基于SVM的短波收信智能監(jiān)測(cè)軟件的設(shè)計(jì)與實(shí)現(xiàn)?

向奕雪 陳 斌 羅 勇

（海軍工程大學(xué) 武漢 430033）

1 引言

為了確保短波收信業(yè)務(wù)的正常開(kāi)展，需要對(duì)短波收信系統(tǒng)的運(yùn)行狀態(tài)有一個(gè)快速、清晰和準(zhǔn)確的掌握。在以往的各類(lèi)檢測(cè)設(shè)備和系統(tǒng)中，通常只能給出短波收信系統(tǒng)某一組成單元的參數(shù)測(cè)試數(shù)據(jù)，用戶往往需要憑使用經(jīng)驗(yàn)或參數(shù)指標(biāo)門(mén)限對(duì)測(cè)試結(jié)果進(jìn)行判斷和分析，這種方式不僅對(duì)用戶的技術(shù)能力有一定的要求，而且自動(dòng)化程度不高，給用戶的使用帶來(lái)了較大的不便利。隨著人工智能在各個(gè)領(lǐng)域的廣泛研究和使用［1～5］，在對(duì)短波收信系統(tǒng)自動(dòng)監(jiān)測(cè)和診斷系統(tǒng)的研究和設(shè)計(jì)中，也引入了人工智能技術(shù)，利用支持向量機(jī)（Support Vector Machine，SVM）模型對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行智能識(shí)別和分析［6］，較好地實(shí)現(xiàn)了對(duì)收信系統(tǒng)狀態(tài)的快速判別和智能診斷。

軟件綜合利用了C#編程的便利性和Matlab仿真運(yùn)算的專(zhuān)業(yè)性，通過(guò)Matlab實(shí)現(xiàn)對(duì)監(jiān)測(cè)數(shù)據(jù)的分析和智能算法設(shè)計(jì)與仿真，采用C#軟件進(jìn)行了算法的移植與綜合使用［7］，編寫(xiě)了一套配合短波收信天線監(jiān)測(cè)硬件平臺(tái)使用的智能監(jiān)測(cè)軟件，通過(guò)實(shí)時(shí)或定期檢測(cè)獲取短波收信天線的關(guān)鍵指標(biāo)數(shù)據(jù)，經(jīng)由智能診斷模塊迅速地判定運(yùn)行狀況、追溯故障原因，為基層通信維護(hù)人員的短波收信天線裝備管理與運(yùn)維提供切實(shí)有效的技術(shù)支持。

2 系統(tǒng)硬件結(jié)構(gòu)與工作模式分析

圖1 系統(tǒng)硬件結(jié)構(gòu)

在不實(shí)施監(jiān)測(cè)時(shí)，收信機(jī)正常與收信天線相連接，執(zhí)行接收任務(wù)。在需要實(shí)施監(jiān)測(cè)時(shí)，可分為以下兩種模式進(jìn)行：

1）定期自動(dòng)監(jiān)測(cè)

可根據(jù)需要設(shè)置監(jiān)測(cè)周期，每隔一段時(shí)間進(jìn)行一次監(jiān)測(cè)，在實(shí)時(shí)監(jiān)測(cè)時(shí)，由收信監(jiān)測(cè)終端內(nèi)的主控單元控制射頻切換開(kāi)關(guān)將收信機(jī)與監(jiān)測(cè)模塊相連，監(jiān)測(cè)模塊產(chǎn)生3MHz～30MHz的標(biāo)準(zhǔn)射頻信號(hào)通過(guò)射頻線纜送給收信機(jī)，從音頻監(jiān)測(cè)終端獲取收信機(jī)音頻輸出信號(hào)，通過(guò)自動(dòng)調(diào)節(jié)射頻信號(hào)的輸出幅度使得收信機(jī)的輸出音頻信噪比降低，并最終達(dá)到規(guī)定的信噪比，從而得到收信機(jī)的接收靈敏度指標(biāo)數(shù)據(jù)。通過(guò)標(biāo)準(zhǔn)監(jiān)測(cè)接收機(jī)可直接監(jiān)測(cè)送到監(jiān)測(cè)接收機(jī)射頻端口上的信號(hào)強(qiáng)度，從而獲取饋線線路上的射頻損耗情況。監(jiān)測(cè)服務(wù)器對(duì)比歷史記錄和預(yù)警門(mén)限，發(fā)現(xiàn)異常狀態(tài)時(shí)，即可進(jìn)行報(bào)警。

2）遙控監(jiān)測(cè)

將監(jiān)測(cè)模塊通過(guò)光纖與機(jī)房?jī)?nèi)的服務(wù)器相連接，可人工根據(jù)需要遠(yuǎn)程遙控監(jiān)測(cè)模塊對(duì)收信系統(tǒng)的關(guān)鍵指標(biāo)進(jìn)行測(cè)試。

3 系統(tǒng)監(jiān)測(cè)軟件整體架構(gòu)與功能設(shè)計(jì)

軟件系統(tǒng)整體結(jié)構(gòu)主要包括面向用戶層、業(yè)務(wù)管理與計(jì)算處理層和數(shù)據(jù)服務(wù)層3個(gè)方面，如圖2所示。

圖2 監(jiān)測(cè)軟件系統(tǒng)架構(gòu)設(shè)計(jì)

1）面向用戶層

面向用戶層為用戶提供最終的人機(jī)交互界面，可以對(duì)短波收信天線的整體綜合能力等狀態(tài)采用圖形顯示的方式進(jìn)行可視化呈現(xiàn)控制管理和實(shí)時(shí)分析處理，可自動(dòng)實(shí)時(shí)動(dòng)態(tài)呈現(xiàn)，也可在需要時(shí)手動(dòng)控制分析評(píng)估功能的運(yùn)行。當(dāng)接收到收信天線系統(tǒng)運(yùn)行狀態(tài)出現(xiàn)的異常信息時(shí)，能夠迅速報(bào)警并在收信天線系統(tǒng)分布的圖像上標(biāo)出可能導(dǎo)致該現(xiàn)象的組成要素分布，使得值班人員能夠非常直觀、迅速地了解整個(gè)收信天線系統(tǒng)的狀態(tài)信息。用戶可依據(jù)下達(dá)的任務(wù)內(nèi)容對(duì)監(jiān)測(cè)的對(duì)象和呈現(xiàn)的信息進(jìn)行自由選擇和定制，也可以根據(jù)需求自行對(duì)各種數(shù)據(jù)和信息進(jìn)行檢索查詢。

3）切實(shí)提升調(diào)和油技術(shù)的應(yīng)用水平。目前，船用低硫燃油的生產(chǎn)加工方式有3種：一是通過(guò)加工低硫原油生產(chǎn)低硫重質(zhì)燃料油；二是調(diào)和加工低硫燃油；三是煉廠增投渣油加工裝置生產(chǎn)低硫燃油。整體來(lái)看，調(diào)和加工方式的產(chǎn)品是未來(lái)幾年船用低硫燃油的主要來(lái)源，通過(guò)將低硫原料和高硫原料按規(guī)定比例調(diào)兌，生產(chǎn)出符合國(guó)際海事組織要求的低硫燃油。這種方式最為簡(jiǎn)單和直接，也是新加坡作為全球船舶加油中心的核心優(yōu)勢(shì)之一。某種意義上，調(diào)和技術(shù)水平的高低不僅決定了燃油質(zhì)量，也體現(xiàn)了船供油公司核心競(jìng)爭(zhēng)力的高低。船供油公司應(yīng)加強(qiáng)調(diào)和技術(shù)的經(jīng)驗(yàn)積累和研發(fā)，努力在調(diào)和技術(shù)上取得領(lǐng)先和突破。

2）業(yè)務(wù)管理與計(jì)算處理層

業(yè)務(wù)管理與計(jì)算處理層主要完成對(duì)數(shù)據(jù)的收集、分配和管理，包括了數(shù)據(jù)獲取、分析計(jì)算與處理、配置管理、命令響應(yīng)發(fā)送、系統(tǒng)維護(hù)、數(shù)據(jù)訂閱分發(fā)和數(shù)據(jù)庫(kù)維護(hù)管理等功能業(yè)務(wù)。數(shù)據(jù)獲取的過(guò)程如下：監(jiān)測(cè)終端由人工操作或者自動(dòng)定期從短波收信天線采集指標(biāo)參數(shù)，將采集到的收信天線駐波比、饋線駐波比、饋線衰減損耗和收信頻率準(zhǔn)確度等測(cè)量值以XML文件的格式存儲(chǔ)在數(shù)據(jù)庫(kù)中。通過(guò)調(diào)用數(shù)據(jù)服務(wù)層的智能狀態(tài)分析與診斷模型并結(jié)合數(shù)據(jù)庫(kù)系統(tǒng)長(zhǎng)期存儲(chǔ)的歷史數(shù)據(jù)等信息對(duì)數(shù)據(jù)采集終端設(shè)備送來(lái)的狀態(tài)監(jiān)測(cè)數(shù)據(jù)等進(jìn)行建模計(jì)算與評(píng)測(cè)，當(dāng)出現(xiàn)收信天線系統(tǒng)狀態(tài)故障預(yù)警時(shí)對(duì)可能出現(xiàn)風(fēng)險(xiǎn)的設(shè)備單元進(jìn)行智能概率分析和原因提示，并將分析處理后的結(jié)果數(shù)據(jù)信息送到面向用戶層，根據(jù)不同輕重緩急的預(yù)警級(jí)分別采取不同的策略向用戶呈現(xiàn)。配置管理的主要功能是將用戶的操作請(qǐng)求發(fā)送給監(jiān)測(cè)硬件，讓硬件執(zhí)行分配的任務(wù)，同時(shí)保存用戶詳細(xì)的操作記錄于系統(tǒng)日志中。

3）數(shù)據(jù)服務(wù)層

數(shù)據(jù)庫(kù)服務(wù)層通過(guò)TCP服務(wù)實(shí)現(xiàn)與監(jiān)測(cè)采集終端設(shè)備的聯(lián)網(wǎng)。該層的主要職責(zé)是管理和維護(hù)監(jiān)測(cè)硬件采集到的系統(tǒng)運(yùn)行狀態(tài)參數(shù)、歷史故障樣本集、用戶操作記錄和可選的智能診斷模型集合，分為監(jiān)測(cè)數(shù)據(jù)庫(kù)、故障記錄庫(kù)、系統(tǒng)日志庫(kù)和監(jiān)測(cè)診斷模型庫(kù)。監(jiān)測(cè)數(shù)據(jù)庫(kù)詳細(xì)記錄監(jiān)測(cè)硬件采集終端獲取的監(jiān)測(cè)數(shù)據(jù)。故障庫(kù)涵蓋了一部分的歷史故障信息和本監(jiān)測(cè)系統(tǒng)運(yùn)行使用以來(lái)所存儲(chǔ)的故障信息，已發(fā)生故障的裝備編號(hào)、故障具體表現(xiàn)、級(jí)別性質(zhì)、故障處理過(guò)程、故障等級(jí)等屬性細(xì)致地記錄每一條故障從發(fā)現(xiàn)到徹底維修解決的過(guò)程。系統(tǒng)日志庫(kù)記錄了整個(gè)監(jiān)測(cè)系統(tǒng)的運(yùn)行信息，如開(kāi)機(jī)關(guān)機(jī)的時(shí)間、是否發(fā)生異常、用戶添加刪除登陸的情況、每個(gè)用戶的操作記錄等等。

4 軟件開(kāi)發(fā)中的關(guān)鍵技術(shù)及其實(shí)現(xiàn)

4.1 基于多線程和TCP/IP的數(shù)據(jù)傳輸程序設(shè)計(jì)

在系統(tǒng)的設(shè)計(jì)中，采用TCP/IP協(xié)議Socket完成各監(jiān)測(cè)終端、遠(yuǎn)程用戶終端與監(jiān)測(cè)服務(wù)器的連接與通信［8］。Socket可以看作不同主機(jī)或不同進(jìn)程間進(jìn)行雙向通信的端點(diǎn)，它為網(wǎng)絡(luò)通信開(kāi)發(fā)提供了一個(gè)應(yīng)用程序接口（API）。Socket有兩種不同的類(lèi)型：流式套接字（Stream socket）和數(shù)據(jù)報(bào)套接字（Datagram socket）。流式套接字采用TCP協(xié)議，提供可靠的面向數(shù)據(jù)傳輸；數(shù)據(jù)報(bào)套接字采用UDP協(xié)議，提供無(wú)連接的數(shù)據(jù)傳輸，不保證傳輸?shù)目煽啃浴?/p>

系統(tǒng)監(jiān)測(cè)服務(wù)器與遠(yuǎn)程用戶端或監(jiān)測(cè)終端之間的網(wǎng)絡(luò)通信采用了基于面向連接的TCP協(xié)議，使用Visual C#提供的Socket類(lèi)進(jìn)行編程實(shí)現(xiàn)異步通信方式，并結(jié)合多線程技術(shù)，有效提高了編寫(xiě)的網(wǎng)絡(luò)應(yīng)用程序的性能。多線程技術(shù)是實(shí)現(xiàn)一個(gè)監(jiān)測(cè)服務(wù)器和多個(gè)遠(yuǎn)程用戶終端及監(jiān)測(cè)終端通信的關(guān)鍵技術(shù)。運(yùn)用了多線程之后，各監(jiān)測(cè)終端與遠(yuǎn)程用戶終端之間就不會(huì)相互影響，即使其中一個(gè)出現(xiàn)錯(cuò)誤也不會(huì)影響到另一個(gè)。在保證數(shù)據(jù)可靠性的前提下，提高了通信的實(shí)時(shí)性和信息共享能力。

4.2 數(shù)據(jù)庫(kù)

短波收信智能監(jiān)測(cè)與診斷軟件主要是通過(guò)對(duì)各監(jiān)測(cè)終端獲取的關(guān)鍵性能指標(biāo)數(shù)據(jù)進(jìn)行存儲(chǔ)和分析，建立短波收信系統(tǒng)智能診斷模型。數(shù)據(jù)服務(wù)層中包含了故障診斷模型、系統(tǒng)運(yùn)行記錄、系統(tǒng)故障記錄和監(jiān)測(cè)數(shù)據(jù)存儲(chǔ)等4種不同類(lèi)型的數(shù)據(jù)庫(kù)，涵蓋了整個(gè)軟件的核心內(nèi)容，數(shù)據(jù)庫(kù)的設(shè)計(jì)將直接影響到整個(gè)軟件的運(yùn)行效率和后續(xù)的智能診斷模型生成。

系統(tǒng)程序在Microsoft SQL Server 2008基礎(chǔ)上建立了數(shù)據(jù)庫(kù)，在Microsoft Visual Studio 2010平臺(tái)下通過(guò)ADO.NET組件模型訪問(wèn)數(shù)據(jù)庫(kù)并完成對(duì)監(jiān)測(cè)數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)與管理。該數(shù)據(jù)庫(kù)維護(hù)管理模塊包含許多子功能模塊，如數(shù)據(jù)的查詢、保存、備份、刪除，數(shù)據(jù)信息輸出為Excel表格或Word文檔，數(shù)據(jù)信息的曲線視圖顯示及曲線保存與打印等。

4.3 智能診斷模塊設(shè)計(jì)

根據(jù)各監(jiān)測(cè)終端獲取的數(shù)據(jù)與故障間的對(duì)應(yīng)關(guān)系，建立了基于PSO-SVM的智能診斷模型。該模型可將診斷結(jié)果反饋給用戶并保存記錄在系統(tǒng)數(shù)據(jù)庫(kù)中，以便操作人員及時(shí)掌握收信系統(tǒng)的運(yùn)行狀況，迅速準(zhǔn)確地診斷故障類(lèi)型。智能診斷模塊的計(jì)算比較復(fù)雜，為了將支持向量機(jī)故障診斷方法運(yùn)用于收信天線系統(tǒng)，采用基于Matlab與Visual C#混合編程。采用Matlab編寫(xiě)應(yīng)用中需要的高級(jí)算法，然后將開(kāi)發(fā)完成的高級(jí)算法轉(zhuǎn)換為能被VC#調(diào)用的DLL庫(kù)文件，最后編譯生產(chǎn)相應(yīng)的ActiveX控件。簡(jiǎn)化實(shí)際編程中使用VC#開(kāi)發(fā)智能分類(lèi)器算法組件的復(fù)雜性，同時(shí)利用了Matlab在數(shù)組上強(qiáng)大的運(yùn)算能力及其相應(yīng)的算法函數(shù)庫(kù)，提高軟件運(yùn)行的速度。

4.3.1 特征提取

為了建立PSO-SVM故障診斷模型，本文針對(duì)收信天線駐波比、饋線駐波比、監(jiān)測(cè)發(fā)射機(jī)工作時(shí)監(jiān)測(cè)接收機(jī)接收信號(hào)強(qiáng)度、監(jiān)測(cè)單元內(nèi)基準(zhǔn)信號(hào)源輸出信號(hào)時(shí)監(jiān)測(cè)接收機(jī)接收信號(hào)強(qiáng)度，分別采樣10組數(shù)據(jù)作為輸入，輸出為短波收信系統(tǒng)6種工作狀態(tài)。PSO-SVM模型樣本輸出與短波收信系統(tǒng)故障狀態(tài)的對(duì)應(yīng)關(guān)系如表1所示。

表1 樣本輸出與短波收信系統(tǒng)故障狀態(tài)關(guān)系表

模型對(duì)輸入數(shù)據(jù)進(jìn)行了歸一化預(yù)處理（即0～1之間的數(shù)值）和PCA降維預(yù)處理（主成分98%）［9～11］，大大提高了訓(xùn)練算法的收斂速度。針對(duì)短波收信系統(tǒng)的6種工作狀態(tài)，各采集120組監(jiān)測(cè)數(shù)據(jù)，共720組監(jiān)測(cè)數(shù)據(jù)，從中選出600組數(shù)據(jù)作為訓(xùn)練樣本，剩下的120組監(jiān)測(cè)數(shù)據(jù)作為測(cè)試樣本。進(jìn)行歸一化預(yù)處理后典型訓(xùn)練樣本如表2所示。

表2 典型輸入、輸出樣本

4.3.2 模型構(gòu)建

支持向量機(jī)具有完善的理論基礎(chǔ)，能夠運(yùn)用非線性變換將低維特征映射到高維空間，進(jìn)而執(zhí)行比較復(fù)雜的分類(lèi)任務(wù)。由于支持向量機(jī)能很好地解決小樣本、非線性以及高維問(wèn)題，使得其在許多領(lǐng)域得到了廣泛的應(yīng)用。但是在實(shí)際應(yīng)用中，支持向量機(jī)的參數(shù)，如懲罰參數(shù)C、核函數(shù)及其參數(shù)，對(duì)支持向量機(jī)的分類(lèi)性能和泛化推廣能力有重要影響，基于同樣的訓(xùn)練樣本構(gòu)造的支持向量機(jī)分類(lèi)器，會(huì)由于參數(shù)選擇的不同而產(chǎn)生較大的差別［12～14］。支持向量機(jī)的懲罰參數(shù)C用于控制對(duì)分類(lèi)錯(cuò)誤的懲罰程度，是調(diào)節(jié)分類(lèi)誤差和模型復(fù)雜度的權(quán)重。本文選取RBF函數(shù)作為SVM的核函數(shù)，如果RBF核中的參數(shù)σ值選取的不合適，就會(huì)出現(xiàn)過(guò)擬合或欠擬合現(xiàn)象；而σ選取合適，將顯著提高模型的分類(lèi)效率。

針對(duì)支持向量機(jī)的參數(shù)尋優(yōu)問(wèn)題，本文采用一種基于群體智能原理的全局并行優(yōu)化算法——粒子群算法（Particle Swarm Optimization，PSO）［15］，該算法具有操作簡(jiǎn)單、計(jì)算精度高、收斂速度快等優(yōu)點(diǎn)。粒子群算法的思想來(lái)源于對(duì)鳥(niǎo)群和魚(yú)群群體行為的研究和模擬，通過(guò)共享全體最優(yōu)和個(gè)體最優(yōu)信息來(lái)尋找最優(yōu)解。

SVM是一個(gè)典型的兩類(lèi)分類(lèi)器，本文采用一對(duì)一（one-versus-one）方法。一對(duì)一方法在每?jī)蓚€(gè)類(lèi)別間訓(xùn)練一個(gè)SVM分類(lèi)器，即對(duì)于一個(gè)K類(lèi)問(wèn)題，將構(gòu)造個(gè)SVM分類(lèi)器。因此對(duì)于本文的PSO-SVM的智能診斷模型的6類(lèi)分類(lèi)問(wèn)題，需要構(gòu)造15個(gè)SVM分類(lèi)器。當(dāng)對(duì)一個(gè)測(cè)試樣本進(jìn)行分類(lèi)時(shí)，15個(gè)分類(lèi)器都會(huì)對(duì)其類(lèi)別進(jìn)行判別，然后采用投票法，最后得票最多的類(lèi)別作為該測(cè)試樣本的類(lèi)別。

4.3.3 測(cè)試結(jié)果

本文采用RBF核函數(shù)建立SVM模型，運(yùn)用PSO算法對(duì)參數(shù)C和σ進(jìn)行全局搜索并進(jìn)行交叉驗(yàn)證。設(shè)定種群數(shù)量為20，終止迭代次數(shù)為100，加速度因子c1=1.5，c2=1.7，適應(yīng)度函數(shù)值取5重交叉驗(yàn)證的分類(lèi)準(zhǔn)確率，最終得到的最優(yōu)參數(shù)C=0.089，σ=10，訓(xùn)練集樣本的分類(lèi)準(zhǔn)確率為100%，測(cè)試集合樣本的分類(lèi)準(zhǔn)確率為99.1667%（119/120），粒子群算法參數(shù)尋優(yōu)結(jié)果如圖3所示，測(cè)試集分類(lèi)準(zhǔn)確率結(jié)果如圖4所示。

圖3 訓(xùn)練集PSO參數(shù)尋優(yōu)適應(yīng)度曲線

圖4 測(cè)試集的實(shí)際分類(lèi)和預(yù)測(cè)分類(lèi)圖

5 結(jié)語(yǔ)

長(zhǎng)期以來(lái)短波收信系統(tǒng)一直缺乏有效的監(jiān)測(cè)手段，對(duì)天饋線和收信機(jī)等的性能指標(biāo)（如天線駐波比、天饋線衰減損耗和收信機(jī)接收靈敏度等）無(wú)法實(shí)時(shí)監(jiān)測(cè)，對(duì)收信效果無(wú)法準(zhǔn)確評(píng)估。而且收信系統(tǒng)的狀態(tài)監(jiān)測(cè)和故障診斷更多的是依據(jù)工作人員的經(jīng)驗(yàn)完成，不具備一定的科學(xué)性。本文介紹的短波收信系統(tǒng)智能監(jiān)測(cè)軟件，有效地實(shí)現(xiàn)了實(shí)時(shí)測(cè)量、處理、存儲(chǔ)和分析收信系統(tǒng)運(yùn)行參數(shù)并對(duì)收信系統(tǒng)當(dāng)前運(yùn)行狀況進(jìn)行評(píng)估和提供準(zhǔn)確的故障分析診斷。彌補(bǔ)了短波收信系統(tǒng)監(jiān)測(cè)手段缺乏的現(xiàn)狀，用戶界面友好，為運(yùn)行參數(shù)的查詢和分析提供了良好平臺(tái)，為短波收信系統(tǒng)的管理提供了可靠有效的方法。