents a method of intelligent sonar display and control design，and gives the corresponding feasibility analysis，which has certain application foreground.

sonar，display and control design，depth learning，Tensorflow

TP391

10.3969∕j.issn.1672-9730.2017.10.020

Class Number TP391

2017年4月8日，

2017年5月29日

王蕾，女，碩士，助理工程師，研究方向：聲納顯控系統(tǒng)研究。