中国指挥与控制学会会刊 
水下高速航行器是水下主动搜索和跟踪水下目标最有效的装备[1]。随着现代水声、电子技术和人工智能技术的不断发展,现代水下战场通常在同一海区可能同时存在水下诱饵、电声对抗装置、电子干扰器材以及其他各类武器系统等[2-3]。因此,在激烈的水声对抗环境下,水下高速航行器主动识别系统工作扇面内会同时出现的多个目标或诱饵,这种情况下,水下高速航行器必须在极短时间内有效识别和正确判断出各个目标的真假,保证不被假目标欺骗而导致任务失败或浪费航程,其次,水下高速航行器必须优先选择威胁最大、能力最强的核心目标,并智能化精确打击体目标,最大程度发挥装备效能[4]。因此,为了适应现代水下目标众多、情况复杂等作战环境,水下高速航行器必须具有远距离探测、智能化识别和精确制导能力。
目前,随着水声对抗技术的不断发展,水声对抗器材已经由最初仅可以模拟体目标特性的声诱饵,发展到了近年出现的新型诱饵,甚至二维平面阵诱饵等[5],这些新型水声对抗器材不仅可以模拟目标的运动特性,而且可以模拟目标一维或二维的尺度特征。当前我国水下高速航行器的目标识别方法在充满新型对抗器材的水下环境中显得力不从心,亟须寻求新型特征提取与目标识别的途径。只有具备远距离探测、高水下目标识别率的水下高速航行器装备才能发挥足够的能力。
深度学习良好的学习和预测性能,已被众多研究人员关注和研究,并被广泛应用于语音识别、图像分类和自然语言处理等领域,将其应用在水下高速航行器目标识别系统中来提高其目标探测识别能力已成为一种发展趋势[6-11],通过对历史目标数据进行数值特征挖掘和分类,可自动实现水声目标检测和识别功能。与传统特征提取方法相比,其能够实现对冗余数据深层次抽象信息计算,提取的特征可分性更好,识别结果泛化能力强。同时,其能力的提升来自于对历史数据的不断自主学习,具备自主进化能力,在声呐目标探测识别方面具有良好的应用前景。因此,对深度学习模型进行优选和改进,将通过深度神经网络隐藏层学习得到的特征替代使用现有方法人工提取的特征,有望获得使用现有方法无法提取的水下目标本征特征,从而提高水下高速航行器的目标探测和识别能力[12-14]。
本文基于水下航行器目标识别系统提出了深度学习水下目标主动识别方法,该方法可同时对水下点、线、体目标进行主动识别,并针对训练数据集不足的问题建立生成对抗网络模型进行数据集扩充,提升了模型训练效果,并利用试验场采集数据进行目标识别仿真实验验证了该方法识别效果。
1 数据预处理
水下高速航行器在执行目标识别任务时面临多重具体约束,其中航行速度是关键因素之一。高速度使得传统的声学传感器难以获得清晰的目标图像,会导致信号处理中的多普勒效应加剧,从而引起频谱展宽和相位失真。此外,水介质特性也带来了挑战,如吸收和散射引起的信号衰减,这进一步限制了有效探测距离和分辨率。考虑到水下高速航行器的自主性,它需要能够在没有实时外部通信支持的情况下做出决策,这就增加了算法的复杂性和计算资源的需求。
此外,水下高速航行器获取的回波数据与其他平台(如固定式或低速移动平台)的数据存在显著差异。高速运动产生的动态背景噪声增加,使得有用信号与噪声分离更加困难。同时,由于多普勒频移的影响,目标反射的频率特征会发生变化,不同于静态或慢速场景下的情况。而且,高速度还可能引发非线性效应,例如湍流和空化现象,这些都会引入额外的干扰成分,使回波数据更加复杂。这些不同点直接影响到后续识别网络的设计。
为了适应上述特点,在识别网络设计中,需要特别关注模型架构、数据预处理以及训练策略等方面。模型架构应选择能够处理时变特性的深度学习模型,比如卷积神经网络(CNN)来提取空间特征;实施有效的降噪技术和自适应滤波策略,确保输入识别网络的数据的质量。这包括但不限于去趋势处理、频域滤波等手段;利用模拟环境生成大量标注样本进行预训练,然后用真实世界中收集的数据微调模型参数,提升泛化能力。综上所述,本文充分考虑了水下高速航行器所特有的工作环境和技术难点,并据此调整了目标识别网络的设计思路。
本文所应用的训练数据为水下高速航行器试验场采集的数据。由于原始回波信号的目标特征微弱,导致深度学习识别模型训练难度增大,不易收敛,并且原始信号样本维度较高,导致网络训练参数激增,计算量庞大,易产生维度灾难,因此,笔者对水下高速航行器主动识别系统接收到目标反射的回波波束信号进行处理之后作为训练样本输入[15],如数据标准化、数据截取和副本相关的处理工作,可降低原始数据的维度并增强目标本征特征,数据处理流程如图1 所示。
本研究首先对数据进行标准化。由于实验条件不尽相同,各个样本之间的分布范围都有差异,所以需要对数据进行标准化处理。本文采用Z-score标准化方法实现数据标准化[16],先对数据去均值,再除以标准差,将数据变换为相同尺度,如下式所示:
X=
μ= xi
σ=
式中:μ为该特征的平均值,σ为标准差,则标准化后的样本数据均值为0,方差为1,且无量纲。接着进行数据截取。由于水下高速航行器主动声探测系统的一个周期内接收的回波数据长达数万或数十万个点,而且由于各个探测周期下目标距离不断发生改变,各周期接收信号长度也会发生变化,回波数据一般长短不一。因此,要对原始回波进行信号截取,重点分析目标回波中能量聚集区的数据,以降低输入数据维度,提高模型的训练效率。
最后,对数据进行副本相关处理。由于截取数据样本受背景干扰影响较大,特征不够突出,且各类样本之间差别较小,因此需要对数据进行副本相关处理。副本相关主要由互相关接收器实现,该方法可以有效提高回波数据的信噪比,使目标特征更加明显,其原理如图2 所示。
其中,x(t)为声呐接收信号,s(t)为参考信号,一般取声呐发射信号副本,τ为信号延迟时间,输出Rxs(τ)为互相关函数。当信号延迟时间τ等于目标回波的时间延迟时,互相关函数可以取得最大值,即副本相关峰值。
本文根据实际工程经验对归一化后的原始数据进行数据截取和副本相关处理,得到长度为1 024个数据点的样本,并随机选取某个段回波信号,对比其数据处理前后的时域波形,如图3 所示。对比可知,相比于原始回波信号而言,处理后的回波信号数据维度大幅降低,信混比大幅度提高,数据质量有明显的提升。经过处理后,本文的数据集包含288个样本,每个样本的长度都为1 024个数据点。
2 深度学习模型建立
本文的网络架构基于通用的卷积神经网络(CNN),卷积神经网络(convolutional neural network, CNN)作为最重要的深度模型之一,具有良好的特征提取能力和泛化能力,在图像处理、目标跟踪与识别、自然语言处理、场景分类、人脸识别、音频检索、医疗诊断诸多领域获得了巨大成功。但为了适应水下高速航行器环境下的目标识别任务,我们进行了若干定制化调整。在输入层,笔者考虑到水下环境中回波数据的特点,对归一化后的原始数据进行数据截取和副本相关处理,得到长度为1 024个数据点的样本,这有助于提高模型对不同噪声条件的鲁棒性。特征提取层通过对比不同卷积核对识别结果的影响,采用了多通道输入模式优选最佳的卷积核。分类层通过全连接层和softmax函数实现最终的目标分类。此外,还引入了dropout技术来防止过拟合,保证模型的泛化性能。
卷积神经网络模型必须考虑卷积核、池化窗口的大小以及步长等参数的影响,不断对各种数据进行调节,最终确定适用于水下目标回波的网格结构。
在建模过程中,本文使用了卷积、池化相互交替的经典结构,其中池化层结构相对简单,主要工作为如何确定卷积结构。本文根据以下几个卷积核特点确定卷积核结构:
(1)降维/升维
由于N×1卷积核中N代表通道数,一个最直观的结果就是可以将原本的通道数进行增加或者减少。
(2)增加非线性
对于1*1卷积核,可以在保持feature尺度不变,即不损失分辨率的前提下利用后接的非线性激活函数大幅增加非线性特性,加深网络层次。
(3)跨通道信息交互
使用1×1卷积核,实现降维和升维的操作其实就是通道间信息的线性组合变化,3×3,64通道的卷积核后面添加一个1×1,28通道的卷积核,就变成了3×3,28个通道的卷积核,原来的64个通道就可以理解为跨通道线性组合变成了28个通道。
结合常见的卷积核形式以及使用的样本长度,本文在以下几种卷积核之间进行了反复的实验对比,综合结果如表1 所示(此时使用最大值池化)。
表1 不同卷积核平均识别结果Tab.1 Different convolution kernels comment on recognition results |
| 卷积核大小 | 平均识别率/% |
|---|---|
| 6×1 | 74.4 |
| 9×1 | 75.5 |
| 12×1 | 77.5 |
| 15×1 | 76.9 |
对比以上结果可知,卷积核大小为12×1时的网络模型可取得最佳的目标识别比例。利用此种形式的卷积核对样本进行特征提取后,还需要进行池化运算来降低数据维度,同时赋予已学习到的特征位移不变的特性。在实验中将池化区域设定为4×1,类似于二维卷积神经网络中常用的2×2池化,步长设置为4,不进行重复池化。本文中共使用了两层池化层,根据使用的池化策略不同,得到了如表2 所示的试验结果。
表2 不同池化策略下识别率对比结果Tab.2 Comparison of recognition rates under different pooling strategies |
| 池化策略 | 平均识别率/% |
|---|---|
| Max-Max | 77.5 |
| Max-Ave | 78.1 |
| Ave-Max | 75.9 |
| Ave-Ave | 78.3 |
如表中所示,当两层都采用平均值池化时,模型可取得78.3%的目标识别率,高于其他几种方式。最后,为对应文中选择的代价函数,以softmax分类器作为输出层,输出层节点为3。经过多次的实验对比后,卷积神经网络模型最终的详细网格参数如表3 所示,结构图如图4 所示。
卷积神经网络中的全连接层一般由大小为1×1的卷积核实现,表3 中的特征图数量类似于多层感知器网络中的神经元数量,该模型中的非线性激励函数同样使用ReLU函数。相比于sigmoid和tanh而言,该函数在降低模型运算量以及抑制“梯度消失”等方面具备更优秀的表现。
3 生成对抗模型建立
生成对抗网络(generative adversarial network, GAN)是一种基于博弈论的生成模型[17]。该模型通过对训练样本的概率分布进行学习,生成与训练样本概率分布相似的新样本,从而达到数据生成的目的,该方法在很多研究领域中已经取得了不错的效果。
生成对抗网络的基本结构如图5 所示,其主要由两个深度网络组成,这两个网络分别称为生成网络和判别网络。生成网络的主要作用是生成符合一定分布的且与真实数据极为相似的生成数据;判别网络的主要作用是在同时收到真实数据和生成器生成的数据时,准确地将两者区分开。
生成对抗网络的学习过程,就是判别网络和生成网络通过相互对抗,不断地更新迭代各自的参数,相互促进相互提升。最终使得生成网络能够生成与真实数据服从相同分布的生成数据,同时判别网络也通过不断的对抗以具有更强的分辨能力,进一步提高生成数据的质量。
不同于传统的图像生成任务(训练样本为二维矩阵),水下高速航行器回波信号生成任务的样本为一维向量。相应地,其生成对抗网络的基本单元应该选取全连接层或者一维卷积层。卷积结构具有局部感受野、权值共享等特点,能够在降低网络模型参数和复杂度的同时还确保高度的缩放、平移不变性,具备广泛的实用性,因此本文选择了一维卷积结构作为生成对抗网络的主要运算单元。生成对抗网络由生成网络模块和判别网络模块组成。生成网络的详细结构如图6 所示,其中,deconv表示反卷积层,stride表示步长,filters表示卷积核的通道数,Batch Norm表示批量归一化处理(batch normalization),activation表示激活函数。生成网络主要由输入层、输出层和5个反卷积单元组成。具体地,前4个反卷积单元的激活函数选取leaky relu函数,以避免梯度消失;第5个反卷积单元的激活函数选取tanh函数,使得输出介于-1~+1。为了提高收敛速率以及防止过拟合,笔者在前4个反卷积单元中加入了batch normalization批量归一化处理[18]。
判别网络的详细结构如图7 所示,其中,conv表示卷积层,fully connected表示全连接层。判别网络主要由输入层、输出层、3个卷积单元和一个全连接层组成。同样地,3个卷积单元和全连接层的激活函数选取leaky relu函数,以避免梯度消失;为了提高收敛速率以及防止过拟合,笔者在3个卷积单元中加入了batch normalization批量归一化处理[18]。
首先将整个生成对抗网络长度为100个数据点的随机噪声输入生成网络中, 经过5个反卷积单元的运算,输出长度为1 024个数据点的生成信号。然后,将生成信号和真实信号分别输入判别网络中,经过3个卷积单元和1个神经元个数为128的全连接层,最终输出信号的真假信息。
4 实验验证与结果分析
4.1 卷积神经网络实验验证
为了加快模型的收敛速度,本文针对一维时间序列的CNN模型的主要框架(如表3 所示),在每个卷积层之后加入了BN层,此外为保证模型的泛化能力,在分类层之前使用了dropout策略对其进行正则化处理,概率系数设定为0.4。网络同样使用Adam算法进行参数更新,初始学习率设置为0.001,每15代衰减为原先的一半,经过75代后停止训练过程。本文所应用的验证数据均为水下高速航行器试验场采集的高速航行数据,CNN模型的识别准确率见表4 ,收敛曲线见图8 。
从表4 可以看出,副本相关样本下模型平均识别准确率可以达到80%左右,其在副本相关样本下目标识别的具体结果见表5 。
表5 CNN模型的混淆矩阵Tab.5 CNN model confusion matrix |
| 类别划分 | 实际类别 | |||
|---|---|---|---|---|
| C | A | B | ||
| 预测 类别 | C | 0.878 | 0.387 | 0 |
| A | 0.122 | 0.613 | 0.052 | |
| B | 0 | 0 | 0.948 | |
此时,目标的平均识别准确率为80.5%。从表5 中可以看出,线、体两类目标的识别准确率遥遥领先,均在85%以上。但是点目标识别情况不理想,识别准确率远低于以上两种目标。
4.2 生成对抗网络实验验证
为了验证基于生成对抗网络的目标回波信号生成模型的有效性,本文利用处理后的目标回波副本相关信号作为真实信号进行回波信号生成实验。生成模型训练时所使用的超参数如表6 所示。
表6 训练超参数选择Tab.6 Training super parameter selection |
| 优化器 | Adam |
|---|---|
| L2惩罚系数 | 0.001 |
| 批量大小 | 4 |
| Leaky ReLU斜率系数 | 0.2 |
| 生成网络学习率 | 0.000 3 |
| 判别网络学习率 | 0.000 1 |
本文的网络模型训练时选用的优化器为深度学习中收敛速度较快的Adam函数。为了防止网络出现拟合,在网络中加入了L2正则化,正则化的系数为0.001。由于训练集数据量较小,本课题选择小批次训练,批次大小设为4,进而每回合网络参数更新次数为72次。
网络训练的回合数会影响生成信号的质量,回合数太少会导致欠拟合,使得生成信号和真实信号差异较大;回合数太多会导致过拟合,使得生成信号和真实信号完全一样,丧失了生成信号的意义。训练250代时的生成信号及其幅度概率分布对比如图9 所示。
从信号波形层面看,生成信号的亮点等间隔分布与真实信号基本一致,且亮点个数与真实信号基本一致都在3~6;从信号幅度概率密度分布来看,生成信号与真实信号的幅度概率密度分布走势基本一致。生成器G生成的图片已经很逼近真实图,但同时融合了一些其他真实数据的特征,因此又不与原图片完全相同。
本文基于GAN生成了大量的合成数据,并人为地对其进行挑选。在合成数据对原回波图像数据集进行扩充时,需要依靠一定的原则对其数量进行扩充。根据生成器和判别器的损失可以看出,在选择生成数据构成数据集时,应当尽可能地选择损失值小的迭代区间所产生的生成数据图,从而使合成数据集特征更贴近于真实数据集,如表7 所示。
表7 数据集扩充情况Tab.7 Data set expansion |
| 类别 | 扩充前 数量 | 网络识 别率 | 合成数据 扩充数量 | 扩充后 数据集数量 |
|---|---|---|---|---|
| 点目标 | 344 | 较低 | 301 | 645 |
| 体目标 | 813 | 较高 | 113 | 926 |
| 线目标 | 579 | 高 | 215 | 794 |
本文将生成对抗网络所增强的数据集加入已有原始数据库中,组成新水下目标回波数据集,应用到已构建的MLP和CNN模型进行训练,训练结果见表8 。
表8 数据集扩充后识别验证Tab.8 Recognition verification after data set expansion |
| 模型类别 | 输入 数据 | 体目标 | 点目标 | 线目标 | 平均 识别率 |
|---|---|---|---|---|---|
| 卷积神经 网络 | 原始数据 | 87.8% | 61.3% | 94.8% | 80.5% |
| 数据增强 | 93.9% | 80.1% | 94.8% | 92.2% |
从表8 中可知,利用数据增强方法可以在一定程度上提升目标的识别准确率。该结果说明,基于深度学习的目标识别方法准确率强依赖于整体样本质量与数量,本文所提出的深度学习模型结合生成对抗网络对副本相关样本的扩充方法并不会破坏目标特征。
5 结束语
本文针对水下高速航行器在复杂水下战场环境中面对新型对抗器材识别率不高的问题,提出了一种基于深度学习技术的水下目标识别方法,结合主动回波信号特点,设计并搭建了基于卷积核的深度学习识别模型,并针对水下目标回波数据匮乏的问题,建立生成了对抗网络模型对有限数据集进行数据扩充。实验结果表明,本文提出的深度学习水下目标识别方法可有效地对点、线、体目标进行识别,平均识别正确率可达87.8%。经过生成对抗网络进行数据集扩充后,重新对深度学习模型训练,识别准确率提升至92.2%。因此,本文提出的深度学习识别模型以及生成对抗网络的小样本识别方案可有效对水下目标进行识别,为下一步在水下高速航行器平台上部署奠定了技术基础。