龔承君 蒲宇清

（武漢市交管局科技管理處 武漢 430000）

1 引言

目標(biāo)識(shí)別［1］問題是數(shù)據(jù)融合中的基本問題之一，將系統(tǒng)中多個(gè)數(shù)據(jù)源提供的目標(biāo)身份信息綜合處理，產(chǎn)生比系統(tǒng)中單一信源更有效、更精確的身份估計(jì)和分類判決。物理模型法主要有卡爾曼濾波［2～3］、最大似然估計(jì)、最小二乘法［4］；基于特征的推理技術(shù)主要有貝葉斯推理［5］、D-S證據(jù)理論［6］；基于知識(shí)表示技術(shù)［7］的方法主要有專家系統(tǒng)、模糊集合論［8］和邏輯模板［9］。在實(shí)際檢測(cè)中，傳感器數(shù)量大且種類繁多，返回量測(cè)數(shù)據(jù)各式各樣，傳統(tǒng)目標(biāo)識(shí)別方法計(jì)算較復(fù)雜且魯棒性較低。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)［10］的智能識(shí)別技術(shù)，利用卷積神經(jīng)網(wǎng)絡(luò)直接從大量復(fù)雜傳感器數(shù)據(jù)中提取特征進(jìn)行推理的能力，構(gòu)造固定大小的目標(biāo)識(shí)別決策矩陣，輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行身份判別。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的智能識(shí)別算法

2.1 目標(biāo)識(shí)別問題建模

目標(biāo)信息綜合了運(yùn)動(dòng)特征信息和輻射源特征信息，其中運(yùn)動(dòng)特征信息包括目標(biāo)高度、速度、加速度、最大爬升率，輻射源特征信息包括目標(biāo)載頻、重復(fù)頻率、脈沖寬度、天線掃描周期，共8 種可識(shí)別屬性，將其記為ai(i=1，2，…，8)。目標(biāo)待識(shí)別種類有防爆運(yùn)兵車、機(jī)要指揮車、通信指揮車、裝備輸送車、布障車、運(yùn)犬車、攀登突擊車以及防爆水炮車共8 類，記為bj(j=1，2，..，8)。目標(biāo)待識(shí)別的種類和屬性按上述順序排列，依次計(jì)算各個(gè)特征信息與身份向量的歐氏距離dxi，yj，根據(jù)匹配度計(jì)算公式計(jì)算匹配度：得到目標(biāo)識(shí)別決策矩陣i=1，...，8，j=1，...，8。

2.2 智能識(shí)別算法流程

根據(jù)2.1 節(jié)建立的目標(biāo)識(shí)別問題模型，算法綜合不同類別的傳感器上傳的運(yùn)動(dòng)特征信息和輻射源信息，計(jì)算每種數(shù)據(jù)與每個(gè)待識(shí)別目標(biāo)的匹配度，形成目標(biāo)識(shí)別決策矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)，由卷積神經(jīng)網(wǎng)絡(luò)判別后輸出身份識(shí)別結(jié)果。算法流程如圖1所示。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法流程

算法將系統(tǒng)接收到的同一運(yùn)動(dòng)特征信息與目標(biāo)身份的匹配度以及輻射源特征信息與目標(biāo)身份的匹配度合并為一個(gè)目標(biāo)識(shí)別決策矩陣。通過各個(gè)卷積核對(duì)目標(biāo)識(shí)別決策矩陣進(jìn)行特征提取，使用池化層對(duì)提取的特征圖進(jìn)行壓縮，使用全連接層將卷積核學(xué)到的特征映射到樣本標(biāo)記空間，然后交給Softmax 分類器獲得分類輸出?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法分為訓(xùn)練和推理兩部分：1）訓(xùn)練階段：設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，以建立模型復(fù)雜度與識(shí)別問題復(fù)雜度匹配的網(wǎng)絡(luò)模型，引入Dropout策略［11］防止網(wǎng)絡(luò)出現(xiàn)過擬合，保存模型；2）推理階段：將待識(shí)別的傳感器數(shù)據(jù)輸入保存的網(wǎng)絡(luò)模型，輸出身份識(shí)別判決結(jié)果。

2.3 特征參數(shù)處理

1）標(biāo)準(zhǔn)化處理：數(shù)據(jù)的標(biāo)準(zhǔn)化處理是將數(shù)據(jù)按比例縮放，將其轉(zhuǎn)化為無量綱的純數(shù)值，使得不同量級(jí)或單位的數(shù)據(jù)具有可比性。本文采用最大最小值標(biāo)準(zhǔn)化對(duì)仿真生成的數(shù)據(jù)進(jìn)行預(yù)處理，使其分布在區(qū)間［0，1］之間，其公式如下：

xi為待歸一化數(shù)據(jù)，yi為歸一化后的輸出。

2）One-hot 編碼：基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法將識(shí)別問題轉(zhuǎn)化為分類問題，標(biāo)簽的類別（8類車輛）為離散型字符變量，在計(jì)算損失函數(shù)即神經(jīng)網(wǎng)絡(luò)輸出和真實(shí)標(biāo)簽值的相似度時(shí)，需要通過one-hot 編碼將標(biāo)簽轉(zhuǎn)化為數(shù)值型變量，將離散特征的取值擴(kuò)展到歐氏空間。

2.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，對(duì)于本文構(gòu)造的目標(biāo)識(shí)別決策矩陣，每一列數(shù)據(jù)代表某一類待識(shí)別目標(biāo)的運(yùn)動(dòng)征和輻射源特征，這些數(shù)據(jù)本身存在一定的關(guān)聯(lián)性，因此目標(biāo)識(shí)別決策矩陣的基本特征比較少，所以我們選取網(wǎng)絡(luò)層數(shù)相對(duì)較少的Alexnet［12］，參數(shù)量更少，網(wǎng)絡(luò)訓(xùn)練速度更快。

圖2 本文使用的CNN網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)的輸入為8×8 大小的目標(biāo)身份決策矩陣。第一層卷積層采用2×2 卷積核進(jìn)行特征提取，輸出特征數(shù)為8 個(gè)。使用Relu 激活函數(shù)［13］對(duì)輸出值引入非線性，強(qiáng)化特征表示能力。每一層卷積層后對(duì)輸出的特征圖進(jìn)行周邊補(bǔ)0（padding模式），使特征圖始終保持8×8 大小。通過多層卷積層進(jìn)行特征提取，最后輸出特征圖［14］數(shù)量為64。在第4層和第8 層，我們嘗試使用不同的池化方式來減少網(wǎng)絡(luò)參數(shù)，加快訓(xùn)練速度。最后將提取的特征圖交由全連接層映射至樣本的標(biāo)記空間，最后由Softmax分類器輸出分類結(jié)果。再調(diào)整網(wǎng)絡(luò)的參數(shù)包括卷積核參數(shù)，根據(jù)網(wǎng)絡(luò)在測(cè)試集上的識(shí)別準(zhǔn)確率對(duì)以上參數(shù)進(jìn)行優(yōu)化。

3 仿真試驗(yàn)

數(shù)據(jù)集由劇情仿真生成。對(duì)于運(yùn)動(dòng)特征信息，待識(shí)別目標(biāo)對(duì)應(yīng)的目標(biāo)高度、速度、加速度、最大爬升率如表1所示。

對(duì)于輻射源特征信息，假設(shè)存在4 種型號(hào)的雷達(dá)，分別為雷達(dá)1、雷達(dá)2、雷達(dá)3、雷達(dá)4，其對(duì)應(yīng)的目標(biāo)載頻、重復(fù)頻率、脈沖寬度和天線掃描周期范圍如表2所示。

假設(shè)防爆運(yùn)兵車、攀登突擊車和防爆水炮車裝備輻射源為雷達(dá)1，布障車裝備輻射源為雷達(dá)2，裝備輸送車和運(yùn)犬車裝備輻射源為雷達(dá)3，通信指揮車裝備輻射源為雷達(dá)4。輻射源探測(cè)系統(tǒng)對(duì)目標(biāo)載頻的量測(cè)精度隨目標(biāo)載頻大小變化，取目標(biāo)載頻的量測(cè)精度一般值為5MHz，即載頻量測(cè)誤差的值由均值為0，標(biāo)準(zhǔn)差為5的正態(tài)分布隨機(jī)產(chǎn)生；對(duì)于目標(biāo)重復(fù)頻率，其量測(cè)誤差的值由正態(tài)分布產(chǎn)生，其中均值為0，標(biāo)準(zhǔn)差計(jì)算公式如下：

其中，PRF 為目標(biāo)重復(fù)頻率的值，σPRF為目標(biāo)重復(fù)頻率誤差的標(biāo)準(zhǔn)差。

對(duì)于目標(biāo)脈沖寬度，其量測(cè)誤差值由正態(tài)分布產(chǎn)生，其中均值為0，標(biāo)準(zhǔn)差計(jì)算公式如下：

其中，PW 為目標(biāo)脈沖寬度的值，σPW為目標(biāo)脈沖寬度誤差的標(biāo)準(zhǔn)差。

假設(shè)其誤差分布滿足區(qū)間[-0.1T，0.1T]上的均勻分布，其中T 為天線掃描周期的真實(shí)值。仿真時(shí)每次生成一個(gè)目標(biāo)的運(yùn)動(dòng)特征與輻射源特征的量測(cè)信息，運(yùn)動(dòng)特征信息中最大高度在20m～10000m，最大速度在0～3000km/h，最大加速度在0～90m/s2，最大爬升率在0～500m/s 內(nèi)隨機(jī)生成，隨機(jī)分布模型采用均勻分布。輻射源特征信息中，載頻、重復(fù)頻率、脈沖寬度和天線掃描周期由表中的真實(shí)值和誤差相加而成。計(jì)算所有特征信息的值與各待識(shí)別目標(biāo)的特征真實(shí)值的匹配度pij，其中i=1，2，…，8，j=1，2，…，8，獲得一個(gè)目標(biāo)識(shí)別決策矩陣。通過以上仿真劇情產(chǎn)生樣本集，并劃分訓(xùn)練集和測(cè)試集，其中訓(xùn)練集數(shù)據(jù)與測(cè)試集數(shù)據(jù)比例為4∶1，訓(xùn)練集數(shù)據(jù)共16w 組，測(cè)試集數(shù)據(jù)共4w組，每一類待識(shí)別目標(biāo)各占樣本總數(shù)的1/8。

4 結(jié)果分析

在卷積神經(jīng)網(wǎng)絡(luò)中，池化層［15］的作用主要是通過降低特征圖的大小以減少計(jì)算量，同時(shí)保留主要的特征來防止過擬合。以下主要討論兩種池化方法以及不使用池化對(duì)算法性能的影響。圖3 為在使用dropout 比例為0.5 時(shí)，分別使用平均池化、最大池化以及不使用池化采樣時(shí)測(cè)試集準(zhǔn)確率變化趨勢(shì)對(duì)比。

圖3 平均池化、最大池化以及無池化采樣時(shí)的測(cè)試集準(zhǔn)確率對(duì)比

采用平均池化還是最大池化采樣表現(xiàn)較不采用池化時(shí)均有下降。表3 為性能對(duì)比。由于使用2×2 池化降低需要訓(xùn)練的參數(shù)量，平均單步訓(xùn)練時(shí)間較無池化采樣時(shí)低，池化丟失了部分特征使得網(wǎng)絡(luò)收斂速度以及最終的測(cè)試集表現(xiàn)都較無池化采樣低，故使用網(wǎng)絡(luò)模型在原有基礎(chǔ)上去掉池化層。

表3 無池化、平均池化以及最大池化性能對(duì)比

Dropout 可以起到防止過擬合的作用，本節(jié)主要討論選擇不同比例p 時(shí)對(duì)網(wǎng)絡(luò)表現(xiàn)的影響，以選擇較優(yōu)的p 值。圖4 為p 值分別為0.1、0.3、0.5、0.8和1（p=1 表示不使用dropout）時(shí)，測(cè)試集準(zhǔn)確率變化趨勢(shì)對(duì)比。

圖4 p值分別為0.1、0.3、0.5、0.8以及1時(shí)的測(cè)試集平均準(zhǔn)確率變化趨勢(shì)對(duì)比

表4 為使用不同dropout 比例時(shí)的測(cè)試集平均準(zhǔn)確率對(duì)比，對(duì)于使用的神經(jīng)網(wǎng)絡(luò)而言，當(dāng)p=0.1即每次僅使用10%的全連接層節(jié)點(diǎn)用于參數(shù)更新時(shí)，網(wǎng)絡(luò)難以充分訓(xùn)練，使得模型在訓(xùn)練集和測(cè)試集上的表現(xiàn)較差。p=0.5 時(shí)，網(wǎng)絡(luò)在測(cè)試集上的表現(xiàn)最佳。最終的模型參數(shù)選取隨機(jī)失活比例為0.5，其識(shí)別準(zhǔn)確率可達(dá)86.71%。

表4 使用不同dropout比例時(shí)的測(cè)試集最大準(zhǔn)確率對(duì)比

5 結(jié)語

本文對(duì)目標(biāo)識(shí)別問題進(jìn)行建模分析，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法。通過計(jì)算特征信息與目標(biāo)身份向量的匹配度構(gòu)造固定大小的目標(biāo)身份決策矩陣，作為卷積神經(jīng)網(wǎng)絡(luò)輸入，并針對(duì)該矩陣的特性修改了網(wǎng)絡(luò)結(jié)構(gòu)。仿真產(chǎn)生目標(biāo)識(shí)別算法的樣本集，在樣本集上設(shè)計(jì)仿真對(duì)比試驗(yàn)優(yōu)化了池化方式以及隨機(jī)失活比例等參數(shù)。當(dāng)傳感器量測(cè)誤差在一定范圍內(nèi)隨機(jī)變化時(shí)，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法在該數(shù)據(jù)集的識(shí)別準(zhǔn)確率達(dá)到86.71%，證明了算法的有效性。