基于多通道卷積神經網絡的磁性艦船目標運動參數估計

馬劍飛，顏 冰，林春生，陳 浩

(海軍工程大學 兵器工程學院， 湖北 武漢 430033)

艦船磁場是水中兵器實施磁性探測的信號源，在水下布放測量節點可直接獲取艦船目標磁場時間序列數據，據此可以對艦船目標運動參數進行估計。傳統的濾波估計方式，如卡爾曼濾波以及粒子濾波，對目標的估計效果嚴重依賴于初始位置和磁矩等先驗信息。而且傳統的檢測估計模型對于不同的目標或者同一目標的不同形態，需要設計者仔細思考如何去提取其特征，模型的最終識別效果也深受設計者們是否有充足的相關經驗的影響。

卷積神經網絡(Convolutional Neural Network, CNN)建立在認知機的基礎之上[1-3]，通過卷積核的卷積處理來從輸入圖像中自學習得到目標特征。CNN 具有良好的通用性，可以識別多種不同的模式或目標，并對一定程度的扭曲形變具有良好的魯棒性。目前CNN已經在圖像檢測、圖像分割、語音識別等領域應用得十分廣泛[4]，本文的研究工作主要集中在以多通道磁時間序列數據作為網絡輸入，利用CNN估計磁性艦船目標的運動參數。

1 建立磁性目標數據庫

CNN的訓練過程需要大量的磁場數據，所以在研究利用CNN估計磁性目標運動參數之前，先建立磁性運動目標產生的磁場三分量磁傳感器的投影模型，并據此生成不同磁性目標在各種運動參數條件下的運動數據集。

1.1 橢球體與磁偶極子陣列混合模型

橢球體與磁偶極子陣列混合模型是艦船磁場建模中最常使用的等效模型。……