基于AlexNet迁移学习的磁异常信号检测方法
发布时间：2022-01-28 00:48
航空磁探反潜是通过磁探仪检测磁异常信号,进行航空反潜的重要手段。针对水下目标的磁异常信号在低信噪比条件下难以检测的问题,提出使用基于AlexNet迁移学习的磁异常信号检测方法。该方法基于卷积神经网络原理,通过对水下目标不同态势、航空磁探平台不同飞行路线和速度情况进行仿真,得到大量信号序列,对其加高斯白噪声,从而模拟磁探平台测得信号。随后对其进行短时傅里叶变换得到时频图,并利用深度卷积神经网络模型AlexNet对时频图特征进行迁移学习训练,最后利用测试集数据对训练后的Alex Net网络进行测试,实现对低信噪比条件下水下目标磁异常信号的检测。仿真结果表明,在信噪幅度比为-8 dB、虚警率为3%情况下,对磁异常信号的检测概率达到93%。
【文章来源】：水下无人系统学报. 2020,28(02)北大核心
【文章页数】：6 页
【部分图文】：
磁场合成图Fig.1Compositionofmagneticfield
2020年4月水下无人系统学报第28卷164JournalofUnmannedUnderseaSystemswww.yljszz.cn222cos12EEEHHHXHH(7)目前航空磁探反潜的探测数据是尾端光泵磁力计所测的标量磁场数据,所以磁偶极子模型下对潜艇磁场的仿真中,将三分量磁场投影到地磁场的坐标系上,得到其磁异常数值X,表示为EXHi(8)即测得的标量磁异常信号X为潜艇信号H在地磁场HE方向的投影。1.2短时傅里叶变换对磁异常信号的检测而言,信号出现的时间是随机的,对采样信号进行傅里叶变换只能够得到信号总体的频域信息,不能准确判定出现信号的时间。对于这种非平稳信号,短时傅里叶变换(short-timeFouriertransform,STFT)是一种较为有效的处理方法。STFT通过加窗的方法对信号进行截断,并对截得信号作傅里叶变换,将窗口平移遍历过整段信号,得到不同时间窗口下的信号频谱信息,其表达式为,edjwtfSTFTtwftgtt(9)式中:f(t)为时域信号;g(t-τ)为以τ为中心的窗口。2神经网络模型理论2.1卷积神经网络20世纪90年代,Cun等[14]确立了卷积神经网络(convolutionalneuralnetwork,CNN)的现代结构,在对其进行完善后,设计了多层神经网络LeNet-5。目前,CNN在语音识别、图像分类等领域有着广泛的应用。CNN能够在大量数据、图像中发现隐藏的特征,从而克服了人工分类、定制数据和图像特征的复杂性。2.2AlexNet深度卷积神经网络1)AlexNet网络结构标准的AlexNet网络结构一共有8层,其中包括5个卷积层,3个全连接层。前5
置为(r×cos(a),r×sin(a)),其中r=1500m,a在0～2π之间随机取值,并使航线经过(0,0)处。磁探平台航速为360km/h,一共采样30s,即3000个数据点。3.2短时傅里叶变换一般来说,水下目标磁异常信号从出现到消失的时间不超过3s,即时间窗口长度为3s,每个时间窗口取300个数据点是较为合适的,每次向下一时刻平移0.1s,即每次平移10个数据点。为了方便AlexNet网络对图像进行检测,将图像的色域进行了归一化调整。得到信号时域图和时频图如图3和图4所示。图3无噪声磁异常信号时域图Fig.3Noiselessmagneticanomalysignalintimedo-main图4无噪声磁异常信号时频图Fig.4Time-frequencydiagramofnoiselessmagneticanomalysignal当不存在噪声时,时频图像特征明显,其高亮时间保持3s左右,频率在0~0.3Hz,且呈现出“子弹”形状的高亮图形。而水下目标(例如潜艇、无人水下航行器)主体是铁磁性物质,在2.5倍物体长度以上的空间外,完全可以把磁性物体当作磁偶极子处理,满足一般工程应用的需求。航空磁探测平台从目标上方飞过,对平台航线处的磁场进行采样。图5为低SNR下磁异常信号的时域图,图6为该信号的时频图,通过对图6分析可知,在极低SNR情况下,信号完全淹没在噪声之中,从时域上来看,完全无法以肉眼寻找到信号;从时频图上来看,在信号出现的10.5s处,子弹状图形特征极为不明显,且能量强度低于在13s附近出现的干扰。图5SNR=–8dB时磁异常信号时域图Fig.5MagneticanomalysignalintimedomainwhenSNR=-8dB
【参考文献】：
期刊论文
[1]航空磁探中潜艇目标的联合估计检测方法研究[J]. 周家新,陈建勇,单志超,陈长康. 兵工学报. 2018(05)
[2]地球物理矢量场磁测技术的研究进展[J]. 林君,刁庶,张洋,张扬,赵静. 科学通报. 2017(23)
[3]基于运动目标的OBF方法检测性能分析[J]. 王珺琳,陈博. 中国电子科学研究院学报. 2017(01)
[4]基于小波域OBF分解的磁异常信号检测算法[J]. 张坚,林春生,邓鹏,杨振宇. 弹箭与制导学报. 2011(06)
[5]OBF分解与BP网络在船舶磁场信号检测中的应用[J]. 张坚,林春生,黄凡. 船电技术. 2011(07)
本文编号：3613379
【文章来源】：水下无人系统学报. 2020,28(02)北大核心
【文章页数】：6 页
【部分图文】：
磁场合成图Fig.1Compositionofmagneticfield
2020年4月水下无人系统学报第28卷164JournalofUnmannedUnderseaSystemswww.yljszz.cn222cos12EEEHHHXHH(7)目前航空磁探反潜的探测数据是尾端光泵磁力计所测的标量磁场数据,所以磁偶极子模型下对潜艇磁场的仿真中,将三分量磁场投影到地磁场的坐标系上,得到其磁异常数值X,表示为EXHi(8)即测得的标量磁异常信号X为潜艇信号H在地磁场HE方向的投影。1.2短时傅里叶变换对磁异常信号的检测而言,信号出现的时间是随机的,对采样信号进行傅里叶变换只能够得到信号总体的频域信息,不能准确判定出现信号的时间。对于这种非平稳信号,短时傅里叶变换(short-timeFouriertransform,STFT)是一种较为有效的处理方法。STFT通过加窗的方法对信号进行截断,并对截得信号作傅里叶变换,将窗口平移遍历过整段信号,得到不同时间窗口下的信号频谱信息,其表达式为,edjwtfSTFTtwftgtt(9)式中:f(t)为时域信号;g(t-τ)为以τ为中心的窗口。2神经网络模型理论2.1卷积神经网络20世纪90年代,Cun等[14]确立了卷积神经网络(convolutionalneuralnetwork,CNN)的现代结构,在对其进行完善后,设计了多层神经网络LeNet-5。目前,CNN在语音识别、图像分类等领域有着广泛的应用。CNN能够在大量数据、图像中发现隐藏的特征,从而克服了人工分类、定制数据和图像特征的复杂性。2.2AlexNet深度卷积神经网络1)AlexNet网络结构标准的AlexNet网络结构一共有8层,其中包括5个卷积层,3个全连接层。前5
置为(r×cos(a),r×sin(a)),其中r=1500m,a在0～2π之间随机取值,并使航线经过(0,0)处。磁探平台航速为360km/h,一共采样30s,即3000个数据点。3.2短时傅里叶变换一般来说,水下目标磁异常信号从出现到消失的时间不超过3s,即时间窗口长度为3s,每个时间窗口取300个数据点是较为合适的,每次向下一时刻平移0.1s,即每次平移10个数据点。为了方便AlexNet网络对图像进行检测,将图像的色域进行了归一化调整。得到信号时域图和时频图如图3和图4所示。图3无噪声磁异常信号时域图Fig.3Noiselessmagneticanomalysignalintimedo-main图4无噪声磁异常信号时频图Fig.4Time-frequencydiagramofnoiselessmagneticanomalysignal当不存在噪声时,时频图像特征明显,其高亮时间保持3s左右,频率在0~0.3Hz,且呈现出“子弹”形状的高亮图形。而水下目标(例如潜艇、无人水下航行器)主体是铁磁性物质,在2.5倍物体长度以上的空间外,完全可以把磁性物体当作磁偶极子处理,满足一般工程应用的需求。航空磁探测平台从目标上方飞过,对平台航线处的磁场进行采样。图5为低SNR下磁异常信号的时域图,图6为该信号的时频图,通过对图6分析可知,在极低SNR情况下,信号完全淹没在噪声之中,从时域上来看,完全无法以肉眼寻找到信号;从时频图上来看,在信号出现的10.5s处,子弹状图形特征极为不明显,且能量强度低于在13s附近出现的干扰。图5SNR=–8dB时磁异常信号时域图Fig.5MagneticanomalysignalintimedomainwhenSNR=-8dB
【参考文献】：
期刊论文
[1]航空磁探中潜艇目标的联合估计检测方法研究[J]. 周家新,陈建勇,单志超,陈长康. 兵工学报. 2018(05)
[2]地球物理矢量场磁测技术的研究进展[J]. 林君,刁庶,张洋,张扬,赵静. 科学通报. 2017(23)
[3]基于运动目标的OBF方法检测性能分析[J]. 王珺琳,陈博. 中国电子科学研究院学报. 2017(01)
[4]基于小波域OBF分解的磁异常信号检测算法[J]. 张坚,林春生,邓鹏,杨振宇. 弹箭与制导学报. 2011(06)
[5]OBF分解与BP网络在船舶磁场信号检测中的应用[J]. 张坚,林春生,黄凡. 船电技术. 2011(07)
本文编号：3613379
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3613379.html
