基于多層感知器和運動軌跡的海上目標類型識別?

趙 璐 馬 野 李曉芳

（1.海軍大連艦艇學院學員五大隊 大連 116018）（2.海軍大連艦艇學院導(dǎo)彈與艦炮系 大連 116018）

1 引言

當前已有很多現(xiàn)代定位技術(shù)可以對海上移動目標進行實時監(jiān)測，獲得運動軌跡數(shù)據(jù)，但監(jiān)測到的目標數(shù)量眾多，難以人工進行分類，所以根據(jù)運動軌跡對海上目標進行類型識別是具有重大現(xiàn)實意義的問題，已有眾多學者對船舶軌跡分類識別進行研究。Pelot等［1］采集四種休閑艇的GPS軌跡點樣本，并根據(jù)多種指標開發(fā)識別模型，能夠根據(jù)運動軌跡對不同類型的休閑艇進行識別，有利于港口風險評估。趙梁濱［2］對船舶AIS軌跡進行數(shù)據(jù)挖掘，獲得船舶運動模式，為船舶監(jiān)管提供參考。甄榮［3］等利用統(tǒng)計學理論分析船舶AIS軌跡，獲得船舶典型航行軌跡模型，其方法可以有效識別軌跡異常船舶。然而很多海上目標并沒有AIS軌跡，而雷達卻可以獲取附近海域所有運動目標的運動軌跡，因此需要一種可以有效對海上目標運動軌跡分類的方法。

本文提出了一種基于多層感知器（Multi-Layer Perceptrons，MLP）的艦船類型識別方法，建立了多層感知器網(wǎng)絡(luò)模型，建立了艦船運動軌跡數(shù)據(jù)集，通過分析艦船運動軌跡識別艦船類型，可迅速對大量艦船目標進行分類，準確地識別艦船類型。

2 多層感知器原理

如圖1所示，多層感知器包含很多依次相連的網(wǎng)絡(luò)層，網(wǎng)絡(luò)層的全長稱為模型的深度［4］。

圖1 多層感知器

其中，第一層為輸入層，最后一層為輸出層，其他網(wǎng)絡(luò)層是隱層。若感知器網(wǎng)絡(luò)無隱層，則是單層感知器網(wǎng)絡(luò)，單層感知器網(wǎng)絡(luò)對線性不可分問題無法進行分類，所以需要增加隱層數(shù)［5］。具有多個隱層的多層感知器能更好地模擬人類大腦神經(jīng)元結(jié)構(gòu)，能夠逐層提取輸入數(shù)據(jù)的特征［6］，可實現(xiàn)較為復(fù)雜的分類，具有更優(yōu)異的分類性能。

網(wǎng)絡(luò)的各個節(jié)點被稱作神經(jīng)元，神經(jīng)元通常接受多個不同輸入，產(chǎn)生單一輸出傳遞給網(wǎng)絡(luò)下一層多個神經(jīng)元，其結(jié)構(gòu)模型如圖2所示。

圖2 神經(jīng)元結(jié)構(gòu)模型

其中x表示從網(wǎng)絡(luò)上一層傳遞的信號，共有n個；w表示網(wǎng)絡(luò)上一層神經(jīng)元與這個神經(jīng)元連接的權(quán)值；b表示這個神經(jīng)元的偏置值；?為激活函數(shù)；y是這個神經(jīng)元的輸出。則輸入與輸出的關(guān)系為

其中激活函數(shù)有多種選擇，早期淺層神經(jīng)網(wǎng)絡(luò)通常采用sigmoid激活函數(shù)，由于在深層神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)梯度消失等問題，目前通常使用ReLU激活函數(shù)［7］，其表達式為

其中z表示激活函數(shù)輸入，g（z）表示激活函數(shù)輸出。

在網(wǎng)絡(luò)輸出層常采用softmax激活函數(shù)，對輸出進行分類；也可采用tanh等性能較好的激活函數(shù)進行歸一化。

網(wǎng)絡(luò)訓(xùn)練就是通過改變網(wǎng)絡(luò)中每個連接權(quán)值使網(wǎng)絡(luò)輸出盡可能接近理想值，理想值通常被稱作標簽。輸出與理想值進行對比得到誤差，一般被稱作損失函數(shù)，損失函數(shù)對各個權(quán)值求偏導(dǎo)，得到權(quán)值的更新梯度，按學習率的比例對權(quán)值進行更新。但是，每個樣本訓(xùn)練一次均更新一次權(quán)值會減慢網(wǎng)絡(luò)訓(xùn)練速度。簡單的解決方法是對一批訓(xùn)練樣本的損失函數(shù)求和再進行權(quán)值更新，這就是批量梯度下降法。若隨機選取批量樣本，則是隨機梯度下降法。隨機選取批量樣本相當于引入噪聲，訓(xùn)練過程中不易陷入局部極小值，一定程度上加快了收斂速度［8］。

為了進一步加快網(wǎng)絡(luò)收斂速度，還可采用加入動量的梯度更新［9］，或是自適應(yīng)學習率算法。目前已有的自適應(yīng)學習率算法有 AdaGrad［10］、Adadelta［11］和 Adam［12］等。

3 實驗方案設(shè)計

3.1 網(wǎng)絡(luò)輸入數(shù)據(jù)構(gòu)造

原始數(shù)據(jù)來源于對某海域移動目標的時空監(jiān)測數(shù)據(jù)，監(jiān)測持續(xù)時間約兩小時，其中位置坐標經(jīng)緯度已經(jīng)轉(zhuǎn)化為平面坐標數(shù)據(jù)，共92000余條坐標數(shù)據(jù)，部分原始數(shù)據(jù)如表1所示。

表1 原始數(shù)據(jù)示例

不同艦船代碼代表不同的艦船目標，按艦船代碼排序，統(tǒng)計不同艦船代碼個數(shù)，共有約1880個艦船目標，對每個目標監(jiān)測軌跡點數(shù)由1到3000余條不等。原始數(shù)據(jù)雜亂，無法直接用于網(wǎng)絡(luò)訓(xùn)練，需進行清洗。

首先，監(jiān)測點數(shù)過少的目標無法進行有效分類，需剔除。本次實驗設(shè)置點數(shù)下限為20，剩余有效監(jiān)測目標數(shù)為1807個，被剔除的目標數(shù)較少，點數(shù)下限設(shè)置合理。其次，為便于網(wǎng)絡(luò)訓(xùn)練，需將每個目標監(jiān)測軌跡點數(shù)統(tǒng)一，對于軌跡點數(shù)大于20個的目標，采用等間隔選取的方式取20條監(jiān)測數(shù)據(jù)。最后將每個目標第一條監(jiān)測數(shù)據(jù)作為原點，其余數(shù)據(jù)與第一條數(shù)據(jù)求差，獲得與原始坐標、時間無關(guān)的軌跡點信息，使實驗結(jié)果具有更強的通用性。剩余1807個目標共36140條軌跡數(shù)據(jù)，可作為網(wǎng)絡(luò)輸入，部分數(shù)據(jù)如表2所示。

多層感知器的輸入端只采用時間、X坐標和Y坐標三組數(shù)據(jù)，每個樣本數(shù)據(jù)大小為20行3列。為便于網(wǎng)絡(luò)訓(xùn)練，分別對三組數(shù)據(jù)進行歸一化，歸一化處理公式如下：

其中，x表示原始數(shù)據(jù)，xnorm表示歸一化后的數(shù)據(jù)，xmax和xmin表示原始數(shù)據(jù)的最大值和最小值。因多層感知器只能采用一維輸入，所以將每個樣本數(shù)據(jù)形狀更改為1行60列。

表2 清洗后數(shù)據(jù)示例

3.2 網(wǎng)絡(luò)輸出標簽設(shè)置

網(wǎng)絡(luò)輸入數(shù)據(jù)整理完成后，接下來可以求出每個目標在每個點的速度等特征。通過對每個目標按最大速度排序，定義速度分類界限，可以分辨出飛機、軍艦、高速小艇等高速目標，此類目標數(shù)約為15個；還有13個最大速度為0的錨泊船只。剩余數(shù)目較多的貨船、游船和漁船等低速目標有待進一步進行分類。

通過繪制目標運動軌跡，結(jié)合速度等參數(shù)，人工對部分貨船、游船和漁船目標設(shè)置標簽，制作樣本數(shù)較少的訓(xùn)練集和測試集，典型的貨船、游船和漁船軌跡如圖3所示。

圖3 貨船、游船和漁船軌跡

貨船軌跡近似一條直線，方向變化較??；游船多為一條折線；漁船軌跡雜亂。標簽設(shè)置［1 0 0］代表貨船，［0 1 0］代表游船，［0 0 1］代表漁船。人工設(shè)置好標簽的訓(xùn)練集與測試集樣本數(shù)目如表3所示。

表3 少量樣本數(shù)據(jù)集描述

由于對全部目標人工設(shè)置標簽過于繁瑣，故先使用人工設(shè)置好標簽的少量樣本數(shù)據(jù)訓(xùn)練多層感知器，將訓(xùn)練好的多層感知器用于所有樣本的預(yù)分類，再人工剔除多層感知器預(yù)分類錯誤的數(shù)據(jù)，進而制作出樣本數(shù)更多的訓(xùn)練集和測試集。

3.3 多層感知器網(wǎng)絡(luò)模型

根據(jù)樣本維數(shù)與標簽維數(shù)構(gòu)造多層感知器，多層感知器網(wǎng)絡(luò)結(jié)構(gòu)如表4所示。

表4 多層感知器結(jié)構(gòu)

為加快神經(jīng)網(wǎng)絡(luò)計算速度，多層感知器輸入層與隱層均采用ReLU激活函數(shù)，在輸出層采用softmax激活函數(shù)對輸出進行分類，損失函數(shù)采用均方誤差。為加快損失函數(shù)收斂速度，采用adam算法和小批量梯度下降法進行權(quán)值更新。

4 實驗驗證及仿真分析

4.1 實驗過程

實驗過程基于TensorFlow的深度學習庫，采用Keras高層神經(jīng)網(wǎng)絡(luò)API，采用Anaconda的Jupyter Notebook作為python編譯器，所用計算機配置為CPU i3-4005U，4GB內(nèi)存，Windows7 64位操作系統(tǒng)。

首先對用于初步分類多層感知器進行實驗，將三種類別共190個訓(xùn)練樣本作為訓(xùn)練集，輸入到多層感知器網(wǎng)絡(luò)進行訓(xùn)練，通過與人工設(shè)置的標簽對比更新權(quán)值。訓(xùn)練集迭代5000次后終止訓(xùn)練，得到樣本訓(xùn)練過程中的損失函數(shù)誤差收斂曲線。將測試集共35個樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)，獲得測試集輸出，將輸出中的最大值所在位置與標簽中1的所在位置進行對比，一致則分類成功，否則分類失敗，統(tǒng)計正確分類數(shù)以及分類正確率，重復(fù)三次。

若分類正確率較高，將訓(xùn)練好的網(wǎng)絡(luò)用于剩余全部目標初步分類，并人工剔除分類錯誤數(shù)據(jù)，制作樣本數(shù)較多的數(shù)據(jù)集，將此數(shù)據(jù)集用于多層感知器的訓(xùn)練和測試，統(tǒng)計分類正確率。

4.2 少量樣本實驗結(jié)果分析

少量樣本訓(xùn)練過程的誤差收斂曲線如圖4所示。訓(xùn)練集迭代5000次，一分鐘內(nèi)訓(xùn)練完畢。可以看出，損失函數(shù)下降到較小的值，無需繼續(xù)增加訓(xùn)練次數(shù)，訓(xùn)練結(jié)果可用于在測試集上測試。

將測試集輸入訓(xùn)練好的多層感知器進行分類，分類結(jié)果如表5所示，考慮到人工制作標簽可能存在錯誤，多層感知器分類結(jié)果令人滿意，可用于樣本初步分類。

圖4 少量樣本誤差收斂曲線

表5 少量樣本分類結(jié)果

4.3 多數(shù)樣本數(shù)據(jù)集實驗

將全部約1800個樣本輸入上文訓(xùn)練好的第一個網(wǎng)絡(luò)進行分類。結(jié)合軌跡圖片，人工剔除分類錯誤或難于判斷軌跡類型的樣本，對剩余樣本設(shè)置標簽，得到訓(xùn)練集與測試集樣本數(shù)目如表6所示。

表6 多數(shù)樣本數(shù)據(jù)集描述

對多數(shù)樣本的實驗過程同少量樣本類似，訓(xùn)練集迭代500次，訓(xùn)練時間大約一分鐘。多數(shù)樣本訓(xùn)練過程的誤差收斂曲線如圖5所示?？梢钥闯鲇?xùn)練500次損失函數(shù)已經(jīng)下降到很小。

圖5 多數(shù)樣本誤差收斂曲線

多數(shù)樣本的測試集分類結(jié)果如表7所示?？梢钥闯?，分類正確率很高，且分類時間只要幾秒。增加訓(xùn)練集樣本數(shù)有利于提高分類正確率。

表7 多數(shù)樣本分類結(jié)果

5 結(jié)語

采用多層感知器根據(jù)海上目標運動軌跡對目標進行分類，并設(shè)計實驗分析多層感知器分類結(jié)果。實驗結(jié)果表明，多層感知器可有效進行海上目標分類，分類迅速正確率高，但也存在諸多限制。由于僅采用時空監(jiān)測數(shù)據(jù)，若高速目標低速航行，人工不能進行分類，多層感知器也不能進行分類；由于樣本數(shù)過少等原因，沒有將帆船、軍艦、高速小艇、飛機等海上目標同時分類，這方面有待進一步研究。多層感知器為基于運動軌跡的海上運動目標分類提供了新的有效手段。