深度神經網絡在螺旋槳葉片數(shù)識別中的應用

劉振，邱家興，程玉勝

深度神經網絡在螺旋槳葉片數(shù)識別中的應用

劉振，邱家興，程玉勝

(海軍潛艇學院，山東青島 266071)

從調制(Demodulation on Noise, DEMON)譜諧波簇中提取的結構特征可以建立用于螺旋槳葉片數(shù)識別的模板。使用模板匹配算法進行螺旋槳葉片數(shù)識別時，存在依賴模板庫和置信度準則、算法約束條件多、無法發(fā)現(xiàn)缺失模板等問題。本文提出了一種將深度神經網絡(Deep Neural Network, DNN)應用于螺旋槳葉片數(shù)識別的方法，該方法僅在訓練深度神經網絡時使用模板庫，克服了識別過程中對模板庫和置信度準則的依賴。此外，通過提取識別錯誤項，可以找到缺失模板，實現(xiàn)了對模板庫數(shù)據(jù)的補充。使用該算法對大量實測數(shù)據(jù)進行檢測，發(fā)現(xiàn)深度神經網絡具有更高的識別正確率，而且識別過程更加簡單可靠。

深度神經網絡；螺旋槳葉片；識別

0 引言

本文將深度神經網絡應用于螺旋槳葉片數(shù)識別中。首先分析了從DEMON譜諧波簇中提取結構特征向量的方法，然后使用計算機生成模板、模板細化、模板評估的方法初步生成模板庫數(shù)據(jù)[2]?；谠撃０鍘鞌?shù)據(jù)建立數(shù)據(jù)集訓練深度神經網絡(Deep Neural Network, DNN)模型。使用訓練完成的DNN模型對已知螺旋槳葉片數(shù)的船舶輻射噪聲信號進行識別，當識別結果出現(xiàn)錯誤時，提取識別錯誤項對應的模板，該模板為缺失模板。將缺失模板補充到模板庫中進行再訓練，可以得到具有更高識別率的DNN模型。識別過程如圖1所示。

圖1 螺旋槳葉片數(shù)識別流程圖

可以看出，僅使用訓練后的DNN模型就可以完成識別，識別過程更加簡單易行。

1 模板數(shù)據(jù)集的建立

從DEMON譜諧波簇中提取結構特征向量建立模板數(shù)據(jù)庫，基于該模板庫數(shù)據(jù)建立用于DNN訓練的數(shù)據(jù)集。

1.1 諧波簇結構特征向量提取

分析DEMON譜諧波簇中的特征結構[3]，可以提取諧波簇結構特征向量，螺旋槳葉片數(shù)模板就是基于該結構特征向量建立。結構特征向量提取的主要步驟[2]特征向量提取的主要包括：

(3) 根據(jù)1～階諧波峰值所在位置，計算諧波面積特征向量。

從DEMON譜中提取前10階諧波特征值，每階諧波劃分為6級，則每一種組合對應一個6級10階模板。圖2為某4葉槳民用船只輻射噪聲DEMON譜圖，船舶工況轉速為93 r·min-1，圖3為該DEMON譜對應諧波簇特征結構6級10階模板。

1.2 模板庫的建立

其中，表示葉槳對應的模板個數(shù)。表示集合包含的模板個數(shù)。

圖3 某4葉民用船只輻射噪聲DEMON譜對應模板

使用這種方法建立的模板庫可能會存在部分模板缺失的情況，這種缺失在使用模板匹配算法進行螺旋槳葉片數(shù)識別時會導致兩種結果：

(1) 待識別諧波簇結構特征向量匹配不到對應模板和近似模板，判定為無法識別的類型；

(2) 待識別諧波簇結構特征向量匹配到近似模板，根據(jù)置信度準則判定為正確或錯誤類型。

根據(jù)以上3種情況，當模板匹配識別結果判定為正確、錯誤或無法識別類型時，均不能確定諧波簇結構特征向量對應模板是否在模板庫中，難以發(fā)現(xiàn)缺失模板。

1.3 模板庫數(shù)據(jù)集的建立

在DNN網絡訓練中，這是一種訓練樣本極不均衡的訓練問題[5]。

2 DNN模型訓練

2.1 網絡結構

DNN網絡模型如圖4所示，它是深度學習最基本的模型之一。該網絡通過構建多隱層的機器學習模型，可以擬合高度非線性復雜函數(shù)。目前DNN網絡模型在語音處理[6]、醫(yī)療[7]、軍事[8]等多個領域取得了很好的應用效果。

DNN網絡模型的訓練通常是計算網絡前向運行結果與模板標記之間的損失函數(shù)，然后使用反向傳播算法更新網絡參數(shù)。

圖4 深度神經網絡(DNN)結構圖

小批量樣本的損失：

則梯度估計可以表示為

參數(shù)變化表示為

2.2 網絡節(jié)點設置

表1 深度神經網絡(DNN)模型的訓練效果

3 實測船舶輻射噪聲數(shù)據(jù)實驗

分析從水聽器中錄取的噪聲信號，通過計算其DEMON譜發(fā)現(xiàn)，有的DEMON譜(如圖5所示)可以提取到螺旋槳葉片數(shù)信息；有的DEMON譜(如圖6所示)難以提取螺旋槳葉片數(shù)信息。

圖5 某包含螺旋槳葉片數(shù)信息DEMON譜

在螺旋槳葉片數(shù)識別過程中，對于可以提取螺旋槳葉片數(shù)信息的樣本識別出正確螺旋槳葉片數(shù)，對于難以提取螺旋槳葉片數(shù)信息的樣本判定為無法識別的類型，這兩種情況均屬于識別正確，識別流程如圖7所示。其它情況屬于識別錯誤。

圖6 某不包含螺旋槳葉片數(shù)信息DEMON譜

圖7 兩種識別正確情況的框圖

3.1 實驗一

挑選實測船舶輻射噪聲信號共324個，每個信號代表一個樣本。計算其DEMON譜，經統(tǒng)計得到DEMON譜中包含螺旋槳葉片數(shù)信息的信號共208個，不包含螺旋槳葉片數(shù)信息的信號116個。

使用訓練完成的DNN模型對樣本進行識別，并將識別結果與模板匹配算法識別結果進行比對。統(tǒng)計識別結果時基于以下兩點假設：

(1) 在識別過程中，從DEMON譜中提取的軸頻信息準確；

(2) DNN模型與模板匹配算法識別結果相同時，認為識別結果正確。

統(tǒng)計兩種算法的識別正確率如表2中實驗1所示。兩種算法識別結果中有226個樣本識別結果相同，98個樣本識別結果不同。在這98個樣本中，兩種算法識別情況如表3中實驗1所示。

3.2 實驗二

DNN模型識別錯誤的46個樣本對應的6級10階模板均為缺失模板。將該缺失模板補充到模板庫中，重新構建模板數(shù)據(jù)集，訓練DNN模型。使用訓練完成的模型對324個樣本進行再次識別，識別結果如表2中實驗2所示。其中有272個樣本識別結果相同，52個樣本識別結果不同。在這52個樣本中，兩種算法的識別情況如表3中實驗2所示。

結果顯示，識別結果不同的52個樣本均是由于模板匹配算法出現(xiàn)錯誤，而DNN模型的識別正確率趨于100%。

可以看出，基于本測試集，通過合理訓練DNN模型使其能夠記住所有測試樣本對應的6級10階模時，DNN模型識別正確率可以趨于100%，而模板匹配算法始終存在即使有對應模板仍然識別錯誤的情況。

3.3 實驗三

挑選更大規(guī)模的船舶輻射噪聲信號，增大測試樣本集數(shù)量至1 287個，其中包含螺旋槳葉片數(shù)信息的信號共839個，不包含螺旋槳葉片數(shù)信息的信號448個。使用上述添加模板后的DNN模型對樣本進行識別，并將識別結果與模板匹配算法識別結果進行比對。兩種算法的識別正確率如表2中實驗3所示。兩種算法的識別結果中有915個樣本識別結果相同，372個樣本識別結果不同。在識別結果不同的372個樣本中，兩種算法識別情況如表3中實驗3所示。

逐個分析這372個樣本，提取對應的6級10階模板。發(fā)現(xiàn)DNN模型識別錯誤的110個樣本均判定成了無法識別類型，其對應的模板全部不在模板庫中；模板匹配算法識別錯誤的262個樣本對應模板全部在模板庫中。

表2 基于DNN模型和基于模板匹配算法得出的識別結果統(tǒng)計

表3 對基于DNN模型和模板匹配方法識別結果不同的樣本進行再次識別后得出的識別結果統(tǒng)計

3.4 實驗四

DNN模型識別錯誤的110個樣本對應的6級10階模板為缺失模板。再次將識別發(fā)現(xiàn)的缺失模板補充到模板庫中，重新構建模板庫數(shù)據(jù)集，訓練DNN模型。然后對1 287個樣本進行再次識別，識別結果如表2中實驗4所示。其中有1025個樣本識別結果相同，262個樣本識別結果不同。在這262個樣本中，兩種算法識別情況如表3中實驗4所示。

結果顯示，262個識別結果不同的樣本均是由于模板匹配算法出現(xiàn)錯誤導致的，而DNN模型識別正確率趨于100%。

從以上4個實驗中可以看出，基于DNN模型的螺旋槳葉片數(shù)識別算法針對給定的數(shù)據(jù)集正確率可以達到100%。當模板庫中存在模板時，DNN模型會識別正確；當模板庫中不存模板時，DNN模型會識別錯誤，而且識別錯誤項對應的模板即為缺失模板。提取缺失模板補充到模板庫中，可以得到具有更高識別率的DNN模型。

4 結論

本文提出了使用深度神經網絡模型進行螺旋槳葉片數(shù)識別的算法。該算法基于DEMON譜諧波簇結構特征信息，通過訓練DNN模型，僅在訓練過程中使用模板數(shù)據(jù)，實現(xiàn)了識別過程中不依賴模板庫和置信度準則的螺旋槳葉片數(shù)識別。識別過程僅使用6×1 024的網絡參數(shù)就可以完成，識別速度更快。此外，該算法不需要將模板庫帶入使用現(xiàn)場，對于數(shù)據(jù)保密具有重要意義。

使用大量實測噪聲信號進行檢測，結果表明DNN算法簡單可靠，具有更高的識別率。在船舶噪聲信號具有一定信噪比，其DEMON譜軸頻提取正確的前提下，DNN模型可以通過發(fā)現(xiàn)識別錯誤項、提取模板、補充模板數(shù)據(jù)的方式不斷完善模型?？梢钥闯觯@是一個不斷進步的過程。實際使用過程中，如果通過多次識別檢測、補充缺失模板的方式得到全部模板數(shù)據(jù)，則DNN模型的識別正確率可以趨于100%。

[1] 白敬賢, 高天德, 夏潤鵬. 基于DEMON譜信息提取算法的目標識別方法研究[J]. 聲學技術, 2017, 36(1): 88-92.

BAI Jingxian, GAO Tiande, XIA Runpeng. Target recognition based on the information extraction algorithm of DEMON spectrum[J]. Technical Acoustics, 2017, 36(1): 88-92.

[2] 程玉勝, 高鑫, 劉虎. 基于模板匹配的艦船螺旋槳葉片數(shù)識別方法[J]. 聲學技術, 2010, 29(2): 228-231.

CHENG Yusheng, GAO Xin, LIU Hu. A method for ship propeller blade-number recognition based on template matching[J]. Technical Acoustic, 2010, 29(2): 228-231.

[3] 史廣智, 胡均川. 艦船噪聲調制諧波簇結構特性理論分析[J]. 聲學學報, 2007, 32(1): 19-23.

SHI Guangzhi, HU Junchuan. Theoretical analysis of the structure law of ship radiated-noise demodulation spectrum harmonic clan feature[J]. Acta Acustica, 2007, 32(1): 19-23.

[4] 殷敬偉, 惠俊英. 基于DEMON線譜的軸頻提取方法研究[J]. 應用聲學, 2005, 24(6): 369-374.

YIN Jinwei, HUI Junyin. Extraction of shaft frequency based on the DEMON line spectrum[J]. Applied Acoustics, 2005, 24(6): 369-374.

[5] JAPKOWICZ N, STEPHEN S. The class imbalance problem: a systematic[J]. Intelligent Data Analysis study, 2002, 6(5): 429-449.

[6] ZHA Z L, HU J, ZHAN Q R, et al. Robust speech recognition combining cepstral and articulatory features[C]//IEEE International Conference on Computer and Communications. IEEE, 2018: 1401- 1405.

[7] HAVAEI M, DAVY A, WARDE-FARLEY D, et al. Brain tumor segmentation with Deep Neural Networks[J]. Medical Image Analysis, 2017, 35:18-31.

[8] 游飛, 張激, 邱定, 等. 基于深度神經網絡的武器名稱識別[J]. 計算機系統(tǒng)應用, 2018, 27(1): 239-243.

YOU Fei, ZHANG Ji, QIU Ding, et al. Weapon named entity rased on deep neural network[J]. Computer Systems & Applications, 2018, 27(1): 239-243.

[9]GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning[M]. Cambridge: Mit Press, 2016: 94-95.

Application of deep neural network in blade-number recognition of ship propeller

LIU Zhen, QIU Jia-xing, CHENG Yu-sheng

(Navy Submarine Academy, Qingdao 266071, Shandong, China)

Structural feature vectors, which extracted from the harmonic waves in DEMON spectral, can be used to establish the templates for recognizing the propeller blade-number of ship propeller. However, in the recognition method based on template matching algorithm, there are some problems hard to be solved, such as relying on template library and confidence factor algorithm, containing too many constraints and unable to find missing templates. In this paper, a Deep Neural Network (DNN) based method for propeller blade-number recognition is proposed. In this method, the template library is only used when training the deep neural network, so that the problem of relying on template library and confidence factor algorithm disappears in the recognition process. In addition, by extracting the recognition error item, the missing templates can be found as the supplement of the template library. Through the tests of propeller blade-number recognition from the measured large amount of ship radiated noise data, it is confirmed that the DNN based method has higher accuracy in propeller blade-number recognition, and the recognition process is more simple and reliable.

Deep Neural Network (DNN);blade; recognition

O429

A

1000-3630(2019)-04-0459-05

10.16300/j.cnki.1000-3630.2019.04.017

2018-10-21;

2018-11-29

劉振(1994－)，男，河南信陽人，碩士研究生，研究方向為水聲目標識別。

劉振，E-mail:liuzhen_lzz@163.com