文仕強(qiáng)，田 斌，梁 冰，葛友鋮

（武漢工程大學(xué) 電氣信息學(xué)院，武漢430205）

工頻磁場(chǎng)具有頻率低、波長(zhǎng)長(zhǎng)、分布廣泛等特征[1]，世界各國(guó)輸變電網(wǎng)絡(luò)均能在空中和海域產(chǎn)生分布均勻、強(qiáng)度穩(wěn)定的可探測(cè)工頻磁場(chǎng)，工頻磁場(chǎng)探測(cè)技術(shù)可對(duì)低噪聲、低熱輻射、高消磁的重要目標(biāo)進(jìn)行探測(cè)[2]，可作為傳統(tǒng)探測(cè)技術(shù)的有效補(bǔ)充探測(cè)手段，工頻磁場(chǎng)探測(cè)與反探測(cè)技術(shù)在目標(biāo)探測(cè)、空中電磁污染探測(cè)等領(lǐng)域逐漸成為國(guó)內(nèi)外研究熱點(diǎn)[3]。

近年來(lái)，國(guó)內(nèi)外多個(gè)課題組開(kāi)始研發(fā)具有集成電路功能的高精度感應(yīng)式磁傳感器，能利用集成電路高效快捷處理原始數(shù)據(jù)，使之轉(zhuǎn)化為多特征時(shí)間序列信號(hào)[4]。

目前，對(duì)地面及空中目標(biāo)活動(dòng)的探測(cè)與識(shí)別是當(dāng)前工頻磁場(chǎng)探測(cè)的熱點(diǎn)之一[5]。主流方式是基于時(shí)間序列的特征提取，主要分為三類：提取時(shí)域特征、提取頻域特征、提取時(shí)頻域特征[6]。而時(shí)間序列異常檢測(cè)（ADD）方法則包括集成學(xué)習(xí)、深度學(xué)習(xí)、淺層神經(jīng)網(wǎng)絡(luò)、小波變換、K 近鄰算法等方法[7-8]。從上述方法在磁異常方向的應(yīng)用效果來(lái)看，對(duì)磁異常信號(hào)的探測(cè)精度仍難以達(dá)到較高水平，具有較高的漏報(bào)與誤報(bào)率。

為解決上述問(wèn)題，本文通過(guò)復(fù)雜觀測(cè)環(huán)境下的工頻磁場(chǎng)探測(cè)信號(hào)進(jìn)行統(tǒng)計(jì)分析，提取數(shù)據(jù)進(jìn)行時(shí)域特征，提出結(jié)合CNN、LSTM 與Attention 機(jī)制結(jié)合的新型預(yù)測(cè)模型，導(dǎo)入不同類型目標(biāo)信號(hào)以及復(fù)雜背景下無(wú)目標(biāo)背景信號(hào)訓(xùn)練模型，同時(shí)在測(cè)試集中加入了未經(jīng)訓(xùn)練目標(biāo)擾動(dòng)數(shù)據(jù)，將不同目標(biāo)模型預(yù)測(cè)信號(hào)與測(cè)試數(shù)據(jù)比對(duì)，獲取差值并進(jìn)行加權(quán)平滑，設(shè)置滑動(dòng)窗口對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行檢測(cè)，結(jié)合CNN、LSTM 與Attention 機(jī)制的新型預(yù)測(cè)模型可在較大范圍（20 m 內(nèi)）有較高精度。

1 系統(tǒng)設(shè)計(jì)

本文中所提出的工頻磁場(chǎng)探測(cè)系統(tǒng)示意圖如圖1所示。三軸感應(yīng)式磁傳感器從環(huán)境中采集原始時(shí)間連續(xù)信號(hào)f（t），再將其轉(zhuǎn)化成時(shí)間序列數(shù)據(jù)｛fn｝，最后對(duì)｛fn｝進(jìn)行目標(biāo)擾動(dòng)信號(hào)探測(cè)。首先對(duì)｛fn｝的時(shí)域信號(hào)做特征工程提取，即根據(jù)多維度磁異常數(shù)據(jù)的時(shí)間序列信號(hào)不同維度相關(guān)性、不同狀態(tài)下工頻磁信號(hào)差異等特征，提取各狀態(tài)下工頻磁場(chǎng)時(shí)域信號(hào)序列}，再將二者分別輸入至CNN、LSTM 與Attention 機(jī)制結(jié)合的新型預(yù)測(cè)模型訓(xùn)練，生成網(wǎng)絡(luò)模型作為異常檢測(cè)器，用來(lái)檢測(cè)工頻磁場(chǎng)擾動(dòng)信號(hào)。

圖1 模型結(jié)構(gòu)圖Fig.1 Model structure

2 算法實(shí)現(xiàn)

2.1 特征工程

復(fù)雜條件下的磁場(chǎng)信號(hào)是連續(xù)時(shí)間信號(hào)f（t），傳感器以時(shí)間間隔Δt=2 ms 進(jìn)行采樣得到離散信號(hào)f（n·Δt）≡f_n（n=1、2、3、…、N-1），其中N為信號(hào)長(zhǎng)度。

工頻磁場(chǎng)數(shù)據(jù)背景場(chǎng)信號(hào)不穩(wěn)定，為分離出擾動(dòng)信號(hào)與背景場(chǎng)信號(hào)，本文采用歐幾里得距離法分離出異常信號(hào)與背景信號(hào)，通過(guò)取同軸近鄰兩個(gè)位置數(shù)據(jù)為x，y，每次檢測(cè)共取6 組數(shù)據(jù)分別來(lái)自X、Y、Z軸，所以在數(shù)據(jù)中取得兩近鄰點(diǎn)下標(biāo)為x_x、y_x、x_y、y_y、x_z、y_z，其歐幾里得距離可表示為

式中：i=x、y、z，分別表示3 個(gè)維度數(shù)據(jù)。

為避免單個(gè)數(shù)據(jù)異常造成誤判，本文將設(shè)置一個(gè)閾值，僅當(dāng)臨近簇的異常數(shù)據(jù)點(diǎn)大于閾值，才定義為異常信號(hào)。

2.2 CNN、LSTM 與Attention 機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)

本文將CNN、LSTM 兩種網(wǎng)絡(luò)和Attention 注意力機(jī)制融合在一起合成一種新的神經(jīng)網(wǎng)絡(luò)，用于各種序列連續(xù)識(shí)別任務(wù)。對(duì)于磁場(chǎng)信號(hào)建模能力來(lái)說(shuō)，CNN 擅長(zhǎng)減小頻域變化[8]；GRU 可以提供長(zhǎng)時(shí)記憶，在時(shí)域上有著廣泛應(yīng)用[9]；Attention 機(jī)制能有效聚焦關(guān)鍵特征，所以將三者聯(lián)合進(jìn)行特征提取，用聚類方法進(jìn)行異常檢測(cè)，可以獲得比單獨(dú)網(wǎng)絡(luò)更好的性能[10]。

本文所采用模型結(jié)構(gòu)如圖2所示，先使用一維conv 層提取特征以提供良好的學(xué)習(xí)效果[11]，再通過(guò)LSTM 層與Attention 機(jī)制良好的時(shí)間序列特性，集中于重點(diǎn)特征訓(xùn)練，從而達(dá)到良好訓(xùn)練效果[12]。

圖2 CNN、LSTM 與Attention 機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Neural network combining CNN，LSTM and Attention mechanism

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)場(chǎng)景

實(shí)驗(yàn)地點(diǎn)位于武漢市某生活區(qū)，環(huán)境相對(duì)復(fù)雜，車流量較多，能模擬真實(shí)場(chǎng)景。實(shí)驗(yàn)50 Hz 背景場(chǎng)信號(hào)如圖3所示。由圖3 可知，實(shí)地背景場(chǎng)情況與工頻磁場(chǎng)信號(hào)理論情況類似，三軸幅值基本穩(wěn)定在0.2～1.4 nT 左右，且基本呈現(xiàn)正弦信號(hào)圖像。

圖3 三軸傳感器50 Hz 磁場(chǎng)幅度隨時(shí)間變化圖Fig.3 Variation of 50 Hz magnetic field amplitude of triaxial sensor with time

3.2 原始信號(hào)時(shí)域特征提取

傳感器系統(tǒng)采集連續(xù)時(shí)間序列信號(hào)，其中包括有目標(biāo)、背景場(chǎng)信號(hào)，使用Matlab 繪制圖形如圖4所示，結(jié)合圖3 可看出，總體信號(hào)由背景信號(hào)與目標(biāo)信號(hào)疊加形成。

圖4 擾動(dòng)信號(hào)實(shí)測(cè)圖Fig.4 Measured disturbance signal

3.3 特征工程

對(duì)原始信號(hào)做傅里葉變換后提取出50 Hz 特征圖，并提取50 Hz 信號(hào)特征，如圖5所示。顯然，X、Y、Z軸數(shù)據(jù)分別聚焦于0.2～0.39 nT、0.17～0.32 nT、1.18～1.75 nT 之間，利用Attention 機(jī)制很容易將注意力權(quán)重集中于重點(diǎn)段區(qū)域。

圖5 X、Y、Z 幅值分布圖Fig.5 X，Y and Z amplitude distribution

3.4 CNN、LSTM 與Attention 機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

本組實(shí)驗(yàn)中神經(jīng)網(wǎng)絡(luò)的輸入分別是原始數(shù)據(jù)50 Hz 傅里葉變換之后的時(shí)間序列數(shù)據(jù)。樣本被分為20%的訓(xùn)練集和80%的測(cè)試集。為使模型具有更強(qiáng)的泛化能力，本實(shí)驗(yàn)將不同距離、不同車速隨機(jī)輸入模型。網(wǎng)絡(luò)訓(xùn)練樣本總數(shù)為349151，測(cè)試樣本總數(shù)為846580。將訓(xùn)練樣本每10 個(gè)點(diǎn)（1 s）作為一個(gè)滑動(dòng)窗輸入至網(wǎng)絡(luò)中訓(xùn)練，得到的損失函數(shù)與測(cè)試準(zhǔn)確率如圖6所示。

圖6 CNN+LSTM+Attention 網(wǎng)絡(luò)X 軸擬合圖像Fig.6 Fitting image to X-axis of CNN，LSTM，Attention network

圖7 中可見(jiàn)該方案獲得了較好的損失值，能很好地捕捉不同車輛出現(xiàn)的時(shí)間，同時(shí)將其與其他單一模型對(duì)比。

圖7 多輪斷點(diǎn)續(xù)訓(xùn)后損失值Fig.7 Loss values after multiple rounds of breakpoint training

表1 顯示該模型比其他單一模型具備更好的擬合能力，能更準(zhǔn)確地判斷目標(biāo)的出現(xiàn)。

表1 CNN-LSTM-Attention 模型與其他單一模型預(yù)測(cè)結(jié)果對(duì)比Tab.1 Comparison of the prediction results of the first mock exam model with the CNN-LSTM-Attention model

3.5 CNN、LSTM 與Attention 機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)分類機(jī)制

在深度學(xué)習(xí)擬合獲得良好效果之后，由于擾動(dòng)樣本不足，采用結(jié)合了閾值法和歐幾里得距離法的算法對(duì)84 組目標(biāo)信號(hào)進(jìn)行分類（有目標(biāo)和無(wú)目標(biāo)），分類結(jié)果如表2所示。

表2 實(shí)際分類準(zhǔn)確率Tab.2 Actual classification accuracy

4 結(jié)語(yǔ)

時(shí)間序列在復(fù)雜環(huán)境下的磁場(chǎng)探測(cè)中變得非常重要。現(xiàn)有的大多數(shù)方法計(jì)算復(fù)雜度高或預(yù)測(cè)精度低。為此，本文提出了一種新的深度學(xué)習(xí)框架（CNN、LSTM 與Attention 機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)）對(duì)多元時(shí)間序列進(jìn)行分類。該模型從每個(gè)通道的單變量時(shí)間序列中自動(dòng)學(xué)習(xí)特征，并在最后一層將所有通道的信息結(jié)合起來(lái)作為特征表示。將傳統(tǒng)的MLP 連接起來(lái)進(jìn)行分類。最后，基于實(shí)測(cè)自制數(shù)據(jù)集上評(píng)估了模型。實(shí)驗(yàn)結(jié)果表明，該模型在實(shí)測(cè)過(guò)程中有較低的擬合誤差和較高的分類準(zhǔn)確率。這為進(jìn)一步對(duì)復(fù)雜環(huán)境下的磁場(chǎng)異常信號(hào)檢測(cè)研究提供了基礎(chǔ)。