田斌 文仕強(qiáng) 胡桐 梁冰 洪漢玉

摘 要：為了解決水下目標(biāo)磁場近程化探測中磁信號(hào)衰減快、干擾強(qiáng)及擾動(dòng)特征不明確、無法有效探測信號(hào)等問題，提出了一種基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制（Att-CNN-GRU）的工頻磁場水下目標(biāo)時(shí)間序列擾動(dòng)信號(hào)檢測方法。將CNN，GRU神經(jīng)網(wǎng)絡(luò)與Attention機(jī)制相結(jié)合擬合信號(hào)，構(gòu)建分類神經(jīng)網(wǎng)絡(luò)，對(duì)目標(biāo)信號(hào)進(jìn)行分類識(shí)別，同時(shí)與未引入注意力機(jī)制的CNN-LSTM模型及單一CNN和LSTM網(wǎng)絡(luò)模型的預(yù)測及檢測性能進(jìn)行比較。結(jié)果表明，相較于傳統(tǒng)方法，信號(hào)擬合效果將誤差分別減小了36.24%，14.44%和4.878%，目標(biāo)檢測準(zhǔn)確率達(dá)到83.3%。因此，加入Attention機(jī)制的CNN-GRU模型檢測性能比CNN，LSTM和CNN-GRU模型更優(yōu)異，作為輔助手段，能有效解決工頻磁場探測中擾動(dòng)信號(hào)微弱、擾動(dòng)規(guī)律不明確、背景噪聲多等問題，實(shí)現(xiàn)對(duì)水下目標(biāo)造成的工頻磁場擾動(dòng)信號(hào)的擬合與檢測。

關(guān)鍵詞：信號(hào)檢測;磁場時(shí)間序列;GRU神經(jīng)網(wǎng)絡(luò);前兆異常;工頻磁場探測

中圖分類號(hào)：TN911?? 文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.7535/hbkd.2021yx05007

收稿日期：2021-07-18;修回日期：2021-09-18;責(zé)任編輯：張士瑩

基金項(xiàng)目：國家自然科學(xué)基金（61433007，61671337）

第一作者簡介：田 斌（1975—），男，湖北襄陽人，副教授，博士，主要從事電磁場與電磁波和深度學(xué)習(xí)方面的研究。

E-mail：tianbinwh@wit.edu.cn

Study on detection method of power frequency magnetic field disturbance signal for underwater target

TIAN Bin1，2，WEN Shiqiang1，HU Tong1，LIANG Bing1，HONG Hanyu1，2

（1.School of Electronics and Information Engineering，Wuhan Institute of Technology，Wuhan，Hubei 430205，China;2.Hubei Critical Laboratory of Optical Information and Pattern Recognition，Wuhan，Hubei 430205，China）

Abstract：A hybrid neural network and attention mechanism （Att-CNN-GRU） is presented to solve the problems of fast attenuation，strong interference，ambiguous disturbance characteristics and ineffective signal detection in magnetic field proximity detection of underwater targets.A method for detecting time series disturbance signal of underwater target with power frequency magnetic field is presented.The method combines CNN，GRU neural network and Attention mechanism to fit the signal，and constructs a classification neural network to classify and identify the target signal.The method is compared with the prediction and detection performance of CNN-LSTM model without attention mechanism and single CNN and LSTM network model.The results show that the error of signal fitting is reduced by 36.24%，14.44%，4.878% and the target detection accuracy is 83.3% compared with the traditional methods.Therefore，the CNN-GRU model with Attention mechanism has better performance than CNN，LSTM and CNN-GRU models.As an auxiliary means，it can effectively solve the problems of weak disturbance signal，unclear disturbance law and more background noise in power frequency magnetic field detection，to realize the fitting and detection of power frequency magnetic disturbance signal to underwater target.

Keywords：

signal detection;magnetic field time series;GRU neural network;precursory anomaly;power frequency magnetic field detection

國內(nèi)水下目標(biāo)磁近程探測多見于地磁探測以及基于主動(dòng)激勵(lì)源的甚低頻磁場探測，大部分已公開的研究仍處于仿真階段。例如：王楊婧等[1]利用ansys仿真3 kHz甚低頻信號(hào)主動(dòng)激勵(lì)源探測野狼級(jí)潛艇;嚴(yán)英杰等[2]對(duì)水雷目標(biāo)定位進(jìn)行了理論分析;李沅等[3]制作了一種地磁探測陸上鐵磁性目標(biāo)的裝置。國外文獻(xiàn)大多基于地磁異常、極低頻和甚低頻進(jìn)行相關(guān)報(bào)道，其中HUANG等[4]使用10臺(tái)磁強(qiáng)計(jì)構(gòu)造的傳感器矩陣探測目標(biāo)，根據(jù)目標(biāo)產(chǎn)生的地磁異常大小及梯度確定水下目標(biāo)相對(duì)于探測器的距離; LENG等[5]提出了一種基于地磁的半空間水下目標(biāo)磁異常測量方法，并于實(shí)驗(yàn)室進(jìn)行了環(huán)境驗(yàn)證。工頻磁場具有頻率低、波長長、分布廣泛等特征，世界各國輸變電網(wǎng)絡(luò)均能在空中和海域產(chǎn)生分布均勻、強(qiáng)度穩(wěn)定的可探測工頻磁場[6]，其探測技術(shù)能對(duì)低噪聲、低熱輻射、高消磁的重要目標(biāo)進(jìn)行探測，可作為傳統(tǒng)探測技術(shù)的補(bǔ)充手段[7]，并與反探測技術(shù)在目標(biāo)探測、埋地線纜定位等應(yīng)用領(lǐng)域成為國內(nèi)外研究熱點(diǎn)[8]。目前，國內(nèi)尚未見利用工頻磁場探測的相關(guān)報(bào)道，國際上利用工頻磁場進(jìn)行水下目標(biāo)的測量研究也在探索中。

工頻背景場信號(hào)受溫度、電纜結(jié)冰、風(fēng)速、雷雨等因素影響較大，且本身為微弱小信號(hào)，所以產(chǎn)生的工頻背景磁場具有一定的混沌性，是典型的混沌時(shí)間序列[9]。目前，對(duì)于混沌時(shí)間序列預(yù)測與分類的主流方式分為3類：①傳統(tǒng)時(shí)間序列預(yù)測模型，如ARIMA模型、指數(shù)平滑法和狀態(tài)空間模型[10];②現(xiàn)代預(yù)測應(yīng)用深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN），識(shí)別時(shí)間序列內(nèi)部和時(shí)間序列之間的復(fù)雜模式[11];③融合傳統(tǒng)統(tǒng)計(jì)模型與深度學(xué)習(xí)的新型預(yù)測方法[12]。在現(xiàn)代混沌時(shí)間序列分析中，傳統(tǒng)模型無法從相似的時(shí)間序列數(shù)據(jù)集合中推斷出共享模式，導(dǎo)致產(chǎn)生繁重的計(jì)算任務(wù)和大量人力勞動(dòng)需求。近年來，隨著深度學(xué)習(xí)技術(shù)和硬件技術(shù)的發(fā)展，大量深度學(xué)習(xí)算法被用于混沌時(shí)間序列分析中。例如：熊有成等[13]用長短期記憶網(wǎng)絡(luò) （long short-term memory，LSTM） 搭配合適的組合策略，驗(yàn)證了低維條件下 LSTM 在混沌時(shí)間序列預(yù)測方面能夠取得較好的效果;張安冉等[14]進(jìn)一步驗(yàn)證了使用 GRU神經(jīng)網(wǎng)絡(luò)，對(duì)混沌時(shí)間序列不僅能夠取得較好的分類效果，分類模型還具有相當(dāng)?shù)聂敯粜?黃偉建等[15]驗(yàn)證了結(jié)合注意力機(jī)制的混合神經(jīng)網(wǎng)絡(luò)（Att-CNN-LSTM）預(yù)測模型對(duì)混沌時(shí)間序列的預(yù)測性能優(yōu)于單一模型。

上述方法解決了對(duì)Logistic，Lorenz 和太陽黑子等諸多混沌時(shí)間序列的分類及預(yù)測問題，提高了模型的分類準(zhǔn)確率，但在解決工頻磁場水下目標(biāo)探測問題方面仍無建樹。這是由于水下目標(biāo)擾動(dòng)產(chǎn)生的微弱小信號(hào)難以被捕捉到，且海洋河流中產(chǎn)生的雜波多、干擾噪聲大，使得信號(hào)容易淹沒在噪聲中。本文針對(duì)目前磁探測技術(shù)存在的距離短、探測準(zhǔn)確率低等問題，提出了基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的水下目標(biāo)工頻磁場擾動(dòng)信號(hào)檢測方法。

1 基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的探測方法

相比最小支持向量機(jī)（LSSVM）、極端學(xué)習(xí)機(jī)等傳統(tǒng)機(jī)器學(xué)習(xí)算法，LSTM和CNN等深度學(xué)習(xí)算法具有更強(qiáng)大的學(xué)習(xí)能力[16-19]，在處理回歸問題上，其對(duì)非線性數(shù)據(jù)具有很好的逼近能力。為了進(jìn)一步提高混沌時(shí)間序列的預(yù)測精度，采用文獻(xiàn)[20]中的數(shù)據(jù)預(yù)處理方法并加以改進(jìn)，基于文獻(xiàn)[14]和文獻(xiàn)[16]的卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合文獻(xiàn)[13]和文獻(xiàn)[21]的LSTM與GRU網(wǎng)絡(luò)模型，提出了Att-CNN-GRU神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。

1.1 數(shù)據(jù)預(yù)處理方法

工頻磁場數(shù)據(jù)由磁力儀連續(xù)采集得到，由于工頻磁場信號(hào)微弱、干擾雜波較多、設(shè)備制造工藝有待加強(qiáng)等原因，因而數(shù)據(jù)源有一定的傳輸噪聲，導(dǎo)致產(chǎn)生異常值。為了分離出實(shí)際磁場數(shù)據(jù)，結(jié)合歐幾里德距離法與均值平滑法消除噪聲信號(hào)。

工頻磁場信號(hào)為連續(xù)時(shí)間信號(hào)f（t），傳感器以時(shí)間間隔Δt=0.002 ms進(jìn)行采樣，得到離散信號(hào)f（n，Δt）≡fn（n=1，2，3，…，N-1），其中N為信號(hào)長度。工頻磁場數(shù)據(jù)背景場信號(hào)不穩(wěn)定，采用歐幾里德距離法分離出異常信號(hào)與背景信號(hào)，取同軸近鄰2個(gè)位置數(shù)據(jù)x和y，每次檢測共取6組數(shù)據(jù)，分別來自x，y，z軸，所以在數(shù)據(jù)中取得2個(gè)近鄰點(diǎn)的下標(biāo)為{xx，yx，xy，yy，xz，yz} ，其歐幾里德距離表示為

d（x，y）：=（xx-yx）2+（xy-yy）2+（xz-yz）2=∑ni（xi-yi）2。（1）

式中i=x，y，z，分別表示3個(gè)維度數(shù)據(jù)。

為避免單個(gè)數(shù)據(jù)異常造成誤判，本文設(shè)置一個(gè)閾值，僅當(dāng)臨近簇的異常數(shù)據(jù)點(diǎn)大于閾值時(shí)，才定義為異常信號(hào)。同時(shí)定義50個(gè)數(shù)據(jù)點(diǎn)為一組序列（0.1 s），作為時(shí)間窗進(jìn)行赫爾滑動(dòng)平均（HMA），消除噪聲，其中赫爾滑動(dòng)平均如式（2）所示。相較于普通移動(dòng)平均線（SMA），赫爾滑動(dòng)平均解決了均線滯后性的問題，在減少滯后的同時(shí)，有效提高了均線的平滑程度。

HMA=WMA（2×WMA（y，int（T2））-WMA（y，T），int（T））。（2）

1.2 CNN，GRU與Attention機(jī)制結(jié)合的神經(jīng)網(wǎng)絡(luò)

本文將CNN，GRU和Attention機(jī)制融合在一起，合成一種新的神經(jīng)網(wǎng)絡(luò)，用于各種序列連續(xù)識(shí)別任務(wù)。對(duì)于磁場信號(hào)建模能力來說，CNN擅長減小頻域變化[17]，GRU可以提供長時(shí)記憶[21]，Attention機(jī)制能有效聚焦關(guān)鍵特征，所以將三者聯(lián)合進(jìn)行特征提取，可以獲得比單獨(dú)網(wǎng)絡(luò)更好的性能。

采用的模型結(jié)構(gòu)如圖1所示。先使用一維conv層提取特征，提供良好的學(xué)習(xí)效果，再利用GRU層與Attention機(jī)制良好的時(shí)間序列特性，集中于重點(diǎn)特征訓(xùn)練，達(dá)到良好的訓(xùn)練效果。

2 試驗(yàn)結(jié)果及分析

實(shí)驗(yàn)代碼均部署于戴爾PowerEdge R740機(jī)架式服務(wù)器，CPU類型為Intel至強(qiáng)金牌6238R，2.2 G，28 C/56 T，10.4 GT/s，38.5 M緩存，Turbo，HT （165 W） DDR4-2933，內(nèi)存64 GB RDIMM，3 200 MT/s，GPU為NVIDIA V100 TENSOR CORE。所有程序使用Python（3.8.6版本）語言編寫，編輯器為VScode，操作系統(tǒng)為Ubuntu18.04。數(shù)據(jù)均在武漢與紅安交界處的夏家寺水庫實(shí)地采集得到，共計(jì)8×37 496 130條數(shù)據(jù)（8通道，0.002 s采樣率），其中所使用傳感器帶寬為40～60 Hz，測量范圍為±20 nT。目標(biāo)物為水下無人潛航器，材質(zhì)為Q235碳鋼，平均磁導(dǎo)率為200～400，最大下潛深度為10 m。實(shí)驗(yàn)中探測距離為18 m，潛深為3 m。

為驗(yàn)證Att-CNN-GRU模型能在工頻磁場信號(hào)預(yù)測與分類上具備良好的效果，除利用該模型進(jìn)行預(yù)測外，還要與Att-CNN-LSTM模型、未加入注意力機(jī)制的CNN-GRU模型、單一的LSTM模型和CNN模型以及LSSVM模型進(jìn)行誤差對(duì)比。

2.1 背景信號(hào)處理

原始信號(hào)分為2部分，一是2個(gè)三軸感應(yīng)式傳感器，用于測量信號(hào)擾動(dòng);另一部分是2個(gè)單軸磁通門傳感器用于標(biāo)定，通過測量靜磁，確定目標(biāo)物同步出現(xiàn)的時(shí)間。傳感器實(shí)際布設(shè)如圖2所示，單軸感應(yīng)式傳感器B7和磁通門傳感器B1位于前測點(diǎn)，單軸感應(yīng)式傳感器B8和磁通門傳感器B2位于后測點(diǎn)。

實(shí)驗(yàn)地點(diǎn)位于湖心，50 Hz信號(hào)較微弱，雜波干擾較小。提取出三軸磁通門磁力儀測量的50 Hz背景磁場信號(hào)的幅值基本穩(wěn)定在0.43～0.67 nT。三軸磁通門傳感器50 Hz磁場幅度隨時(shí)間變化圖如圖3所示。由圖3可以看出，B1傳感器的x，y，z軸幅值與對(duì)應(yīng)的B2傳感器的x，y，z幅值極其接近。

2個(gè)三軸磁通門傳感器50 Hz磁場強(qiáng)度數(shù)據(jù)差分結(jié)果見圖4。由圖4可以看出，B1x與B2x，B1y與B2y，B1z與B2z經(jīng)過差分處理后的峰值分別為0.03，0.02，0.012 nT，在無目標(biāo)物背景場中，B1x與B2x，B1y與B2y，B1z與B2z的磁場強(qiáng)度幅值相似度為95.52%，97.01%和98.20%，即幅值差分別為4.48%，2.99%和1.80%。由此可得出結(jié)論，在該試驗(yàn)場地下，可將其距離（18 m）近似視為勻強(qiáng)場，證明該場景中的其他影響因素較小。

背景信號(hào)相關(guān)系數(shù)熱力圖如圖5所示，分別作出皮爾遜、斯皮爾曼、phi_k相關(guān)系數(shù)圖像。其中皮爾遜相關(guān)系數(shù)如式（3）所示，斯皮爾曼相關(guān)系數(shù)如式（4）所示（其中r是相關(guān)系數(shù);X和Y是用于對(duì)比的樣本集合）。皮爾遜相關(guān)系數(shù)用于離散數(shù)據(jù)相關(guān)度的分析，但在符合正態(tài)分布的數(shù)據(jù)中其表現(xiàn)更好，主要用于符合線性規(guī)律的數(shù)據(jù)。

r=∑ni=1（Xi-X-）（Yi-Y-）∑ni=1（Xi-X-）2∑ni=1（Yi-Y-）2，（3）

r=∑ni=1（Xi-X-）（Yi-Y-）∑ni=1（Xi-X-）2∑ni=1（Yi-Y-）2。（4）

背景場信號(hào)基本符合皮爾遜相關(guān)系數(shù)的使用條件。由圖5 a）可知，B7與B8之間皮爾遜相關(guān)系數(shù)達(dá)到0.83，且與B1x和B2x相關(guān)系數(shù)均在0.5以上，由于B7和B8放置方向與x軸同向，所以該相關(guān)系數(shù)表現(xiàn)符合電磁學(xué)規(guī)律（圖5中表現(xiàn)為顏色越藍(lán)，越趨近于正相關(guān)，其極值為1;顏色越紅，越趨近于負(fù)相關(guān)，其極值為-1）。斯皮爾曼相關(guān)系數(shù)如式（4）所示（其中r是相關(guān)系數(shù);X和Y是用于對(duì)比的樣本集合），其是皮爾遜系數(shù)的改進(jìn)變體，降低了離散點(diǎn)對(duì)相關(guān)系數(shù)的影響，由于背景場信號(hào)離散點(diǎn)較少，因而并未造成較大影響（圖5 b）各傳感器各軸之間的相關(guān)度與圖5 a）所表現(xiàn)的結(jié)果差別不大）;phi_k相關(guān)系數(shù)是科研人員為解決等距、等級(jí)和分類3種不同數(shù)據(jù)類型無法同時(shí)進(jìn)行統(tǒng)計(jì)解釋提出的新型相關(guān)系數(shù)，該相關(guān)系數(shù)通過結(jié)合皮爾遜相關(guān)系數(shù)和卡方檢驗(yàn)方法，有效判斷非線性相關(guān)的情況。由圖5 c）可以看出，B1和B2傳感器的z軸與B1和B2傳感器其他軸及磁通門B7和B8的phi_k相關(guān)系數(shù)較大。結(jié)合皮爾遜和斯皮爾曼相關(guān)系數(shù)可以看出，背景場測算基本符合相關(guān)電磁規(guī)律，即不同傳感器同方向軸相關(guān)度較高，同時(shí)B7和B8與用于標(biāo)定的磁通門傳感器同軸相關(guān)度極高，垂直軸負(fù)相關(guān)度較高，即具有高靈敏度的傳感器B7和B8能作為主要探測設(shè)備使用。

2.2 擾動(dòng)信號(hào)分析及處理

通過三軸磁通門和感應(yīng)式磁力儀采集水下目標(biāo)擾動(dòng)信號(hào)，采集得到的部分信號(hào)時(shí)域圖像如圖6 a）所示。在實(shí)際探測過程中，該段信號(hào)存在16次目標(biāo)物產(chǎn)生的擾動(dòng)。傳感器自身存在大量毛刺（如圖6 a）中箭頭所示），經(jīng)HMA滑動(dòng)平均處理去除毛刺后單次擾動(dòng)圖像如圖6 b）所示。由圖6 a）可知，直接測量得到的擾動(dòng)信號(hào)并不明顯。但由圖6 b）可以看出，目標(biāo)造成的擾動(dòng)在近測點(diǎn)B7比遠(yuǎn)測點(diǎn)B8平均幅值高14.06%，且信號(hào)形狀基本相似?？梢宰C明在背景場中，相同傳感器在13.5 m布設(shè)距離的幅值差不超過5%，即可認(rèn)為傳感器B7與B8采集到擾動(dòng)信號(hào)特征。

對(duì)擾動(dòng)信號(hào)同樣作出皮爾遜、斯皮爾曼、phi_k相關(guān)系數(shù)圖像，如圖7所示。

當(dāng)信號(hào)出現(xiàn)擾動(dòng)時(shí)，離散點(diǎn)增加，數(shù)據(jù)中的線性程度下降，人工標(biāo)定的目標(biāo)出現(xiàn)點(diǎn)（target標(biāo)簽）為分類數(shù)據(jù)。由圖7 a）與圖7 b）可以看出，target標(biāo)簽并未與其他數(shù)據(jù)產(chǎn)生良好的相關(guān)度特征，與前述解釋一致，即皮爾遜相關(guān)系數(shù)與斯皮爾曼相關(guān)系數(shù)僅能用于離散數(shù)據(jù)相關(guān)度分析。但在圖7 c）中，B7和B8仍具有0.6和0.3左右的相關(guān)度（如紅框中所示）。結(jié)合圖6的相關(guān)分析，可認(rèn)為B7和B8感應(yīng)式傳感器有效捕捉到了目標(biāo)信號(hào)。

2.3 神經(jīng)網(wǎng)絡(luò)時(shí)間序列擬合分析

將處理過的信號(hào)送入Att-CNN-GRU神經(jīng)網(wǎng)絡(luò)，分別與未引入注意力機(jī)制的CNN-LSTM模型、單一的CNN和LSTM網(wǎng)絡(luò)模型進(jìn)行對(duì)比，每組均設(shè)置為50個(gè)Epoch，滑動(dòng)時(shí)間窗設(shè)置為60 s。采用均方誤差（MSE）、均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）評(píng)價(jià)預(yù)測性能：

MSE=1I∑1i=1（yi-y^i）2，（5）

RMSE=1I∑1i=1（yi-y^i）2，（6）

MAE=1I∑1i=1yi-y^i。（7）

式中：I 為預(yù)測樣本數(shù);yi 和y^i 分別為預(yù)測值和真實(shí)值。

各模型擬合效果與損失值對(duì)比如圖8所示，4種模型擬合性能對(duì)比見表1。

由表1及圖8可知，Att-CNN-GRU模型MSE達(dá)到0.00 468，相較于CNN，LSTM和CNN-LSTM分別提升了36.24%，14.44%和4.878%，且RMSE與MAE均處于領(lǐng)先地位。從loss圖可知，Att-CNN-GRU同樣具有更快的收斂速度。

2.4 目標(biāo)檢測結(jié)果分析

在混合神經(jīng)網(wǎng)絡(luò)與Attention機(jī)制結(jié)合的模型擬合獲得良好效果之后，使用該模型對(duì)擾動(dòng)信號(hào)進(jìn)行目標(biāo)檢測，

由于所測得信號(hào)中背景場居多，有目標(biāo)信號(hào)在總信號(hào)中數(shù)量偏少，因而樣本偏移十分嚴(yán)重。本文將大量背景場信號(hào)輸入模型，結(jié)合閾值法與歐幾里德距離對(duì)目標(biāo)信號(hào)進(jìn)行檢測，并將其與未引入注意力機(jī)制的CNN-LSTM模型、單一的CNN和LSTM網(wǎng)絡(luò)模型進(jìn)行對(duì)比。

分類試驗(yàn)中以準(zhǔn)確率、召回率、查準(zhǔn)率、F1值4個(gè)指標(biāo)作為信號(hào)檢測模型的評(píng)價(jià)標(biāo)準(zhǔn)，結(jié)果如表2所示。準(zhǔn)確率可以直觀體現(xiàn)模型的準(zhǔn)確率;查準(zhǔn)率和召回率可以反映模型是否處于過擬合狀態(tài)，查準(zhǔn)率較低說明模型偏向于預(yù)測為異常結(jié)果，召回率較低說明模型偏向于預(yù)測為正常結(jié)果;F1值則綜合反映查準(zhǔn)率和召回率2個(gè)指標(biāo)，其值越高，說明模型識(shí)別效果越好。

由表2可知：1）Att-CNN-GRU網(wǎng)絡(luò)模型的準(zhǔn)確率比CNN，LSTM和CNN-LSTM模型分別高出20.01%，31.08%和13.80%;2）Att-CNN-GRU網(wǎng)絡(luò)模型的F1值比CNN，LSTM和CNN-LSTM模型分別高出9.30%，16.37%和1.91%。結(jié)果表明，在工頻磁場目標(biāo)探測中，不論是在準(zhǔn)確度還是在克服模型偏斜方面，加入Attention機(jī)制的CNN-GRU模型性能都比CNN，LSTM和CNN-GRU模型性能更優(yōu)異。該結(jié)果證明了基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的檢測方法能有效用于水下目標(biāo)工頻磁場擾動(dòng)信號(hào)的檢測。

3 結(jié) 語

1）基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的檢測方法能有效解決工頻磁場探測中擾動(dòng)信號(hào)微弱、擾動(dòng)規(guī)律不明確、背景噪聲多等問題，可實(shí)現(xiàn)對(duì)水下目標(biāo)造成的工頻磁場擾動(dòng)信號(hào)的擬合與檢測。

2）基于混合神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的檢測方法首先對(duì)目標(biāo)信號(hào)進(jìn)行特征提取，在多傳感器條件下確定探測到目標(biāo)信號(hào)的傳感器，通過讀取傳感器背景場數(shù)據(jù)和目標(biāo)數(shù)據(jù)，送入Att-CNN-GRU深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分別對(duì)背景場信號(hào)和目標(biāo)信號(hào)進(jìn)行擬合，利用訓(xùn)練好的Att-CNN-GRU深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，結(jié)合閾值法與歐幾里德距離對(duì)目標(biāo)進(jìn)行分類，基于實(shí)測數(shù)據(jù)評(píng)估模型。

3）加入Attention機(jī)制的CNN-GRU模型在實(shí)測擬合過程中MSE達(dá)到0.00 468，相較于CNN，LSTM和CNN-LSTM分別提升了36.24%，14.44%和4.878%。在目標(biāo)檢測方面，該模型的準(zhǔn)確率達(dá)到83.33%，F(xiàn)1值達(dá)到0.581 7?；诨旌仙窠?jīng)網(wǎng)絡(luò)與注意力機(jī)制的檢測方法，完全可以用作水下目標(biāo)探測的輔助手段。

實(shí)際測量中，由于無目標(biāo)樣本遠(yuǎn)比有目標(biāo)樣本多，因而易造成檢測結(jié)果的偏移，可考慮增加樣本采樣等方式，消除樣本偏移。今后可以通過采用樣本平衡性、神經(jīng)網(wǎng)絡(luò)對(duì)不平衡樣本進(jìn)行進(jìn)一步加權(quán)處理等方式，對(duì)工頻磁場擾動(dòng)信號(hào)探測方法進(jìn)行更為深入的研究。

參考文獻(xiàn)/References：

[1] 王楊婧，謝擁軍，雷振亞，用于射頻超導(dǎo)量子干涉器的新型單CSRR磁通聚焦器和諧振器[J].物理學(xué)報(bào)，2012，61（9）：263-269.

WANG Yangjing，XIE Yongjun，LEI Zhenya，Novel flux concentrator with a single CSRR surrounded by a resonator for radio frequency superconducting quantum interference device[J].Acta Physica Sinaca，2012，61（9）：263-269.

[2] 嚴(yán)英杰，盛戈皞，王輝，等.基于高維隨機(jī)矩陣大數(shù)據(jù)分析模型的輸變電設(shè)備關(guān)鍵性能評(píng)估方法[J].中國電機(jī)工程學(xué)報(bào)，2016，28（2）：435-445.

YAN Yingjie，SHENG Gehao，WANG Hui，et al.The key state assessment method of power transmission equipment using big data analyzing model based? on large dimensional random matrix[J].Chinese Journal of Electrical Engineering，2016，28（2）：435-445.

[3] 李沅，胡冠華，李凱，等.基于磁探測技術(shù)的鐵磁性目標(biāo)探測系統(tǒng)設(shè)計(jì)[J].測試技術(shù)學(xué)報(bào)，2014（3）：223-225.

LI Yuan，HU Guanhua，LI Kai，et al.Ferromagnetic target detection system design based on magnetic detection technology[J].Journal of Testing? Technology，2014（3）：223-228.

[4] HUANG Y A， HAO B.Effect of three no-co-point axes in a magnetometer on underwater geomagnetic localization precision[J].Journal of Huazhong University of Science and Technology（Nature Science Edition），2010，2（2）：125-138.

[5] LENG J，CHENG H，ZHOU T.Computing method of lower half space of underwater targets magnetic anomaly[J].Journal of Detection & Control，2017（2）：12-19.

[6] 廖文平，魏明生，李麗，等.一種新型工頻磁場測量儀的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2015，51（4）：110-113.

LIAO Wenping，WEI Mingsheng，LI Li，et al.Design for new measurement instrument of power frequency magnetic field[J].Modern Electronics Technique，2015，51（4）：110-113.

[7] GODDARD K F，WANG P，LEWIN P L，et al.Detection and location of underground cables using magnetic field measurements[J].Measurement Science & Technology，2012，23（5）：55002-55010.

[8] 王凱奇，張華，沈立群，等.復(fù)雜環(huán)境下超高壓輸電線路的工頻磁場特性[J].浙江電力，2016，35（12）：50-55.

WANG Kaiqi，ZHANG Hua，SHEN Liqun，et al.Power frequency magnetic field characteristics of UHV transmission lines in complicated environment[J].Zhejiang Electroic Power，2016，35（12）：50-55.

[9] 牛林，趙建國，李可軍，等.特高壓交流輸電線路空間工頻磁場特性的預(yù)測研究[C]//京津冀晉蒙魯電機(jī)工程（電力）學(xué)會(huì)第19屆學(xué)術(shù)交流會(huì)論文集.[S.l.]：[s.n.]，2009：74-79.

[10]余楠，丁國榮，童夢(mèng)，王文波.基于多尺度自適應(yīng)階ARMA的混沌序列多步預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2021，51（7）：137-145.

YU Nan，DING Guorong，TONG Meng，et al.Multi-step prediction of Chaotic time series based on multiscale adaptive order ARMA[J].Mathematics in Practice and Theory，2021，51（7）：137-145.

[11]朱經(jīng)紅.基于混沌時(shí)間序列的城網(wǎng)飽和負(fù)荷預(yù)測方法[J].自動(dòng)化技術(shù)與應(yīng)用，2021，40（7）：146-150.

ZHU Jinghong.Saturated load forecasting method of urban power network based on chaotic time series [J].Automation Technology and Application 2021，40（7）：146-150.

[12]孟安波，陳順，王陳恩，等.基于混沌CSO優(yōu)化時(shí)序注意力GRU模型的超短期風(fēng)電功率預(yù)測[J/OL].電網(wǎng)技術(shù).[2021-06-16].https：//kns.cnki.net/kcms/detail/11.2410.TM.20210616.1104.001.html.

MENG Anbo，CHEN Shun，WANG Chenen，et al.An ultra-short-term wind power prediction based on chaotic CSO optimized temporal attention GRU model[J/OL].Power System Technology.[2021-06-16].https：//kns.cnki.net/kcms/detail/11.2410.TM.20210616.1104.001.html.

[13]熊有成，趙鴻.長短期記憶網(wǎng)絡(luò)預(yù)測混沌時(shí)間序列[J].中國科學(xué)：物理學(xué) 力學(xué) 天文學(xué)，2019，49（12）：88-95.

XIONG Youcheng，ZHAO Hong，Chaotic time series prediction based on long short-term memory neural networks[J].Scientia Sinica Physica，Mechanica & Astronomica，2019，49（12）：88-95.

[14]張安冉，廖祎瑋，趙國生，等.群智感知環(huán)境中基于GRU網(wǎng)絡(luò)的用戶位置預(yù)測模型[J].計(jì)算機(jī)工程與科學(xué)，2021，43（10）：1750-1757.

ZHANG Anran，LIAO Yiwei，ZHAO Guosheng，et al.A user location prediction model based on GRU network in crowd sensing environment[J].Computer Engineering and Science，2021，43（10）：1750-1757.

[15]黃偉建，李永濤，黃遠(yuǎn).基于混合神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制的混沌時(shí)間序列預(yù)測[J].物理學(xué)報(bào)，2021，70（1）：235-243.

HUANG WeiJian，Li Yongtao，HUANG Yuan.Prediction of chaotic time series using hybrid neural network and attention mechanism[J].Acta Physica Sinaca，2021，70（1）：235-243.

[16]WAIBEL A，HANAZAWA T，HINTON G E，et al.Phoneme recognition using time-delay neural networks[J].Readings in Speech Recognition，1990，1（3）：393-404.

[17]COMAK E，POLAT K，GUENES S，et al.A new medical decisionmaking system：Least square support vector machine （LSSVM） with fuzzy weighting pre-processing[J].Expert Systems with Applications，2007，32（2）：409-414.

[18]張學(xué)清，梁軍，張熙，等.基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測模型[J].中國電機(jī)工程學(xué)報(bào)，2013，33（25）：33-40.

ZHANG Xueqing，LIANG Jun，ZHANG Xi，et al.Combined model for ultra short-term wind power prediction based on sample entropy and extreme learning machine[J]，Proceeding of the CSEE，2013，33（25）：33-40.

[19]WU C L，CHAU K W，F(xiàn)AN C.Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques[J].Journal of Hydrology，2010，389：146-167.

[20]趙戈雅，薛明皋.基于TN-LP-LSTM-SVM混合模型的原油期貨次日價(jià)格變化方向和波動(dòng)率大小預(yù)測方法[J/OL].控制與決策.[2021-09-02].https：//kns.cnki.net/kcms/detail/21.1124.TP.20210901.1219.036.html.

ZHAO Geya，XUE Minggao.A new method for predicting the next-day price change direction and volatility size of crude oil futures based on a hybrid TN-LP-LSTM-SVM mode[J/OL].Journal of Control and Decision.[2021-09-02].https：//kns.cnki.net/kcms/detail/21.1124.TP.20210901.1219.036.html.

[21]KONG W，DONG Z Y，JIA Y，et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid，2017.doi：10.1109/TSG.2017.2753802.