基于深度學習的復雜觀測條件下工頻磁異常探測

文仕強，田 斌，梁 冰，葛友鋮

（武漢工程大學 電氣信息學院，武漢430205）

工頻磁場具有頻率低、波長長、分布廣泛等特征[1]，世界各國輸變電網絡均能在空中和海域產生分布均勻、強度穩定的可探測工頻磁場，工頻磁場探測技術可對低噪聲、低熱輻射、高消磁的重要目標進行探測[2]，可作為傳統探測技術的有效補充探測手段，工頻磁場探測與反探測技術在目標探測、空中電磁污染探測等領域逐漸成為國內外研究熱點[3]。

近年來，國內外多個課題組開始研發具有集成電路功能的高精度感應式磁傳感器，能利用集成電路高效快捷處理原始數據，使之轉化為多特征時間序列信號[4]。

目前，對地面及空中目標活動的探測與識別是當前工頻磁場探測的熱點之一[5]。主流方式是基于時間序列的特征提取，主要分為三類：提取時域特征、提取頻域特征、提取時頻域特征[6]。而時間序列異常檢測（ADD）方法則包括集成學習、深度學習、淺層神經網絡、小波變換、K 近鄰算法等方法[7-8]。從上述方法在磁異常方向的應用效果來看，對磁異常信號的探測精度仍難以達到較高水平，具有較高的漏報與誤報率。

為解決上述問題，本文通過復雜觀測環境下的工頻磁場探測信號進行統計分析，提取數據進行時域特征，提出結合CNN、LSTM 與Attention 機制結合的新型預測模型，導入不同類型目標信號以及復雜背景下無目標背景信號訓練模型，同時在測試集中加入了未經訓練目標擾動數據，將不同目標模型預測信號與測試數據比對，獲取差值并進行加權平滑，設置滑動窗口對時間序列數據進行檢測，結合CNN、LSTM 與Attention 機制的新型預測模型可在較大范圍（20 m 內）有較高精度。

1 系統設計

本文中所提出的工頻磁場探測系統示意圖如圖1所示。三軸感應式磁傳感器從環境中采集原始時間連續信號f（t），再將其轉化成時間序列數據｛fn｝，最后對｛fn｝進行目標擾動信號探測。首先對｛fn｝的時域信號做特征工程提取，即根據多維度磁異常數據的時間序列信號不同維度相關性、不同狀態下工頻磁信號差異等特征，提取各狀態下工頻磁場時域信號序列}，再將二者分別輸入至CNN、LSTM 與Attention 機制結合的新型預測模型訓練，生成網絡模型作為異常檢測器，用來檢測工頻磁場擾動信號。

圖1 模型結構圖Fig.1 Model structure

2 算法實現

2.1 特征工程

復雜條件下的磁場信號是連續時間信號f（t），傳感器以時間間隔Δt=2 ms 進行采樣得到離散信號f（n·Δt）≡f_n（n=1、2、3、…、N-1），其中N為信號長度。

工頻磁場數據背景場信號不穩定，為分離出擾動信號與背景場信號，本文采用歐幾里得距離法分離出異常信號與背景信號，通過取同軸近鄰兩個位置數據為x，y，每次檢測共取6 組數據分別來自X、Y、Z軸，所以在數據中取得兩近鄰點下標為x_x、y_x、x_y、y_y、x_z、y_z，其歐幾里得距離可表示為

式中：i=x、y、z，分別表示3 個維度數據。

為避免單個數據異常造成誤判，本文將設置一個閾值，僅當臨近簇的異常數據點大于閾值，才定義為異常信號。

2.2 CNN、LSTM 與Attention 機制結合的神經網絡

本文將CNN、LSTM 兩種網絡和Attention 注意力機制融合在一起合成一種新的神經網絡，用于各種序列連續識別任務。對于磁場信號建模能力來說，CNN 擅長減小頻域變化[8]；GRU 可以提供長時記憶，在時域上有著廣泛應用[9]；Attention 機制能有效聚焦關鍵特征，所以將三者聯合進行特征提取，用聚類方法進行異常檢測，可以獲得比單獨網絡更好的性能[10]。

本文所采用模型結構如圖2所示，先使用一維conv 層提取特征以提供良好的學習效果[11]，再通過LSTM 層與Attention 機制良好的時間序列特性，集中于重點特征訓練，從而達到良好訓練效果[12]。

圖2 CNN、LSTM 與Attention 機制結合的神經網絡結構Fig.2 Neural network combining CNN，LSTM and Attention mechanism

3 實驗結果與分析

3.1 實驗場景

實驗地點位于武漢市某生活區，環境相對復雜，車流量較多，能模擬真實場景。實驗50 Hz 背景場信號如圖3所示。由圖3 可知，實地背景場情況與工頻磁場信號理論情況類似，三軸幅值基本穩定在0.2～1.4 nT 左右，且基本呈現正弦信號圖像。

圖3 三軸傳感器50 Hz 磁場幅度隨時間變化圖Fig.3 Variation of 50 Hz magnetic field amplitude of triaxial sensor with time

3.2 原始信號時域特征提取

傳感器系統采集連續時間序列信號，其中包括有目標、背景場信號，使用Matlab 繪制圖形如圖4所示，結合圖3 可看出，總體信號由背景信號與目標信號疊加形成。

圖4 擾動信號實測圖Fig.4 Measured disturbance signal

3.3 特征工程

對原始信號做傅里葉變換后提取出50 Hz 特征圖，并提取50 Hz 信號特征，如圖5所示。顯然，X、Y、Z軸數據分別聚焦于0.2～0.39 nT、0.17～0.32 nT、1.18～1.75 nT 之間，利用Attention 機制很容易將注意力權重集中于重點段區域。

圖5 X、Y、Z 幅值分布圖Fig.5 X，Y and Z amplitude distribution

3.4 CNN、LSTM 與Attention 機制結合的神經網絡擬合結果

本組實驗中神經網絡的輸入分別是原始數據50 Hz 傅里葉變換之后的時間序列數據。樣本被分為20%的訓練集和80%的測試集。為使模型具有更強的泛化能力，本實驗將不同距離、不同車速隨機輸入模型。網絡訓練樣本總數為349151，測試樣本總數為846580。將訓練樣本每10 個點（1 s）作為一個滑動窗輸入至網絡中訓練，得到的損失函數與測試準確率如圖6所示。

圖6 CNN+LSTM+Attention 網絡X 軸擬合圖像Fig.6 Fitting image to X-axis of CNN，LSTM，Attention network

圖7 中可見該方案獲得了較好的損失值，能很好地捕捉不同車輛出現的時間，同時將其與其他單一模型對比。

圖7 多輪斷點續訓后損失值Fig.7 Loss values after multiple rounds of breakpoint training

表1 顯示該模型比其他單一模型具備更好的擬合能力，能更準確地判斷目標的出現。

表1 CNN-LSTM-Attention 模型與其他單一模型預測結果對比Tab.1 Comparison of the prediction results of the first mock exam model with the CNN-LSTM-Attention model

3.5 CNN、LSTM 與Attention 機制結合的神經網絡分類機制

在深度學習擬合獲得良好效果之后，由于擾動樣本不足，采用結合了閾值法和歐幾里得距離法的算法對84 組目標信號進行分類（有目標和無目標），分類結果如表2所示。

表2 實際分類準確率Tab.2 Actual classification accuracy

4 結語

時間序列在復雜環境下的磁場探測中變得非常重要。現有的大多數方法計算復雜度高或預測精度低。為此，本文提出了一種新的深度學習框架（CNN、LSTM 與Attention 機制結合的神經網絡）對多元時間序列進行分類。該模型從每個通道的單變量時間序列中自動學習特征，并在最后一層將所有通道的信息結合起來作為特征表示。將傳統的MLP 連接起來進行分類。最后，基于實測自制數據集上評估了模型。實驗結果表明，該模型在實測過程中有較低的擬合誤差和較高的分類準確率。這為進一步對復雜環境下的磁場異常信號檢測研究提供了基礎。