王鳳偉, 孔凡邨, 廉清云

(上海海事大學(xué) 商船學(xué)院，上海 201306)

0 引 言

近年來，高分辨率的聲學(xué)系統(tǒng)已使海底底質(zhì)分類和海底地形地貌的考察成為可能，多波束測(cè)深系統(tǒng)則成為初步快速辨別海底底質(zhì)類型和識(shí)別目標(biāo)的一種有效工具.利用多波束測(cè)深系統(tǒng)不僅可以獲得高精度的水深數(shù)據(jù)，還可以同時(shí)獲得高質(zhì)量的海底反向散射強(qiáng)度數(shù)據(jù)，利用獲取的反向散射強(qiáng)度數(shù)據(jù)對(duì)海底底質(zhì)進(jìn)行分類.確定海底底質(zhì)的類型不僅對(duì)海洋資源的開發(fā)有重要意義，而且對(duì)船舶的安全航行、“智慧航道”建設(shè)也有很大的開發(fā)和應(yīng)用潛力.

目前獲取海底底質(zhì)分類的方法主要有統(tǒng)計(jì)分類法[1]、紋理分析法[2-3]以及神經(jīng)網(wǎng)絡(luò)法等.1990年美國(guó)杜克大學(xué)的ALEXANDROU等[4]應(yīng)用反向傳播(BackPropagation,BP)神經(jīng)網(wǎng)絡(luò)方法對(duì)海底底質(zhì)進(jìn)行分類.近年來，印度國(guó)家海洋研究所的CHAKRABORTY等[5-6]應(yīng)用自組織特征映射(Self-Organizing Feature Map,SOFM)和學(xué)習(xí)向量量化(Learning Vector Quantization,LVQ)神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)對(duì)海底底質(zhì)類型的分類識(shí)別.我國(guó)學(xué)者[7-9]也利用BP神經(jīng)網(wǎng)絡(luò)、SOFM神經(jīng)網(wǎng)絡(luò)及LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行過大量的海底底質(zhì)分類研究.雖然這些方法能取得很好的精度，但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練時(shí)間長(zhǎng)、網(wǎng)絡(luò)收斂慢及分類精度低等缺點(diǎn)；無(wú)監(jiān)督學(xué)習(xí)的SOFM神經(jīng)網(wǎng)絡(luò)容易誤分類，對(duì)屬性相近的底質(zhì)類型更易誤分.本文應(yīng)用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)減少SOFM神經(jīng)網(wǎng)絡(luò)誤分類的現(xiàn)象，提高海底底質(zhì)識(shí)別的精度.

1 混合自組織神經(jīng)網(wǎng)絡(luò)算法

自組織映射可以起到聚類的作用，但還不能直接分類或識(shí)別.[10]為進(jìn)一步改善分類性能，有必要在分類器中加入一種有監(jiān)督功能的網(wǎng)絡(luò).LVQ神經(jīng)網(wǎng)絡(luò)就是一個(gè)有監(jiān)督功能的分類器，利用SOFM神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的權(quán)值作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的初始輸入權(quán)值.在訓(xùn)練中加入導(dǎo)師信號(hào)作為分類信息對(duì)權(quán)值進(jìn)行細(xì)調(diào)，并預(yù)先指定輸出神經(jīng)元類別.分類流程見圖1.

圖1 分類流程

1.1 SOFM算法

分類階段1的目標(biāo)是通過神經(jīng)元的權(quán)向量提供第一個(gè)輸入樣本的相近向量.SOFM算法是一種無(wú)監(jiān)督聚類方法，它能在保持其拓?fù)浣Y(jié)構(gòu)不變的條件下將高維空間的樣本映射到低維空間，即無(wú)論輸入樣本空間是幾維的，其模式樣本都可以在SOFM神經(jīng)網(wǎng)絡(luò)的輸出層的某個(gè)區(qū)域得到響應(yīng).這個(gè)階段的分類步驟[10]如下：

步驟1對(duì)輸入層節(jié)點(diǎn)i到映射層節(jié)點(diǎn)j的連接權(quán)值wij賦予小隨機(jī)數(shù)進(jìn)行初始化.

步驟2從訓(xùn)練樣本中選取一個(gè)輸入向量xi.

步驟3計(jì)算歐氏距離，即輸入樣本與每個(gè)輸出神經(jīng)元j之間的距離

并計(jì)算出一個(gè)具有最小距離的神經(jīng)元j*,使得對(duì)于任意的j，都有dj*=mindj.

步驟4更新.按下式修正獲勝神經(jīng)元及其鄰域內(nèi)所有神經(jīng)元的連接權(quán)值，而鄰域外的神經(jīng)元連接權(quán)值保持不變,

wij(t+1)=wij(t)+η(t)(xi(t)-wij(t))

式中:η(t)為學(xué)習(xí)率，0<η(t)<1，這里采用t的單調(diào)下降函數(shù)η(t)=η(0)(1-t/T),其中η(0)為初始學(xué)習(xí)率，t為迭代次數(shù)，T為總的學(xué)習(xí)次數(shù).

步驟5更新學(xué)習(xí)率η(t).

步驟6當(dāng)t

1.2 LVQ算法

分類階段2的任務(wù)是對(duì)權(quán)向量進(jìn)行微調(diào)以改善分類性能.LVQ算法是用于模式分類的一種有監(jiān)督功能的學(xué)習(xí)算法，而LVQ2算法可以加快算法的收斂速度，使各權(quán)向量快速向目標(biāo)位置移動(dòng)，并可以對(duì)輸入將被分到哪一類進(jìn)行指定[10，12].LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)除輸出層的每個(gè)神經(jīng)元被指定為屬于幾個(gè)類別之外，其他的與SOFM神經(jīng)網(wǎng)絡(luò)完全相同.改進(jìn)的LVQ2算法的基本步驟如下：

反思：鈉和鹽溶液反應(yīng),不能置換出鹽中的金屬,這是因?yàn)榻饘訇?yáng)離子在水中一般是以水合離子形式存在,即金屬離子周圍有一定數(shù)目的水分子包圍著,不能和鈉直接接觸。這就告訴我們?cè)趯W(xué)習(xí)一些概念和物質(zhì)性質(zhì)時(shí)要深入分析其特征和本質(zhì),否則,很容易被假象迷惑,作出錯(cuò)誤的判斷。

步驟2判斷分類是否正確，然后按不同規(guī)則調(diào)整獲勝神經(jīng)元的權(quán)值.如果神經(jīng)網(wǎng)絡(luò)分類結(jié)果與導(dǎo)師信號(hào)(即人為監(jiān)督所指定的正確類型)一致，則分類結(jié)果正確，向輸入樣本方向調(diào)整權(quán)值，

否則向逆輸入樣本方向調(diào)整權(quán)值，

步驟3返回開始，直到完成所有樣本的學(xué)習(xí).

2 多波束數(shù)據(jù)和生成圖像的處理

多波束測(cè)深系統(tǒng)采集到的反向散射強(qiáng)度數(shù)據(jù)受到海洋環(huán)境噪聲、聲波散射和混響、聲能傳播損失、海底沉積層對(duì)聲波的吸收等諸多因素影響，不能直接反映真實(shí)的海底底質(zhì)特征,因此必須對(duì)其進(jìn)行消除噪聲和剔除假信號(hào)處理(見圖2)，主要包括聲速剖面數(shù)據(jù)修正、定位數(shù)據(jù)修正、潮位數(shù)據(jù)修正、姿態(tài)數(shù)據(jù)修正、深度數(shù)據(jù)修正、數(shù)據(jù)合并等，其目的是減小誤差、提高數(shù)據(jù)的可信度.

圖2 多波束數(shù)據(jù)預(yù)處理

將反向散射強(qiáng)度與描述圖像的灰度級(jí)對(duì)應(yīng)起來，形成海底聲像圖.灰度級(jí)水平一般取0～255，回波強(qiáng)度可量化[14]為

G=255-2IBS

式中:G為灰度級(jí)別;IBS為反向散射強(qiáng)度，無(wú)量綱，取值為-127～0.

多波束聲強(qiáng)圖像形成后，由于仍有未被完全消除的噪聲干擾，還需對(duì)圖像進(jìn)行處理.在圖像中，噪聲表現(xiàn)為高頻特性，相對(duì)周圍像素灰度有較大的偏差，具有空間不相關(guān)性.根據(jù)這些特點(diǎn)，結(jié)合中值濾波和小波去噪兩種方法對(duì)圖像進(jìn)行處理，首先對(duì)多波束聲強(qiáng)圖像進(jìn)行二層小波變換分解，提取分解系數(shù)、水平邊緣信息、垂直邊緣信息及對(duì)角線邊緣信息，然后對(duì)這些邊緣信息進(jìn)行3×3方形窗口的中值濾波，生成新的小波系數(shù)，最后利用重構(gòu)算法將新的小波系數(shù)進(jìn)行重構(gòu)，得到去噪后的多波束圖像.

3 基于混合網(wǎng)絡(luò)的海底底質(zhì)分類

借助VC和MATLAB平臺(tái)進(jìn)行混合編程，并訓(xùn)練網(wǎng)絡(luò)，然后利用訓(xùn)練所得的網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類.為驗(yàn)證上述分類算法的可行性，選擇一個(gè)同時(shí)具有巖石、沙礫、泥、沙等海底底質(zhì)類型的720×987像素海底散射強(qiáng)度鏡像(圖3中的A區(qū))，然后把該區(qū)域的底質(zhì)類型分為巖石、沙礫、泥沙、泥等4種，再分別選出這4種底質(zhì)類型相對(duì)應(yīng)的訓(xùn)練樣本和測(cè)試樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練和分類驗(yàn)證.其中，為網(wǎng)絡(luò)提供的樣本尺寸為3×3像素，輸出類別的個(gè)數(shù)為4個(gè)，為每個(gè)輸出類別賦予40個(gè)輸入樣本，這些輸出底質(zhì)類型和對(duì)應(yīng)樣本的灰度值關(guān)系見表1[16].

圖3 實(shí)驗(yàn)區(qū)多波束聲強(qiáng)圖像

表1 底質(zhì)類型和樣本的統(tǒng)計(jì)屬性

混合網(wǎng)絡(luò)訓(xùn)練完成后，利用上述訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行分類.首先按3×3像素分割實(shí)驗(yàn)區(qū)域的灰度圖像，從中提取巖石類型測(cè)試樣本286個(gè)、沙礫測(cè)試樣本95個(gè)、泥沙測(cè)試樣本320個(gè)、泥測(cè)試樣本183個(gè)；其次對(duì)每個(gè)分割塊進(jìn)行編碼，形成輸入向量；最后將這些輸入向量輸入前面訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行分類(見表2)，同時(shí)對(duì)分類形成的新圖像進(jìn)行標(biāo)記處理，得到分類后的多波束圖像(見圖4).

表2 測(cè)試數(shù)據(jù)和分類結(jié)果

圖4 分類后的多波束圖像

將分類結(jié)果與已知的底質(zhì)類型樣本進(jìn)行比較，混合自組織神經(jīng)網(wǎng)絡(luò)的分類精度平均達(dá)95.81%，表明該方法的分類精度很高，特別是在底質(zhì)類型相近的情況下(如泥和泥沙)，也能表現(xiàn)出較好的分類效果.

4 結(jié)束語(yǔ)

在SOFM算法的基礎(chǔ)上，結(jié)合改進(jìn)的LVQ算法實(shí)現(xiàn)網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí).該網(wǎng)絡(luò)充分利用SOFM算法的自組織聚類的優(yōu)點(diǎn)，同時(shí)又利用LVQ算法解決海底底質(zhì)反向散射回波樣本中的交迭問題，從而能提高分類精度.實(shí)驗(yàn)表明，混合自組織競(jìng)爭(zhēng)算法對(duì)海底底質(zhì)的識(shí)別，特別是在類型相近的情況下，具有較好的分類效果.該方法可為海底底質(zhì)分類研究提供一條有效的途徑.

參考文獻(xiàn)：

[1] HUSEBY R B, MILVANG O, SOLBERG A S,etal. Seabed classification from multibeam echosounder data using statistical methods[C]//OCEANS’93, Eng Harmony Ocean Proc, IEEE, 1993(3): 229-233.

[2] MILVANG O, HUSEBY R B, WEISTEEN K,etal. Feature extraction from backscatter sonar data[C]//Inst Acoustics Conf Acoustic Classification & Mapping Seabed, Bath, UK, 1993.

[3] PICAN N, TNLCCO E, ROSS M,etal. Texture analysis for seabed classification: co-occurrence matrices vs self-organizing maps[C]//OCEANS’98 Conf Proc, IEEE, 1998(1): 424-428.

[4] ALEXANDROU D, PANTZARTZIS D. Seafloor classification with neural networks[C]// Proc Eng Ocean Environ Conf, 1990: 18-23.

[5] CHAKRABORTY B, KAUSTUBHA R, HEGDE A,etal. Acoustic seafloor sediment classification using self-organizing feature maps[J]. Geoscience & Remote Sensing, IEEE Trans, 2001, 39(12): 2722-2725.

[6] CHAKRABORTY B, KODAGALI V, BARACHO J. Seafloor classification using multibeam echosounding angular backscatter data: a real-time approach employing hybrid neural network architecture[J]. Oceanic Eng, IEEE J, 2003, 28(1): 121-128.

[7] 陽(yáng)凡林, 劉經(jīng)南, 趙建虎, 等. 基于遺傳算法的BP網(wǎng)絡(luò)實(shí)現(xiàn)海底底質(zhì)分類[J]. 測(cè)繪科學(xué), 2006, 31(2): 111-114.

[8] 唐秋華, 劉保華, 陳永奇, 等. 基于自組織神經(jīng)網(wǎng)絡(luò)的聲學(xué)底質(zhì)分類研究[J]. 聲學(xué)技術(shù), 2007, 26(3): 380-354.

[9] 唐秋華, 劉保華, 陳永奇, 等. 結(jié)合遺傳算法的 LVQ 神經(jīng)網(wǎng)絡(luò)在聲學(xué)底質(zhì)分類中的應(yīng)用[J]. 地球物理學(xué)報(bào), 2007, 50(1): 313-319.

[10] RIPLEY B D. Pattern recognition and neural networks[M]. Cambridge Univ Pr, 1996: 17-89.

[11] KOHONEN T. The self-organizing map[M]. Proc IEEE, 1990(78): 1464-1480.

[12] KUMAR S. Neural networks[M].Beijing: Tsinghua Univ Pr, 2006: 521-576.

[13] MEDIALDEA T, SOMOZA L, LEN R,etal. Multibeam backscatter as a tool for seafloor characterization and identification of oil spills in the Galicia Bank[J]. Marine Geology, 2008, 249(1): 93-107.

[14] CLARKE J E H, MAYER L A, WELLS D E. Shallow-water imaging multibeam sonars: a new tool for investigating seafloor processes in the coastal zone and on the continental shelf[J]. Mar Geophys Res, 1996, 18(6): 607-629.

[15] 趙建虎, 劉經(jīng)南. 多波束測(cè)深及圖像數(shù)據(jù)處理[M]. 武漢: 武漢大學(xué)出版社, 2008: 335-343.

[16] DARTNELL P, GARDNER J V. Predicting seafloor facies from multibeam bathymetry and backscatter data[J]. Photogrammetric Eng & Remote Sensing, 2004, 70(9): 1081-1091.