基于LeNet-5模型對廣播電視發射機入射功率圖的區分

黃卿 劉峻

摘要：目前在廣播電視無線傳輸發射領域，對設備運行數據監控圖的分類區分采用人工的方式進行，無法區分設備的軟故障和硬故障，往往存在誤判、漏判現象。鑒于卷積神經網絡在圖像識別方面的優良特性，本文選取具有代表性的廣播電視發射機入射功率監控圖作為樣本集，對卷積神經網絡LeNet-5模型進行改進，并將其應用于廣播電視發射機入射功率監控圖的識別以區分設備的軟故障和硬故障。實驗表明，該優化后的卷積神經網絡模型在對廣播電視無線發射機的入射功率監控圖的識別中，能夠較好地區分軟故障和真實故障，滿足實際需求。

關鍵詞：發射機;入射功率;卷積神經網絡

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2019）11-0094-02

0 引言

隨著廣播電視事業的發展，廣播電視無線傳輸領域經歷了從電子管時代到固態化時代再到目前逐步進入的數字化時代，各廣播電視無線發射臺也逐步適應時代的發展，引入各個時期的技術并運用于工作當中。目前各發射臺的監控系統雖具備通過采集監控設備的一些關鍵電壓電流值，并在這些值出現超出人為設置的門限值后認定為設備故障的能力，但卻無法區分一些軟故障和真實故障。對此，在實際的設備搶修維護當中，還是需要技術人員結合監控圖表和自身經驗才能準確判斷故障點位置。因此研究采用智能手段，通過模仿人類的視覺系統去查看監控圖表，識別故障情況，將有助于消除誤告警，大大減少勞動成本。

近來卷積神經網絡（CNN）在圖像和語音識別方面取得了卓越成效。卷積神經網絡（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks）[1]，因此本文基于卷積神經網絡的經典模型LeNet-5對廣播電視無線發射機入射功率監控圖進行區分識別，區分出軟故障和真實故障。

1 樣本處理及模型優化

1.1 樣本處理

數據集來源于某頻率中波發射機入射功率監控圖，功率1KW，告警閾值為300W。樣本集共10000張，分為兩類，軟故障類（偶發性功率下降超過閾值）和真實故障類（頻繁在閾值區域內波動），每類樣本數量為5000張，訓練集共8000張，驗證集共2000張，如圖1a和圖1b所示為例圖。

很顯然，目前的監控系統對于這類故障現象出現了“不該告警它告警，該告警的它忽略”的情況。

1.2 模型優化

為解決上述故障區分問題，本文采用基于LeNet-5模型的卷積神經網絡，并對其進行優化后用來進行區分識別。圖2描述了優化前后的兩種CNN模型，其中圖2a為傳統的LeNet-5模型結構，圖2b為加入了Dropout正則化方法后的模型，參數為Dropout（0.5）。

Dropout是神經網絡中最常用的正則化方法之一，其原理是在訓練過程中隨機將該層的一些輸出特征舍棄，從而“破壞”神經網絡的一些傳播“習慣”，傳統的LeNet-5模型沒有Dropout層，本文加入Dropout層進行優化以避免過擬合。

2 實驗及結果分析

設置epochs=30，運行結果如圖2所示：圖2c為傳統的LeNet-5模型運行結果圖，可以看到訓練集loss隨著acc上升而下降，但是驗證集loss和acc波動頻繁，并沒有很好的收斂，尤其是在第13個epoch的時候驗證集loss居然超過了驗證集acc，存在嚴重的過擬合現象。圖2d為加入了Dropout的模型運行結果圖，可以看到在第16個epoch的時候才出現一些過擬合現象。說明加入Dropout能有效地降低過擬合。最終測試得到其訓練精度為0.95，滿足實際需求。

3 結語

本文基于卷積神經網絡LeNet-5模型對其進行改進，經過多輪迭代訓練，優化相應超參數，構建相應卷積神經網絡對發射機入射功率監控圖進行識別，以區分廣播電視無線發射機的軟故障和真實故障。實驗表明，該優化后的卷積神經網絡模型在對廣播電視無線發射機的入射功率監控圖的識別中，能夠較好地區分軟故障和真實故障，滿足實際需求。

參考文獻

[1] Goodfellow，I.，Bengio，Y.，Courville，A..Deep learning[M].Cambridge：MIT press，2016：326-366.