• 中国科技核心期刊
  • JST收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于一维卷积神经网络的舰船尾流检测

杨长生 苟文博 梁红

杨长生, 苟文博, 梁红. 基于一维卷积神经网络的舰船尾流检测[J]. 水下无人系统学报, 2023, 31(6): 839-846 doi: 10.11993/j.issn.2096-3920.2022-0052
引用本文: 杨长生, 苟文博, 梁红. 基于一维卷积神经网络的舰船尾流检测[J]. 水下无人系统学报, 2023, 31(6): 839-846 doi: 10.11993/j.issn.2096-3920.2022-0052
YANG Changsheng, GOU Wenbo, LIANG Hong. Ship Wake Detection Based on One-Dimensional Convolutional Neural Network[J]. Journal of Unmanned Undersea Systems, 2023, 31(6): 839-846. doi: 10.11993/j.issn.2096-3920.2022-0052
Citation: YANG Changsheng, GOU Wenbo, LIANG Hong. Ship Wake Detection Based on One-Dimensional Convolutional Neural Network[J]. Journal of Unmanned Undersea Systems, 2023, 31(6): 839-846. doi: 10.11993/j.issn.2096-3920.2022-0052

基于一维卷积神经网络的舰船尾流检测

doi: 10.11993/j.issn.2096-3920.2022-0052
基金项目: 国家自然科学基金项目资助(61771398, 61971354)
详细信息
    作者简介:

    杨长生(1978-), 男, 副教授, 研究方向为水下信号与信息处理、仿生智能感知

  • 中图分类号: TJ630.6; U674

Ship Wake Detection Based on One-Dimensional Convolutional Neural Network

  • 摘要: 为了提高舰船尾流的检测准确率, 提出一种基于一维卷积神经网络(1DCNN)的舰船尾流检测方法。利用舰船尾流散射回波模型构建仿真数据集, 通过水箱仿真实验验证散射回波模型的可靠性并构建实验数据集, 最后综合考虑不同结构模型的检测准确率和参数量搭建了1DCNN并与传统检测算法(基于单分类支持向量机和反向传播神经网络)在数据集上进行对比分析。仿真结果表明, 相比与传统检测算法, 文中所提出的1DCNN提高了不同信噪比下舰船尾流的检测准确率和检测效率, 具有较好的工程应用价值。

     

  • 图  1  水箱实验场景布置图

    Figure  1.  Layout of water tank experiment scene

    图  2  仿真和实验散射回波

    Figure  2.  Simulated and experimental scattering echoes

    图  3  回波信号统计特性

    Figure  3.  Statistical properties of echo signals

    图  4  仿真和实验散射回波时频特性

    Figure  4.  Time-frequency characteristics of simulated and experimental scattering echoes

    图  5  数据集构成

    Figure  5.  Composition of data set

    图  6  1DCNN结构示意图

    Figure  6.  1DCNN structure

    图  7  “Valid”填充方式示意图

    Figure  7.  “Valid” filling method

    图  8  1DCNN训练流程图

    Figure  8.  Flow chart of 1DCNN training

    图  9  1DCNN测试流程图

    Figure  9.  Flow chart of 1DCNN test

    图  10  高斯滤波器幅频响应曲线

    Figure  10.  Amplitude frequency response curve of Gaussian filter

    图  11  1DCNN模型识别准确率曲线图

    Figure  11.  Recognition accuracy curves of 1DCNN model

    表  1  数据集A构成

    Table  1.   Composition of data set A

    距水面
    距离/m
    收发平台
    速度/(m/s)
    声源发射

    信号角
    /(°)
    有尾流散射
    回波个数
    无尾流散射
    回波个数
    15090120120
    15060120120
    152090120120
    152060120120
    20090120120
    20060120120
    202090120120
    202060120120
    25090120120
    25060120120
    252090120120
    252060120120
    下载: 导出CSV

    表  2  不同卷积层数模型参数表

    Table  2.   Parameters of models with different convolutional layers

    卷积层卷积层数
    456
    第1层1×125, 321×125, 321×125, 32
    第2层1×15, 321×15, 321×15, 32
    第3层1×3, 641×3, 641×3, 64
    第4层1×3, 321×3, 321×3, 32
    第5层1×3, 321×3, 32
    第6层1×3, 32
    下载: 导出CSV

    表  3  不同卷积层数模型检测准确率

    Table  3.   Model detection accuracy with different convolu tional layers 单位:%

    信噪比/dB卷积层数
    456
    −2098.3299.4899.64
    −2195.1599.2599.51
    −2292.8299.1099.20
    −2390.1096.6094.50
    −2487.8593.2890.15
    下载: 导出CSV

    表  4  不同卷积层数模型参数量

    Table  4.   Model parameter quantity with different convolution layers

    卷积层数参数量
    4362 90
    539 394
    642 498
    下载: 导出CSV

    表  5  1DCNN结构参数表

    Table  5.   Parameters of 1DCNN structure

    结构层参数步长填充输入输出大小
    输入层1×25 000
    卷积层1×125, 3216Valid1×1 555×32
    池化层1×32Valid1×776×32
    卷积层1×15, 324Valid1×191×32
    池化层1×32Valid1×96×32
    卷积层1×3, 642Valid1×47×64
    池化层1×32Valid1×24×64
    卷积层1×3, 321Valid1×22×32
    池化层1×32Valid1×11×32
    卷积层1×3, 321Valid1×9×32
    GMP32
    全连接层128
    全连接层2
    Softmax
    下载: 导出CSV

    表  6  不同算法在数据集A和B的检测准确率

    Table  6.   Detection accuracy of different algorithms on data sets A and B 单位:%

    算法数据集A
    数据集B
    SNR=−5 dBSNR=−10 dBSNR=−15 dB
    1DCNN100.0099.9899.85100.00
    OCSVM98.7596.6075.0099.20
    BP神经网络95.2090.0063.7598.43
    下载: 导出CSV

    表  7  变数据集检测准确率

    Table  7.   Detection accuracy of change dataset 单位:%

    试验过程SNR(数据集A)/dB
    −10 −15 −20
    A→B97.8997.8595.43
    B→A96.895.6752.10
    下载: 导出CSV

    表  8  不同网络模块配置下的检测准确率

    Table  8.   Detection accuracy under different network module configurations

    网络结构类别数据集A检测准确率/%
    数据集B
    检测准确率/%
    参数量
    SNR=−22 dBSNR=−23 dBSNR=−24 dB
    1(小卷积核和MP)53.5052.3051.2696.843 682
    2(大卷积核和MP)96.1883.3050.00100.047 568
    3(小卷积核和GMP)53.9953.2152.5398.235 450
    4(大卷积核和GMP)99.1096.6093.28100.039 394
    下载: 导出CSV
  • [1] 王成, 吴岩, 杨廷飞. 利用改进单分类支持向量机提升舰船尾流目标的检测准确率[J]. 兵工学报, 2020, 41(9): 1887-1893.

    Wang Cheng, Wu Yan, Yang Tingfei. Improving the detection accuracy of wake targets by improved one-class support vector machine[J]. Acta Armamentarii, 2020, 41(9): 1887-1893.
    [2] 樊书宏, 严冰, 刘昆仑, 等. 舰船尾流侧向声检测方法[J]. 声学技术, 2011, 30(6): 474-479.

    Fan Shuhong, Yan Bing, Liu Kunlun, et al. A study of ships wake detection by side acoustic scattering[J]. Technical Acoustics, 2011, 30(6): 474-479.
    [3] Jeong S, Ban S W, Choi S, et al. Surface ship-wake detection using active sonar and one-class support vector machine[J]. IEEE Journal of Oceanic Engineering, 2012, 37(3): 456-466. doi: 10.1109/JOE.2012.2192344
    [4] 金磊磊, 梁红, 杨长生. 基于卷积神经网络的水下目标声呐图像识别方法[J]. 西北工业大学学报, 2021, 39(2): 285-291. doi: 10.1051/jnwpu/20213920285

    Jin Leilei, Liang Hong, Yang Changsheng. Sonar image recognition of underwater target based on convolutional neural network[J]. Joumal of Nonhwestem Polytechnical University, 2021, 39(2): 285-291. doi: 10.1051/jnwpu/20213920285
    [5] Ferguson E L, Ramakrishnan R, Williams S B, et al. Convolutional neural networks for passive monitoring of a shallow water environment using a single sensor[C]//2017 IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP). New Orleans, LA, USA: IEEE, 2017: 2657-2661.
    [6] Razzak M I, Naz S, Zaib A. Deep learning for medical image processing: Overview, challenges and the future[EB/OL]. (2017-04-22)[2022-08-29]. https://arxiv.org/abs/1704.06825v1.
    [7] R J 尤立克. 水声学原理[M]. 洪申, 译. 哈尔滨: 哈尔滨船舶工程学院出版社, 1990.
    [8] Keller J B, Miksis M. Bubble oscillations of large amplitude[J]. The Journal of the Acoustical Society of America, 1980, 68(2): 628-633. doi: 10.1121/1.384720
    [9] 王虹斌. 水中气泡幕的多体多次声散射模型分析[J]. 船舶工程, 2006, 28(3): 30-33. doi: 10.13788/j.cnki.cbgc.2006.03.008

    Wang Hongbin. Analysis of multi-body multi-dispersion model for bubble screen[J]. Ship Engineering, 2006, 28(3): 30-33. doi: 10.13788/j.cnki.cbgc.2006.03.008
    [10] Leifer I, Patro R K. The bubble mechanism for methane transport from the shallow sea bed to the surface: A review and sensitivity study[J]. Continental Shelf Research, 2002, 22(16): 2409-2428. doi: 10.1016/S0278-4343(02)00065-1
    [11] 陈维兴, 崔朝臣, 李小菁, 等. 基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断[J]. 计量学报, 2006, 28(3): 30-33.

    Chen Weixing, Cui Chaochen, Li Xiaojing, et al. Bearing fault diagnosis of wind turbine based on multi-wavelet-1 d convolutional LSTM[J]. Acta Metrologica Sinica, 2006, 28(3): 30-33.
  • 加载中
图(11) / 表(8)
计量
  • 文章访问数:  57
  • HTML全文浏览量:  12
  • PDF下载量:  19
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-29
  • 修回日期:  2022-09-22
  • 录用日期:  2022-11-09
  • 网络出版日期:  2023-11-22

目录

    /

    返回文章
    返回
    服务号
    订阅号