中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2024 , Vol. 46 >Issue 3: 95 - 101

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.03.014

研究论文

基于深度学习的纯方位水下目标机动检测

  • 陈建润 ,
  • 毛卫宁
展开
  • 东南大学信息科学与工程学院, 江苏 南京 210096
† 毛卫宁(1963—),女,教授,硕士生导师。

陈建润(1998—),男,硕士研究生,研究方向为水声信号处理。

Copy editor: 张培培

收稿日期: 2023-05-11

  修回日期: 2023-05-25

  网络出版日期: 2024-05-29

收起

Bearing-only underwater target maneuver detection based on deep learning

  • CHEN Jianrun ,
  • MAO Weining
Expand
  • School of Information Science and Engineering, Southeast University, Nanjing 210096, China

Received date: 2023-05-11

  Revised date: 2023-05-25

  Online published: 2024-05-29

Fold

摘要

针对现有水下目标纯方位机动检测方法存在的检测时延长、准确率低等问题,提出了基于深度学习的目标运动模式分类和方位预测两种纯方位机动检测方法。将目标处于匀速(CV)运动状态和匀转弯(CT)运动状态的方位观测作为训练数据集,通过长短时记忆(Long Short-Term Memory, LSTM)神经网络实现目标运动模式分类和方位预测,进而实现基于运动模式分类和方位预测的水下目标机动检测。仿真结果表明,相比传统方位预测的机动检测方法,该方法降低了对方位观测误差和目标机动幅度的敏感度,具有更高的机动检测准确率和更小的机动检测延迟。

关键词： 纯方位; 机动检测; LSTM网络; 运动模式; 方位预测

本文引用格式

陈建润 , 毛卫宁 . 基于深度学习的纯方位水下目标机动检测[J]. 指挥控制与仿真, 2024 , 46(3) : 95 -101 . DOI: 10.3969/j.issn.1673-3819.2024.03.014

Abstract

Two bearing-only maneuver detection methods based on deep learning are proposed to address the problems of long detection delay and low accuracy of existing bearing-only maneuver detection methods for underwater targets. The bearing observations of the target in the constant velocity (CV) motion state and constant turning (CT) motion state are used as the training data set. The target motion pattern classification and bearing prediction are realized through the Long short-term memory (LSTM) neural network, and then realize the maneuver detection of underwater targets based on motion pattern classification and bearing prediction. The simulation results show that compared with the traditional bearing prediction maneuver detection method, this method reduces the bearing observation error and has a lower sensitivity of target maneuver magnitude, and has a higher maneuver detection accuracy and reduces the maneuver detection delay.

Key words： bearing-only; maneuver detection; LSTM network; movement pattern; bearing prediction

水下目标机动检测是水下目标跟踪的重要组成部分。被动检测技术因其仅被动接收目标信号而具有良好的隐蔽性,在水下目标跟踪与检测领域被广泛运用。在众多观测信号中,目标方位是最重要且有利用价值的信息之一,如何有效利用目标方位观测已成为水下目标跟踪检测的重要课题。现有水下目标机动检测算法利用最小二乘方法对目标方位进行滤波,通过滤波估计值与方位观测值的误差序列构造检测统计量,辅以序列变化点检测算法(如Wald提出的序列概率比检验[1]和CUSUM检测[2]等方法)实现机动检测。陈霞等[3⇓-5]利用方位变化特点,构建基于方位序列线性预测的机动检测模型,对转向幅度较大的机动模式实现有效检测,但对小幅机动目标的检测性能有待加强。梅鹏等[6]利用目标在转向机动时航向角发生持续变化的特性,设置合适的检测窗口长度,将检测窗口内航向变化方向一致的观测点所占比例作为检测统计量,对目标的机动点和非机动点进行估计。赵海彬等[7]采用传统最小二乘估计方法,通过对方位预测与观测的误差序列进行分析实现水下运动目标机动检测,并通过仿真实验分析了目标运动态势对纯方位目标检测算法的影响。徐功慧等[8]利用目标的舷角数值所具有的几何关系判定目标是否处于稳定速度、稳定航向状态,利用此方法可实现机动检测。由此可见,现阶段研究主要利用目标方位与航向的几何关系,通过最小二乘拟合方法,辅以合适的机动检测统计量实现水下目标机动检测。但由于观测方位非线性以及水下噪声干扰的影响,传统机动检测方法存在对方位初值和机动态势敏感等问题。随着深度学习的兴起,利用数据驱动方法寻求观测变量与状态向量之间的映射关系被广泛研究。金扬[9]提出利用深度神经网络对传统交互式多模型算法使用固定的马尔可夫转移矩阵进行改进,提高了模型切换速度和目标跟踪精度。Jiang等[10⇓⇓-13]利用目标处于不同运动模型下的特点,提出基于机器学习实现多模型切换的目标跟踪方法。Song等[14⇓⇓⇓⇓-19]利用长短时记忆神经网络对观测数据提取特征,解决了传统多模型目标跟踪算法存在的模型失配问题,实现了机动目标的稳定跟踪。Zhang等[20]通过支持向量机方法识别当前目标运动模式,结合传统卡尔曼滤波方法实现水下目标跟踪,通过与传统多模型交互算法对比,结合运动模式识别的卡尔曼滤波算法具有更小的均方根误差。由此可见,深度学习方法与传统滤波方法的结合在机动目标跟踪领域具有优越性,但基于深度学习的机动检测鲜有人涉及。
本文利用神经网络强大的非线性映射能力,提出基于LSTM神经网络进行运动模式分类和方位预测的纯方位机动检测方法。该方法首先利用处于不同运动模式下的目标观测方位序列作为网络的输入特征,离线构建基于目标运动模式分类和方位预测的水下目标机动检测模型,再构建检测统计量实现目标机动检测,而模型在线检测具有检测延迟小和对目标机动态势依赖性低的优势,并提高机动检测概率,为机动检测提供新的技术途径。

1 纯方位目标机动检测原理

目标机动检测包括对目标机动起始和终止时刻的检测,其中,准确快速地检测目标起始时刻更具有实际意义。基于纯方位的目标机动检测依靠观测所得目标方位信息,通过构造检测统计量,辅以合适的检测方法,检测因目标机动引起的统计量变化。检测统计量的构造可大致分为两种方法:一是利用能够描述目标运动状态的相关物理量构造检测统计量;二是基于目标方位观测,在目标处于匀速直线运动状态的假设下对目标方位进行预测,通过预测方位与实际观测方位的差值构造检测统计量。

2 基于LSTM神经网络的机动检测

2.1 LSTM神经网络原理

LSTM神经网络是一种特殊的循环神经网络(RNN)结构,能够缓解循环神经网络由于序列长期依赖导致的梯度消失和梯度爆炸问题。长短时记忆网络通过引入“门”结构记忆长期信息,经典长短时记忆网络包括输入门、遗忘门和输出门三种门结构[21],通过门结构决定信息的取舍以及对状态输出的控制。长短时记忆网络的经典结构如图1所示。
图1 LSTM神经网络内部结构

Fig.1 The internal structure of LSTM neural network

其中,Xt为t时刻的网络输入,Ht为t时刻的网络隐层状态,σ和tan h分别表示sigmoid层和tan h层,图中虚线框的部分分别表示遗忘门、输入门和输出门三种门结构。

2.2 基于运动模式分类的机动检测

基于方位观测的运动模式分类的基本思想是目标机动前后往往发生运动模式的改变,通过对运动模式的识别实现目标机动检测。基于LSTM网络的运动模式分类框图如图2所示,主要由数据预处理和网络训练两部分组成,模型分类值作为标签参与反向传播过程。因需通过LSTM神经网络实现多输出分类任务,本文采用三层LSTM层实现输入方位的非线性映射特征提取,而LSTM网络的计算量随网络层神经元个数的增加显著增大,为缩短网络收敛时间,本文采用神经元个数逐层递减的方法减少网络计算成本。全连接层能够实现将LSTM网络隐层状态从高维度映射到低维度并输出分类结果的作用,且能在一定程度上保证模型表示能力的迁移,因此在LSTM层之后叠加三层神经元个数递减的全连接层,最终输出两种运动模式的分类结果。网络参数如表1所示,表中给出了每层网络所用的神经元数量。
图2 基于LSTM的运动模式分类

Fig.2 Motion pattern classification based on LSTM neural network

表1 运动模式分类LSTM网络参数

Tab.1 Parameters of LSTM network based on motion pattern classification

网络层名称 神经元个
LSTM1 256
LSTM2 128
LSTM3 64
全连接层1 64
全连接层2 32
全连接层3 2
假设检测窗口宽度为N,取检测窗口内运动模式分类值所占比例作为检测统计量,以降低观测噪声的影响。检测统计量为
εk= N k N×100%
其中,Nk表示窗口内模式分类值为k的个数,k=0表示CV运动,k=1表示CT运动。以在检测窗口内所占的比例超过50%所对应的模式分类确定检测时间内目标运动模式,当运动模式发生变化时,判定目标发生机动。

2.3 基于方位预测的机动检测

基于方位预测的机动检测是在目标做匀速直线运动的假设下对目标方位进行预测,目标机动后,方位预测与观测的误差显著增大,基于误差序列构造机动检测统计量能够实现目标机动检测。基于LSTM网络的方位预测如图3所示,主要由数据预处理和网络训练两部分组成,方位预测值作为标签参与反向传播过程。基于方位预测的LSTM网络采用两层LSTM层和三层全连接层的网络结构,两种网络层的神经元个数依次递减,最终输出方位预测结果。网络参数如表2所示,表中给出了每层网络所用的神经元数量。
图3 基于LSTM网络的方位预测

Fig.3 Bearing prediction based on LSTM neural network

表2 方位预测LSTM网络参数

Tab.2 Parameters of LSTM network based on bearing prediction

网络层名称 神经元个数
LSTM1 256
LSTM2 128
全连接层1 128
全连接层2 64
全连接层3 1
为了降低观测噪声的影响,设置宽度为N的检测窗口,取检测窗口内方位预测值与方位观测值的平方误差大于检测阈值个数所占比例为机动检测统计量,可表示为
ε= ∑ i = 1 N N i N×100%
其中,Ni大于机动阈值时取值为1,小于机动阈值时取值为0,当ε超过50%时判定目标发生机动。

3 仿真验证

3.1 基于LSTM网络的运动模式分类

构建CV和CT两种运动模型的方位观测数据集。根据目标处于CV和CT两种运动模式下的运动轨迹计算目标方位,目标运动参数取值如表3所示,方位观测误差为0.5°,共生成684 000条轨迹。两种运动模式方位观测值如图4所示。红色表示CV运动目标方位观测值,蓝色表示CT运动目标方位观测值,可以看出两种运动模式下的目标方位观测序列存在明显差异。
表3 目标运动参数

Tab.3 Target movement parameters

运动/观测参数 参数取值
运动时间T 100 s
初始方位α0 0~360°
目标航向θ 0~360°
采样间隔Ts 1 s
目标速度V 15~25 m/s
目标距离R 5~10 km
转弯半径RO 600~800 m
图4 CV和CT运动模式方位观测值

Fig.4 CV and CT motion pattern bearing observations

输入数据集预处理。为加快网络收敛速度,对训练数据进行归一化处理。
网络输出为运动模式的分类结果。图5为神经网络分类结果,其中,红色线表示神经网络输出的分类值,蓝色线表示运动模式真实值。由图5可以看出,神经网络的运动模式模型分类值发生变化时刻滞后于真实机动时刻约26 s,且由于观测噪声的影响,在第362 s网络输出的模式分类值错误。
图5 LSTM网络分类结果

Fig.5 Classification result of LSTM network

3.2 基于LSTM网络的方位预测

构建CV运动模型的方位观测数据集。目标运动参数如表3所示。
输入数据集预处理。对训练数据进行归一化处理,归一化公式为
αpre=2× α o b - m i n α o b m a x α o b - m i n α o b-1
其中,αpre为预处理后的方位序列,αob为方位序列观测值,min α o b为观测序列中方位最小值,max α o b为观测序列中方位最大值,归一化后所有目标方位观测值均介于 - 1,1之间。
网络输出为运动目标方位预测值。图6为神经网络方位预测和方位观测值对比,其中,红色表示方位预测值,蓝色表示方位观测值。图7为神经网络预测方位和方位观测值的平方误差。可以看出,在机动发生前后,方位预测与方位观测值的平方误差较小,在机动时间内,方位预测与方位观测值的误差明显增大。判决阈值由蒙特卡罗实验得到,本文取1.5°作为机动判定阈值。
图6 LSTM网络方位预测值

Fig.6 Prediction bearing by LSTM network

图7 方位预测与方位观测值的平方误差

Fig.7 The squared error of bearing prediction and bearing observation

3.3 基于LSTM网络的机动检测

目标初始方位30°,与观测平台初始距离8 km,目标运动轨迹分为三段:第一段为匀速直线运动,航速为20 m/s,航向为110°,持续时间为200 s;第二段为匀速转弯运动,转弯半径为800 m,持续时间为100 s;第三段为匀速直线运动,航速为20 m/s,航向为328°,持续时间为200 s。方位观测误差为0.5°,机动检测窗口长度为10 s,做100次蒙特卡罗实验,用机动检测准确率和平均最小机动检测延迟衡量检测性能。平均最小检测延迟定义为100次蒙特卡罗实验检测机动的平均最短时间,比较基于LSTM网络运动模式分类、基于LSTM网络方位预测和传统方位预测[4]三种机动检测方法的检测性能。

3.3.1 方位观测误差对机动检测性能的影响

海洋声场环境复杂,观测所得目标方位序列往往存在一定误差,且误差大小未知,不同方位观测误差情况下机动检测性能是衡量深度学习方法泛化性的一个重要指标。改变方位观测误差为0.3°~0.8°,间隔0.1°变化。图8为机动检测准确率随方位误差的变化,其中红色、绿色和蓝色分别表示基于传统方位预测、基于LSTM网络运动模式分类和基于LSTM网络方位预测三种机动检测方法。
图8 机动检测准确率随方位误差变化

Fig.8 Accuracy of maneuver detection varies with bearing observation error

可以看出,传统方位预测方法对噪声敏感,机动检测准确率随观测误差的增加显著下降,基于LSTM网络的两种方法检测准确率均优于基于传统方位预测的方法;当观测误差与网络训练数据样本的误差不一致时,基于LSTM网络的两种方法机动检测性能均有所下降,基于LSTM网络的运动模式分类方法对观测误差更为敏感。
图9表示三种机动检测方法的检测时延随方位误差变化,图中线条含义与图8相同。
图9 机动检测延迟随方位误差变化

Fig.9 Delays of maneuver detection varies with bearing observation error

可以看出,在观测误差小于0.6°时,基于LSTM网络的两种方法机动检测延迟均低于传统方位预测方法的机动检测延迟;随着观测误差的增大,基于LSTM网络运动模式分类方法机动检测延迟显著增大。基于LSTM网络的运动模式分类方法将两种不同模式下方位序列的特征作为分类依据,受观测误差影响较大,因此与基于LSTM网络的方位预测方法相比,对观测误差更为敏感。

3.3.2 机动幅度对机动检测性能的影响

改变目标机动持续时间为10 s~100 s,间隔10 s变化,方位观测误差为0.5°。机动持续时间和航向变化量对应关系如表4。
表4 机动持续时间与目标航向变化对应关系

Tab.4 The relationship between the duration of maneuver and the change of target course

机动持续时间/s 10 20 30 40 50 60 70 80 90 100
航向变化/° 13 16 30 44 58 73 87 101 116 130
图10表示机动检测准确率随航向改变量的变化,其中红色、绿色和蓝色分别表示基于传统方位预测、基于LSTM网络运动模式分类和基于LSTM网络方位预测三种机动检测方法。
图10 机动检测准确率随航向改变量的变化

Fig.10 Accuracy of maneuver detection varies with course change

可以看出,基于LSTM网络运动模式分类的方法性能最好,在航向变化大于20°时,机动检测准确率大于90%;其次是基于LSTM网络方位预测方法,航向变化大于60°时,能够有效检测机动;传统机动检测方法最差,在航向变化大于80°的情况下,机动检测准确率仍低于基于LSTM网络的机动检测方法。
图11表示三种机动检测方法的检测延迟随航向变化的关系,图中线条含义与图10相同。可以看出,基于LSTM网络运动模式分类方法性能最好,航向变化量大于10°时即可估计最小检测时间;基于LSTM网络方位预测方法和传统方位预测方法在航向变化量大于30°时可以估计最小检测时间,但随着航向变化量的增大,传统方位预测方法机动检测延迟有所增大。基于LSTM网络的两种机动检测方法检测延迟总体小于基于传统方位预测方法的检测延迟,具有较好的检测实时性;基于LSTM网络的运动模式分类方法检测延迟均小于基于LSTM网络的方位预测方法,具有更好的检测实时性。
图11 机动检测延迟随航向改变量的变化

Fig.11 Delays of maneuver detection varies with course change

4 结束语

针对传统水下目标机动检测方法对目标态势依赖程度高、检测延迟大等问题,利用神经网络进行运动模式分类和方位预测,基于运动模式分类值和方位平方误差构造检测统计量能够实现对目标机动的有效检测。研究表明,给定方位观测误差,改变机动幅度时,本文两种方法的机动准确率均优于传统方位预测的机动检测方法,特别是在机动幅度较小时,本文方法明显优于传统方位预测的机动检测方法;给定航向改变量,改变方位误差,本文方法的机动检测性能显著优于传统方位预测的机动检测方法,但基于LSTM网络的运动模式分类方法对观测误差较为敏感。当观测数据与网络训练数据存在失配情况时,本文方法的机动检测准确率有所降低,可以通过迁移学习等方式缓解由于输入数据与样本数据的分布偏差导致的网络性能下降问题。在训练集中增加不同方位观测误差和不同运动模式的样本数据,进一步提高本文方法的宽容性和泛化性是下一步的工作。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wald A. Sequential analysis[M]. New York: Wiley Press, 1947.

[2]
LE CADRE J P, JAETFFRET C. On the convergence of iterative methods for bearings-only tracking[J]. IEEE Transactions on Aerospace and Electronic Systems, 1999, 35(3): 801-818.

[3]
陈霞, 刘凯. 水声目标机动检测与跟踪[J]. 指挥控制与仿真, 2007, 29(6): 73-75.

CHEN X, LIU K. Maneuverdetecting and tracking of hydroacoustic target[J]. Command Control & Simulation, 2007, 29(6): 73-75.

[4]
潘新祥, 刘凯. 基于方位线性预测的远距离目标机动检测方法[J]. 指挥控制与仿真, 2013, 35(2): 113-117.

PAN X X, LIU K. Maneuverdetecting algorithm with bearings-only measurements based on linear forecasting of bearings[J]. Command Control & Simulation, 2013, 35(2): 113-117.

[5]
刘凯, 苗艳, 袁富宇. 用于纯方位机动目标跟踪的机动探测法[J]. 指挥控制与仿真, 2006, 28(2): 30-34.

LIU K, MIAO Y, YUAN F Y. Maneuverdetecting algorithm used for bearings-only maneuver target tracking[J]. Command Control & Simulation, 2006, 28(2): 30-34.

[6]
梅鹏, 孙振新, 马沙沙. 基于机动检测的水下目标自适应跟踪算法[J]. 舰船科学技术, 2022, 44(6): 114-120.

MEI P, SUN Z X, MA S S. Adaptive tracking algorithm for underwatertarget based on maneuver detection[J]. Ship Science and Technology, 2022, 44(6): 114-120.

[7]
赵海彬, 郑磊. 纯方位跟踪时利用方位变化规律检测目标机动问题[J]. 火力与指挥控制, 2015, 40(6): 41-43, 47.

ZHAO H B, ZHENG L. Study of maneuvering target detection using rule of bearing when submarine tracking bearing only[J]. Fire Control & Command Control, 2015, 40(6): 41-43, 47.

[8]
徐功慧, 郝阳. 一种判别目标稳速稳向的纯方位算法[J]. 兵器装备工程学报, 2016, 37(6): 16-18.

XU G H, HAO Y. Bearings-only algorithm on distinguishing the stability of speed and course of aim[J]. Journal of Ordnance Equipment Engineering, 2016, 37(6): 16-18.

[9]
金杨. 基于深度学习的机动目标Kalman滤波跟踪算法[D]. 贵阳: 贵州师范大学, 2022.

JIN Y. Deep learning based Kalman filter tracking algorithm for manoeuvring targets[D]. Guiyang: Guizhou Normal University, 2022.

[10]
JIANG C C, FANG Y Z, HU Q L. Motion prediction for target tracking with bearing-only measurement[C]// 2022 41st Chinese Control Conference (CCC). Hefei, 2022: 3 415-3 420.

[11]
EBRAHIMI M, ARDESHIRI M, ALAIE KHANGHAH S. Bearing-only 2D maneuvering target tracking using smart interacting multiple model filter[J]. Digital Signal Processing, 2022, 126: 103 497.

[12]
DENG H, GENG Z, HIMED B. Radar target detection using target features and artificial intelligence[C]// 2018 International Conference on Radar (RADAR). Brisbane, 2018: 1-4.

[13]
AMOOZEGAR F, SUNDARESHAN M K. Target tracking by neural network maneuver modeling[C]// Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN'94). Orlando, 2002: 3932-3937.

[14]
SONG F, LI Y, BI Y, et al. Radar maneuvering target tracking based on LSTM network[M]// Advances in Natural Computation, Fuzzy Systems and Knowledge Discovery, Cham: Springer International Publishing, 2021: 1 780-1 791.

[15]
RUAN L, WANG H J, WANG Y, et al. An underwater maneuvering target tracking method with compensation mechanism under short-term sensor failure[C]// 2021 40th Chinese Control Conference (CCC). Shanghai, 2021: 4 223-4 229.

[16]
LIU J X, WANG Z L, XU M. DeepMTT: a deep learning maneuvering target-tracking algorithm based on bidirectional LSTM network[J]. Information Fusion, 2020, 53: 289-304.

[17]
DAI T, WANG H J, RUAN L, et al. Research on deep learning methods of UUV maneuvering target tracking[C]//Global Oceans 2020:Singapore - U.S. Gulf Coast. Biloxi, 2021: 1-7.

[18]
YANG X Y, QIAO D F. Attention-based bidirectional LSTM network for target tracking[C]// 2021 IEEE International Conference on Electronic Technology, Communication and Information (ICETCI). Changchun, 2021: 151-156.

[19]
GAO C, YAN J K, ZHOU S H, et al. Long short-term memory-based recurrent neural networks for nonlinear target tracking[J]. Signal Processing, 2019, 164: 67-73.

[20]
ZHANG J X, LIU M Q, FAN Z. Classify motion model via SVM to track underwater maneuvering target[C]// 2019 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC). Dalian, 2020: 1-6.

[21]
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Comput, 1997, 9(8):1 735.

Options
文章导航

/

〈 〉