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(chǎn)生的磁場對地磁場產(chǎn)生的異常擾動，從而實現(xiàn)對水下磁性目標進行搜索的一種反潛手段。

水下目標產(chǎn)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(xiàn)存在幾種干擾源，其產(chǎn)生的磁場頻段與水下目標產(chǎn)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(wǎng)絡，揭開了深度學習在人工智能領域的革命[1]。卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是一種多層結(jié)構(gòu)的網(wǎng)絡模型，其圖像識別準確率比較高[2-6]。本文將信號轉(zhuǎn)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(shù)據(jù)中已知4類干擾源的磁異常干擾信號數(shù)據(jù)，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(shù)據(jù)鏈干擾、地磁異常干擾、飛機轉(zhuǎn)彎干擾。

樣機樣本數(shù)據(jù)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(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)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(shù)據(jù)、圖像中發(fā)現(xiàn)隱藏的特征，從而消除人工分類、定制數(shù)據(jù)、圖像特征的復雜性[7-12]。

1）卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡一般由輸入層、隱含層、輸出層[13]構(gòu)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(jīng)網(wǎng)絡總體結(jié)構(gòu)Fig.2 Overall structure of convolutional neural network

輸入層接收樣本數(shù)據(jù)，并對數(shù)據(jù)進行標準化預處理。當輸入數(shù)據(jù)為圖像中的像素值時，將[0，255]范圍內(nèi)的原始像素值歸一到[0，1]范圍內(nèi)，這有助于提升網(wǎng)絡的學習效率和準確率；卷積層是CNN 的關鍵構(gòu)成，其主體就是將卷積核與輸入數(shù)據(jù)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(wǎng)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(shù)。

2）前向傳播和反向傳播。前向傳播是指訓練過程中卷積網(wǎng)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(jié)果及概率。反向傳播是指將計算結(jié)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(shù)為：

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

3 實測數(shù)據(jù)驗證

圖3 卷積神經(jīng)網(wǎng)絡的流程圖Fig.3 Flow chart of convolution neural network

1）數(shù)據(jù)集的獲取。反潛巡邏機轉(zhuǎn)彎干擾、地磁異常干擾、數(shù)據(jù)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(xiàn)役裝備執(zhí)行磁探反潛任務時，難以對檢測過程中發(fā)現(xiàn)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(shù)據(jù)集，并將數(shù)據(jù)集按照80%、20%的比例構(gòu)成訓練集和測試集。

數(shù)據(jù)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(shù)據(jù)點，每次向下一時刻移動10個數(shù)據(jù)點。

2）數(shù)據(jù)預處理。時頻圖的坐標軸固定，在卷積神經(jīng)網(wǎng)絡中屬于無用信息，還有可能對磁異常信號的識別產(chǎn)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(xiàn)出時域特征，所以對信號逐數(shù)據(jù)點進行時頻分析，每次提取4 s 的數(shù)據(jù)（400 個數(shù)據(jù)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(wǎng)絡泛化能力測試。訓練運行環(huán)境：intel（R）Core（TM）i5-4200M CPU@2.50GHz，內(nèi)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(shù)據(jù)集，并將數(shù)據(jù)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(shù)，初始學習率設為0.001。對網(wǎng)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(shù)下，卷積神經(jīng)網(wǎng)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(wǎng)絡泛化能力進行測試，結(jié)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(xiàn)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(jīng)網(wǎng)絡的泛化能力Tab.1 Generalization ability of convolutional neural network

4 結(jié)束語

通過卷積神經(jīng)網(wǎng)絡的方法，實現(xiàn)了對干擾信號和水下目標信號的識別。卷積神經(jīng)網(wǎng)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(xiàn)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。