基于卷積神經網絡的末敏彈復合探測信號識別方法

閆廣利,郭 銳,劉榮忠,武軍安

(南京理工大學 智能彈藥技術國防重點學科實驗室,江蘇 南京 210094)

1 引 言

末敏彈是一種重要的反裝甲靈巧彈藥,通過彈載探測器在作戰區域上空旋轉掃描搜集目標信息,一旦發現目標立刻起爆EFP戰斗部,從而實現在特定區域內對目標的精準打擊。為了提升識別準確度,末敏彈一般采用多模探測方案,即同時采用多種傳感器進行掃描,以獲取目標的多維度信息,例如美國的SADARM和德國的SMART均采用了主、被動毫米波/紅外探測,法國的ACED末敏彈和俄羅斯的改進型9K55K1都采用了紅外/毫米波復合探測,美國的BLU-108智能反坦克彈藥攜帶的Skeet末敏子彈和法、瑞兩國聯合研制的BONUS末敏彈最初只采用的多波段紅外敏感器,后來都加裝了激光雷達實現復合探測。目前我國已經研制出采用3 mm主、被動毫米波/紅外復合探測的末敏彈,為進一步提升末敏彈的作戰效能,已經展開了毫米波/激光/紅外三模復合探測末敏彈的研制工作[1-3]。

當前目標識別算法大體可以分為兩類:基于人工特征提取的方法和基于深度學習的方法。傳統的末敏彈目標識別算法屬于前者,特征提取由人工完成,比較依賴設計人員的經驗,且所得特征大多屬于淺層次特征,其穩定性一般,易受外界干擾,而特征表示的優劣對算法的識別精度有著重要影響。

經典的末敏彈目標識別方法基于人工特征提取,其算法流程大致為:數據預處理,特征提取,特征分類。其中數據預處理階段多采用濾波方法或小波理論進行信號降噪,特征提取階段一般選擇提取探測信號的峰值、脈寬、能量、最大斜率等構成特征向量,特征分類階段一般基于BP神經網絡、支持向量機、模糊集理論等設計分類器[3-5]。整個算法模型的構建采用分治策略,將目標識別問題分解為若干環節,并試圖在每個環節獲得局部最優解,但局部最優并不意味著全局最優,而且每個環節——特別是特征選擇與提取,含有較多人為因素,會對最終算法的精度產生重要影響,導致算法的魯棒性較低。

以卷積神經網絡為代表的深度學習方法,能夠通過“端到端”的學習,自動提取目標的深度穩定特征,已經在計算機視覺、自然語言處理等眾多領域取得出色效果,當前,將深度學習方法應用于新領域已成為一股研究熱潮。蘇寧遠等[6]將卷積神經網絡應用于雷達海上目標識別,設計了一種雙通道CNN對雷達信號預處理得到的時間-多普勒譜和幅度信息分別進行特征抽取,獲得了較好的識別性能；張弘斌等[7]提出一種多通道輸入的卷積神經網絡來診斷軸承故障,通過設計一種三通道樣本交給CNN融合處理得到診斷結果,其模型比基于單通道樣本的模型診斷準確度高；郭迎福[8]等將CNN用于風力機葉片裂紋診斷,在雙目攝影測量原理的基礎上,提出一種三維振動信息融合的多通道樣本構造方法,然后設計了一種新的多尺度卷積神經網絡來獲取裂紋多層次語義信息,該方法具有較高的診斷精度；葉壯[9]等利用經驗模態分解對振動信號進行處理獲得多通道一維信號,然后提出了一種基于多通道一維卷積神經網絡的齒輪箱故障診斷方法,所提方法的故障診斷能力優于典型的深度學習方法和機器學習分類器。

目前末敏彈的目標識別多采用傳統方法,在公開的文獻中鮮有采用深度學習方法的案例,南京理工大學的武軍安[10]等以線陣激光雷達作為末敏彈探測器,利用卷積神經網絡對線陣激光雷達掃描獲取的距離像進行目標分類與識別,所用方法識別精度較高,即使在復雜背景下也能有效識別裝甲目標。但目前尚未有針對末敏彈點源、多模探測信號的深度學習識別算法研究,本文針對毫米波輻射計、激光測距雷達和紅外敏感器三模探測信號,提出了3種樣本構造方案和3種卷積神經網絡結構,并通過實驗測試了各個模型性能。

2 卷積神經網絡

卷積神經網絡(CNN)是受到生物學上的感受野概念啟發而提出來的,最早主要用于處理圖像信息,一般由卷積層、池化層和全連接層這樣的基礎層堆疊構成。

卷積層(Convolution Layer)的作用是特征提取,計算方式如下:

(1)

池化層(Pooling Layer)用于特征選擇和降采樣,一般采用最大池化(Max Pooling)方法,計算方式如下:

(2)

其中,pi,m表示一個池化區域的輸出;Rm表示一個池化區域;qi,k是池化區域中的元素。

全連接層(Fully Connected Layer)的作用是整合上一層輸出的所有特征表示,將其映射到樣本標記空間,計算方式如下:

(3)

其中,δk表示當前層第k個神經元的輸出;xi是上一層輸出的第i個元素;wk,i是第k個神經元的第i個權重;bk是第k個神經元的偏置;f(x)是當前層的激活函數。

CNN在結構上具有權重共享、局部連接、匯聚等特性,這使其參數量較少,且具有一定的平移、縮放和旋轉不變性。最初CNN主要應用于圖像分析任務,其性能遠超其他種類的神經網絡,近年來也被廣泛地應用于推薦系統和自然語言處理等領域。當前,利用卷積神經網絡給各行業賦能已成為一個研究熱點。

本文所提算法主要是利用卷積神經網絡出色的擬合能力,獲得從探測信號到識別結果的良好映射,同時,通過設計神經網絡結構將多種不同傳感器信號中蘊含的信息加以融合,以提升算法的識別能力。

3 基于CNN的末敏彈多模復合識別方法

考慮到數據對于深度學習模型的重要性,本文采用多種不同的樣本構造方法,以求找到相對適合于CNN模型提取特征的樣本類型。針對多種樣本類型,本文提出了單通道和多通道兩種類型的網絡結構,以求找到性能相對較好的模型結構。

3.1 數據預處理

末敏彈是智能化彈藥的一種,為了提高戰場環境適應能力和精準打擊能力,目前多采用復合探測識別手段,通過掛載多種不同類型的探測器,獲取不同維度下的戰場信息,例如采用毫米波、激光和紅外復合探測,就可以同時獲得目標的幾何與溫度信息,這樣的復合探測信號能夠提供更為全面的戰場信息,進而能為目標識別算法提供更豐富的環境特征,有利于提高目標識別準確率、降低虛警率。

本文采用課題組積累的多模探測試驗數據制作訓練樣本,其中含有毫米波輻射計、激光測距雷達和紅外敏感器3種探測信號,均為點源探測器。由于探測器需要現場調試,試驗現場環境較為復雜,部分探測信號存在不同程度的干擾,但這恰恰為神經網絡模型提供了豐富的樣本,有利于提升算法的魯棒性,以適應復雜的現場情況。信號波形如圖1所示,對于這3個時間序列,不同的樣本構造方式,輸入模型后所能提取的特征和信息融合的過程是存在差異的,對此本文提出了3種樣本構造方案,以探究何種構造方案相對更有利于特征提取與分類。

圖1 三種探測信號Fig.1 Three detection signals

方案1:直接以灰度值表示信號強度,將3種信號值分別映射到[0,255]灰度區間,然后并排構成一張3×n×1的灰度圖(n為信號所含時間點的數量),如圖2所示。

圖2 并排形式的多信號樣本Fig.2 Multiple signal samples side by side

方案2:同樣直接以灰度值表示信號強度,將3種信號值分別映射到[0,255]灰度區間,然后將每種信號作為一個圖像通道,構成一張1×n×3的RGB圖,如圖3所示。

圖3 多信號RGB樣本Fig.3 Multi-signal samples in RGB format

方案3:以波形圖呈現信號,圖像的縱向表示信號強度,橫向表示時間,即取一段時間內的信號,將三種信號值映射到圖像高度,再將這段信號降采樣到圖像寬度,然后將每種信號的波形圖作為一個圖像通道,構成一張H×W×3的RGB圖像,如圖4所示。

圖4 波形RGB樣本Fig.4 Waveform samples in RGB format

3.2 網絡結構設計

針對上述復合信號樣本的類型,考慮到不同層面的信息融合,本文設計了單通道和多通道兩種基本的網絡結構,將二者結合形成第三種網絡結構,其中多通道網絡是以單通道網絡模塊為分支搭建的。

結構1:單通道網絡采用兩個卷積層,兩個池層化和兩個全連接層,最后連接Softmax分類器,但根據樣本的不同,采用不同類型的卷積核,整體結構如圖5所示,如果輸入數據是復合信號,則相當于在數據層進行了信息融合。

圖5 單通道網絡Fig.5 Single channel network

結構2:多通道網絡是在輸入層之后產生多個分支,每個分支連接一個單通道網絡模塊,對復合信號中的一種進行單獨卷積,以提取出該種信號的獨有特征,然后在全連接層以級聯的方式完成特征融合,再經過一層全連接層,將融合特征輸入Softmax分類器,如圖6所示。

圖6 三通道網絡Fig.6 Three-channel network

結構3:從信息融合層次的角度看,單通道網絡在輸入層之后直接對原始復合信號施加了卷積操作,屬于數據層融合,而多通道網絡通過單獨的卷積通道對每種信號分別提取獨立特征,然后在全連接層組合所有特征,屬于特征層融合。前者最終提取到的是復合信號特征,后者提取到的是單種信號的獨立特征,將這兩類特征組合起來,即同時在數據層和特征層進行信息融合,所得特征在理論上能更全面地描述輸入信號,相應的網絡結構如圖7所示。

圖7 四通道網絡Fig.7 Four-channel network

4 實驗結果與分析

4.1 實驗樣本

實驗樣本來自高塔試驗數據,含毫米波輻射計、激光測距雷達和紅外敏感器三種探測信號,如圖1所示。根據信號波形,為了充分捕捉有目標的時段,采用長度為256的滑動時間窗口對信號進行截取,在此基礎上,分別按照前文所提的3種樣本構造方案制作數據集,圖8展示了每種樣本構造方案下的4對樣本。

圖8 實驗樣本Fig.8 Experimental samples

由于在末敏彈探測信號中,掃描到目標的時段相對較短,為了保證樣本數量均衡,對滑動時間窗口采用變步長策略,在有目標區域采用小步長,在無目標區域采用大步長,以保證正負樣本數量基本相等,最終獲得各方案下的樣本87128個,其中負樣本(無目標)43580個,正樣本(有目標)43548個,并按照3∶1的比例將數據集劃分為訓練集、測試集。

4.2 實驗平臺與網絡參數

為了說明復合探測的優勢,根據3.1小節的樣本方案2和方案3,以單模毫米波輻射計信號構造樣本作為對照組,采用相同的單通道網絡結構進行訓練。各類型的樣本、網絡結構與模型的對應關系如表1所示。

表1 樣本與模型對應關系Tab.1 Correspondence between samples and models

本文針對末敏彈點源探測器的信號數據設計了3種不同類型的樣本,又提出了3種基本網絡結構,其中多通道模型是基于單通道網絡模塊構建的,即Model2系列和Model3系列各自采用相同的單通道網絡模塊,故在此僅列出其單通道網絡模塊的主要結構參數,如表2～4所示,其中Input Shape和Output Shape采用“Height×Width×Channel”的格式表示。

表2 Model 1主要結構參數Tab.2 Main structural parameters of Model 1

表3 Model 2系列單通道網絡模塊主要結構參數Tab.3 Main structural parameters of Model 2 series singlechannel network module

表4 Model 3系列單通道網絡模塊主要結構參數Tab.4 Main structural parameters of Model 3 series singlechannel network module

模型的訓練平臺為Win10,采用Caffe框架,GPU型號為NVIDIA GeForce GTX 1650,batch size為256,優化器為Adam,訓練迭代次數為10000,學習率為0.0001。

4.3 評估指標

4.3.1 準確率(Accuracy)

準確率表示在所有測試樣本中,預測正確的樣本所占的比例,計算公式如下:

(4)

其中,I(·)表示指示函數,當x為真時,I(x)=1,x為假時I(x)=0。

4.3.2 召回率(Recall)

召回率表示實際屬于c類的測試樣本中,被預測為c的樣本所占的比例,計算公式如下:

(5)

其中,TPc表示被預測為c類實際也確實屬于c類的樣本數量;FNc表示未被預測為c類實際屬于c類的樣本數量。

4.3.3 精確率(Precision)

精確率表示被預測為c類的樣本中,確實為c類的樣本所占的比例,計算公式如下:

(6)

其中,TPc表示被預測為c類實際也確實是c類的樣本數量,FPc表示被預測為c類實際卻不屬于c類的樣本數量。

4.3.4F1值(F1 Measure)

為綜合考慮模型的精確率和召回率,可采用F1指標評價,F1值是召回率和精確率的調和平均值,計算公式如下:

(7)

其中,Pc表示模型對c類的精確率;Rc表示模型對c類的召回率。

由于末敏彈主要關注掃描區域是否存在目標,因此本文僅關注對“有目標”類別的F1值。

4.4 實驗結果與分析

本文提出的各個模型,經訓練后在測試集上所得各項指標如表5所示。

表5 各模型的最優性能對比Tab.5 Comparison of the best performance of each model

根據表5可以看出:

(1)采用相同的模型,多模信號相對于單模信號,能提供更豐富的探測信息,獲得更好的識別效果；

(2)對于相同的樣本,網絡結構3表現最佳,即同時進行數據層融合與特征層融合的多通道網絡結構,能更有效地提取目標特征,獲得更好的識別效果；

(3)整體來看,樣本方案1、2的優于樣本方案3,這可能是由于后者將序列信號轉換為二維波形圖時丟失了大量信息,而CNN由于具備強大的擬合能力,能夠從樣本1、2這樣的原始信息中有效提取特征；

(4)所有模型的準確率均在90%以上,從各項評估指標來看,model2_3的性能明顯優于其他模型,表明所提方法具有較好的應用潛力。

4.5 對比實驗

為了提高實驗結論可信度,本小節基于同樣的信號數據,對末敏彈經典識別方法進行測試。經典方法有賴于人工特征提取,本文選擇末敏彈一維探測信號常用的特征——峰值、脈寬、脈沖高度、能量和最大斜率,將三種探測信號的特征依次排列構成特征向量,作為分類器的輸入,而特征分類器選取常用的BP神經網絡和支持向量機。其中BP神經網絡的隱藏層神經元數設為5,支持向量機的核函數采用Linear核,測試結果如表6所示。

表6 經典模型與本文模型性能對比Tab.6 Performance comparison between the classic model and the model in this article

從表6可以看出,本文方法的識別準確率明顯高于兩種經典識別方法,體現了自動特征提取的優勢。此外這種差異與模型輸入的信息量也有關系,無論采用何種分類器,經典方法對原始信號進行特征提取的過程都是對數據的降維操作,損失了大量隱含信息,而本文基于卷積神經網絡的方法,可以在保持較小計算量和參數量的同時,直接以原始信號作為輸入,用卷積層自動提取特征,信息損失較少。

5 結 論

本文針對末敏彈探測識別問題,結合人工智能技術,引入卷積神經網絡模型,提出了基于CNN的末敏彈多模復合識別方法,獲得了較好的識別效果。實驗表明,多模復合信號相比單模信號能提供更豐富的信息,獲得更好的識別效果；對于復合信號,同時進行數據層和特征層融合能在一定程度上改善識別效果；基于原始信號的樣本構造方案1、2優于方案3；總體上,本文所提方法能夠充分自動提取復合探測信號中蘊含的目標信息,獲得出色的識別效果,優于傳統識別方法,可以為新型末敏彈的目標識別方案提供參考。