無監督時頻信息結合的艦船輻射噪聲信號抗誘餌干擾方法

段一琛, 申曉紅, 王海燕, 閆永勝

(西北工業大學 航海學院, 陜西 西安 710072)

0 引言

艦船輻射噪聲信號是艦船在移動過程中發出的聲信號,由于海洋環境的特殊性,艦船輻射噪聲信號是感知艦船的重要方式之一[1-2]。為了混淆敵方感知系統,一種典型干擾手段是釋放誘餌信號。誘餌信號通過模仿目標艦船輻射噪聲信號完成對目標艦船的掩護。由于誘餌信號與目標艦船輻射噪聲信號高度相似,區別真實目標艦船輻射噪聲信號與誘餌信號的難度很高。如果可以在僅采用目標艦船輻射噪聲信號數據的條件下,實現對艦船輻射噪聲與誘餌信號的識別,將大大提高戰時敵方艦船識別效率,從而提高戰術行動的效率和成功率。

將目標艦船輻射噪聲信號作為目標信號,當誘餌信號進行干擾和掩護時,假設目標信號和誘餌信號在時間上不重疊,則如果可以實現對兩類信號進行識別,便可以實現抗誘餌干擾。對于目標信號和誘餌信號的識別,明顯是一個二分類問題。在非合作的對抗場景下,難以獲取全面的帶有兩類標簽數據的支持。假設可以獲取目標艦船輻射噪聲信號,識別出目標艦船輻射噪聲并能夠抵抗誘餌信號的干擾,則抗誘餌干擾問題可以轉化為單類分類問題(One-Class Classification)。本文將以真實的艦船輻射噪聲信號為目標信號,并且只采用目標信號作為模型的信息來源,設計一種基于無監督對抗訓練策略的深度學習方法,實現對艦船輻射噪聲信號和誘餌信號的分類。

單類分類問題是一種極端的分類問題,在模型訓練過程中只采用一種類別的樣本[3-8],在測試時加入其他類別的樣本。其主要目的是測試當前數據是否與訓練時的數據為同一類數據。由于對已訓練完成的分類器而言測試樣本中包含未見過樣本類別,單類分類問題又叫做新類檢測(One-Class Novelty Detection)[9-10]。單類分類一直是分類問題中的難點,并一直受到廣泛關注。經典算法通常將其作為一種表示學習問題,旨在獲得類內相近類間可分的特征表示[11-16]。經典算法有主成分分析(PCA)和核主成分分析(KPCA),其主要思路為尋找一個低維子空間以表示訓練數據空間[17-19]。過完備字典學習(K-SVD)通過尋找到訓練數據的稀疏來表示實現單類分類。近年來,隨著深度學習方法在各個領域表現突出,目前已有許多采用各種深度學習范式進行單類分類問題的研究[20-23],其中采用生成模型是目前最主流的思路。通過構建生成模型捕捉訓練數據的分布,對于測試數據可以通過驗證其與所學習的分布的偏差實現數據類別的判別[24-27]。

對抗生成網絡(GAN)近些年的研究顯示出可靠捕捉數據分布的能力,目前眾多學者據此提出了眾多以GAN為基本架構的方法,以解決單類分類問題。OCGAN構建一個自動編碼器作為生成器,構建兩個判別器,其中一個判別器用于確保自動編碼器提取到的數據特征符合同一分布,另一個判別器用于確保隨機采樣的潛變量經過生成數據后的真實性[28]。AnoGAN構建了一個經典GAN網絡以實現對異常醫學圖像檢測,在訓練階段采用正常醫學圖像,在測試階段通過對生成損失反向傳播獲得淺空間表示,再通過前向傳播獲得與原圖像的對比判斷是否為異常樣本[29]。GPND采用自動編碼器作為生成器,采用判別器對特征向量進行約束,并提出了一種靈活的新類概率計算方法[30]。OGN采用兩個生成器,其中一個對原始圖像進行重構,另一個負責生成異常圖像副本(Pseudo Anomaly Image),兩個生成器的輸出視為單類樣本輸入判別器,讓判別器在測試階段的過程中可以獲得對正樣本的分辨能力,最后實現對視頻的異常檢測[31]。Sabokrou等[32]提出了一種端到端對抗訓練的單類學習方法,迫使正樣本數據經過神經網絡提取到的特征盡可能服從高斯分布。在測試階段,可以同時采用生成器和判別器對數據進行判別。Tagawa等[33]將聲信號通過短時傅里葉變換變換為時頻圖,再采用GAN等深度學習方法實現對實際工業聲信號的異常檢測。

當前針對艦船輻射噪聲的抗誘餌干擾公開研究尚為空白。本文構建一個艦船輻射噪聲抗誘餌干擾場景,將艦船輻射噪聲信號的抗誘餌干擾問題轉化為單類分類問題。其主要工作難點如下:1)誘餌信號與目標艦船輻射噪聲信號特征相近,識別難度大;2)單類樣本無標簽信息條件下,只能采用無監督學習方法實現對艦船輻射噪聲信號和誘餌信號的檢測與識別,對識別帶來更大的挑戰。以此為背景,提出一種無監督時頻信息結合的艦船輻射噪聲信號抗誘餌干擾方法。根據信號不同域下的數據結構特性分別設計信號時域和時頻域2個自編碼器。然后設計3個判別器,得出時間域、時頻域以及融合時間域、時頻域信息綜合分數。在模型訓練階段,根據對抗訓練損失函數完成對抗訓練,訓練集中只包含艦船輻射噪聲信號。在測試階段,模型面對相似的誘餌信號可以直接從模型輸出分數,根據分數差異實現端到端的誘餌信號與目標輻射噪聲的判別。

本文的創新點主要包括:1)首次提出采用深度學習方法實現艦船輻射噪聲信號的抗誘餌信號干擾;2)采用無監督對抗訓練策略,可以做到端到端的艦船輻射噪聲抗誘餌干擾;3)本文方法可以捕捉艦船輻射噪聲信號時域和時頻域的聯合分布,提高模型的表示學習能力,獲得更好的類間分類的表現。

1 問題的定義和提出

本文將抗誘餌干擾問題轉化為單類分類問題,與一般的單類分類問題不同,下面詳細說明其定義。艦船輻射噪聲信號s∈R1×L(L為時域信號長度),誘餌信號b∈R1×L。將它們分為訓練集合Dtrain={s1,s2,…,sm}(m為訓練集合中的樣本個數)和測試集合Dtest={s1,s2,…,sn,b1,b2,…,bn}(n為測試集合中的信號樣本個數)。將輻射噪聲信號視為正樣本,誘餌信號視為負樣本。在實驗設定中m?n。模型在訓練集合Dtrain上進行訓練,然后通過測試集合Dtest進行性能評估。本文提出的模型旨在通過訓練集合Dtrain的訓練捕捉艦船輻射噪聲的分布,經過目標函數訓練后實現端到端的艦船輻射噪聲信號的單類分類。

2 提出的方法

對抗生成網絡是一種典型的深度學習生成范式,目前已經存在眾多的研究證明其在數據生成研究中的優異性能[34]。隨著研究的不斷深入,GAN也被用于其他機器學習任務,例如分類[35-36]、聚類[37-38]等。GAN的基本思想是構建兩個神經網絡,采用對抗訓練策略使雙方競爭學習、獲取數據中的知識,最終達成任務目標。GAN通常由兩個部分組成:生成器和判別器。對于生成器和判別器的網絡結構并沒有嚴格的限制,因此GAN是一種非常靈活的深度學習范式。本文方法遵循GAN的基本思想,其主要任務是在構建模型在無監督的條件下,實現對艦船輻射噪聲信號的單類分類。為了很好地捕捉到艦船輻射噪聲信號的分布,本文針對不同數據格式的艦船輻射噪聲信號構建2個生成器。其中一個生成器負責對艦船輻射噪聲時域信號編碼后重構,另一個生成器負責對艦船輻射噪聲時頻域信號編碼后重構。構建3個判別器,2個分別負責對2個生成器艦船輻射噪聲信號的重構表現進行打分,第3個負責對時域、時頻域艦船輻射噪聲信號提取到的特征進行融合后再打分。本文艦船輻射噪聲信號抗誘餌干擾方法深度學習模型結構如圖1所示。圖1中,st為艦船輻射噪聲時域信號,sf為艦船輻射噪聲時頻域信號,t為艦船輻射噪聲時域信號經過時域生成器重構結果,f為為艦船輻射噪聲時頻域信號經過時頻域生成器重構結果,Pt、Ps、Pf分別為3個判別器對時域生成器表現打分結果、時頻域信息融合打分結果、時頻域生成器表現打分結果。

圖1 本文深度學習模型結構示意圖

艦船輻射噪聲信號s∈R1×L,對其表示學習的過程就是特征提取的過程。本文假定艦船輻射噪聲信號時域與時頻域形式都存在有助于艦船輻射噪聲信號單類分類任務的信息。首先需要對其進行兩種變換:1)為了能夠方便處理時域信號,對其進行長度為T的分幀,幀重疊為25%,將分幀后的信號堆疊得到st∈R1×E×T,E為幀個數;2)對艦船輻射噪聲信號進行短時傅里葉變換后獲得時頻矩陣,并對其取Log運算和歸一化后獲得時頻矩陣sf∈R1×N×F,N為時頻域信號時間,F為時頻域信號頻率。完成兩種變換后的信號分別作為兩個生成器的輸入。

針對時域信號、時頻域信號數據的不同特性,分別設計兩個編解碼結構的生成器GT和GF,處理時頻域、時域信號。艦船輻射噪聲的時頻矩陣形式為二維數據,模型采用二維卷積層和批歸一化層(Conv2d+BatchNorm2d)組成GF的編碼器GF_E。GF_E旨在將時頻矩陣形式的輸入信號從高維數據空間映射到低維潛空間表示GF_E:sf→zf,zf為時頻域信號潛空間表示。模型采用二維反卷積層和批歸一化層(Trans2d+BatchNorm2d)組成GF的解碼器GF_D。GF_D旨在將低維潛空間表示重構回高維數據GF_D:zf→f。GF結構如圖2所示。

圖2 GF結構示意圖

對于一維時域艦船輻射噪聲信號,選擇采用門控卷積神經網絡(Conv2dGLU)構建GT的編碼器GT_E。利用門控卷積神經網絡可以捕捉到時間序列上下文信息,從而更好地提取時間域信號特征。艦船輻射噪聲時域信號本身為一維數據。經過分幀后處理形成二維矩陣形式,便可以組成批次(Batch),方便進行并行計算。同時希望生成器GT關注于一維時域信息。將GT_E的卷積核大小全部設置為(1,k),其中k在不同層有不同的值,這樣可以確保GT_E在對st進行映射后只減少時間分辨率GT_E:st→zt,其中zt∈R1×E×T′,T′為經過GT_E映射后時間分辨率尺度大小。采用一維像素重組(Pixel Shuffle)構建GT_D,將壓縮的時間分辨重構為原始尺寸GT_D:zt→t。像素重組常用于圖像領域中超分辨率重建研究中[39-40]。這里將其用于恢復信號的時間分辨率,GT結構如圖3所示。

圖3 GT結構示意圖

模型包含有3個判別器DT、DF、DS。其中,DT聯合生成器GT的輸入st和重構結果f對艦船輻射噪聲時域信號重構效果進行打分;DF聯合GF的輸入sf和重構結果f對艦船輻射噪聲時頻域信號重構效果進行打分;DT、DF都是由帶有殘差連接的卷積層和線性層組成。兩者的區別僅在卷積核大小等這些超參數的設置不同。特別地,DT的超參數設置類似GT_E,只在時間分辨率上進行特征提取;DF、DS最后一層卷積層的輸出在連接后作為DS的輸入,DS只由線性層和非線性激活層組成;DT、DF、DS輸出都會經過Sigmoid非線性函數后獲得分數Pt、Pf、Ps。

本文方法采用無監督的對抗訓練策略,在訓練階段只采用艦船輻射噪聲信號。生成器的主要任務是對艦船輻射噪聲時域、時頻域信號降采樣后的再重構。對于模型中的判別器,其主要任務是對生成器的表現進行打分。根據生成器和判別器的任務,可以設計模型的目標函數,該目標函數受到BigBiGAN的啟發[41]。目標函數如式(1)～式(9)所示。

Pf=DT(st)

(1)

Pf=DF(sf)

(2)

Ps=DS(DT(st),DF(sf))

(3)

GLosscl=sign(Pt+Pf+Ps)

(4)

GLosss=Est～Pst,sf～Psf(GLosscl)+E(GLosscl)

(5)

GLossc=‖st-t‖1+‖sf-f‖1

(6)

GLoss=GLosss+GLossc

(7)

DLosscl=H(sign(Pt))+H(sign(Pf))+H(sign(Ps))

(8)

DLoss=Est～Pst,sf～Psf(DLosscl)+E(DLosscl)

(9)

式中:

(10)

H(x)=max(0,1-x)

(11)

模型在訓練過程中,通過最小化DLoss對DT、DF、DS參數進行優化,通過最小化GLoss對GT和GF參數進行優化。DLoss期望3個判別器可以給原始信號和經過生成器生成的重建信號的分數結果盡量差別大,GLoss則確保盡可能將信號重建完整以混淆判別器的判斷。通過對抗競爭優化訓練策略,最終促使模型捕捉到艦船輻射噪聲信號時域與時頻域的聯合分布。當模型能夠捕捉到目標艦船輻射噪聲信號的分布后,在測試階段模型將能夠對目標艦船輻射噪聲信號打出高分數,面對不符合目標輻射噪聲信號分布的誘餌信號則打出低分數。由于分數存在差異,可以設定閾值完成對誘餌信號和目標艦船輻射噪聲信號的識別。

3 實驗與結果分析

3.1 實驗數據

實驗所用艦船輻射噪聲信號采集于中國南海,時間為1.5 h,期間有短時的遠距離船只通過。誘餌信號數據制作方法是對采集到的艦船輻射噪聲數據,使用UW350寬帶低頻聲信號換能器發射,然后再次經過沉底聲信號采集系統進行采集。聲源距離信號發射位置2 km。沉底聲信號采集系統采集到的信號即為誘餌信號數據。本文對采集到的數據進行10 s長度分幀,將艦船輻射噪聲部分信號作為訓練集后,一共有1 790條數據。將誘餌信號和艦船輻射噪聲信號作為測試集,一共有1 078條數據。數據采樣頻率為1 kHz。為了能夠更好地說明數據樣本,將部分樣本進行可視化,可視化后的結果如圖4 所示。通過可視化結果可以發現,目標艦船輻射噪聲信號和誘餌信號無論在時域和時頻域形式下均沒有明顯的差別。

圖4 部分樣本時域時頻域可視化

3.2 實驗設定

本文對原始信號數據采取兩種變換,第1種為短時傅里葉變換,短時傅里葉變換參數幀長為512,重疊為75%,獲得時頻圖后將其重構為(256,256)的尺寸。第2種為對原始信號進行分幀,幀長為512,重疊為25%。生成器GT和GF均為10層的編解碼器(Encoder-Decoder)結構。GT中編碼器5層的卷積核大小設置為(1, 22), (1, 18), (1, 10), (1, 4), (1, 4);GF中編碼器5層的卷積核大小設置均為(4,4)。生成器和判別器在訓練過程中的優化器均采用AdamW優化算法,學習步長為0.000 01。 共計設定50個Epoch,在連續10個Epoch沒有測試性能提升后停止訓練。所有實驗和對比的深度學習方法均采用PyTorch部署,采用2塊英偉達2080TI進行訓練。所有實驗均進行多次仿真,取其中最優結果作為實驗結果展示。

3.3 實驗結果

本文方法設計了2個生成器,分別處理艦船輻射噪聲信號的時域、時頻域信息。如第2節所述,當經過對抗訓練后,2個生成器和融合不同域信息的判別器使模型能更有效地捕捉到艦船輻射噪聲信號的分布,以可以提升模型的性能,因此設計了消融實驗驗證上述假設。本文提出的原始模型由2個生成器GT和GF以及3個判別器DT、DF、DS組成。實驗設定兩個對照實驗:模型2只采用生成器GT和判別器DT,模型3只采用生成器GF和判別器DF。模型1即為本文提出的方法。采用AUC(Area Under the Curve)作為評估指標,實驗結果如表1所示。由表1 可以發現,模型1取得最佳的效果,實驗結果表明融合了時域和時頻域信息后可以有效提高模型的性能。融合時頻域信息后相較于僅采用時域信號或者時頻域信號提升了5%～8%。

表1 消融實驗結果

為了進一步證明時域、時頻域信息融合會使模型獲得更好的性能,分別將3個模型的判別器的倒數第2層的輸出作為特征向量,做T-分布隨機鄰域嵌入(T-Distributed Stochastic Neighbor Embedding,T-SNE)可視化,通過可視化方式驗證模型對數據表示學習的性能?？梢暬Y果如圖5所示。需要特別說明的是,為了使圖像展示結果清晰,在可視化過程中刪除了極少部分的異常值,整體上不影響結果。通過觀察可視化結果可以發現,模型1特征在高維空間上呈現了類間距離更大、類內距離更小的分布,表現出了更優異的表示學習能力。模型2特征在高維空間上呈現出了類間可分但是類內距離更為擴散的現象。模型3在高維空間上呈現了更聚集的類內距離但是類間顯示為不可分的效果。因此可以證明,在聯合艦船輻射噪聲信號時域和時頻域信息后,模型獲得了更優異的性能表現,從深度學習模型中特征可視化的角度再次驗證了時域、時頻域信息融合的有效性。

圖5 消融實驗T-SNE可視化

根據3個模型對測試集數據的輸出分數畫出柱狀圖以顯示3個模型分數的分布情況,結果如圖6所示。通過柱狀圖可以發現模型1輸出的分數呈現了更加可分的表現。對比圖5中的結果可以發現,每個模型輸出分布的柱狀圖和T-SNE可視化的結果是相關的,在特征T-SNE可視化的圖像中獲得越好的分離性能,最后的分數分布會呈現越好的分離趨勢,從而再次驗證了上述假設。

圖6 消融實驗模型輸出分布

選擇7種在單類分類任務中表現優秀的(State-of-Art)基于深度學習方法與本文的方法進行對比。其中ALAD、GANOMALY、SKIPGAN是以GAN為框架的方法,ANIGD、DASVDD、DeepSVDD、COCA為采用其他深度學習范式的方法。其中DeepSVDD是典型單類分類研究中的標準模型(Baseline Model)。仍然采用AUC作為評價指標,實驗結果如表2所示。表2的結果顯示,本文方法獲得更高的AUC值。實驗結果表明本文針對艦船輻射噪聲信號抗誘餌信號深度學習方法的改進和提出是可行的。

表2 對比實驗結果

4 討論

針對艦船輻射噪聲信號的抗誘餌干擾目前在公開的成果中仍為一個空白。本文將抗誘餌問題轉化為單類分類問題,采用深度學習范式嘗試性提出了解決方案。本文方法融合艦船輻射噪聲信號時域、時頻域形式的信息,通過實驗發現該方法可以有效提高模型對艦船輻射噪聲信號的表示學習能力,實現無監督條件下端到端的艦船輻射噪聲信號單類分類任務。本文的實驗采用真實艦船輻射噪聲信號,模擬產生誘餌信號并進行了實地采集。通過實驗驗證了分類思想的抗誘餌干擾方法是可行的。當然本文方法也存在著一定的局限性,假設場景單一、沒有考慮復雜場景下的問題。例如在多類艦船場景中的特定類別艦船誘餌干擾場景、誘餌信號和目標艦船輻射噪聲信號疊加場景。

5 結論

本文首次利用深度學習方法對艦船輻射信號抗誘餌干擾問題進行了研究。通過分析誘餌信號干擾工作原理設定抗誘餌干擾場景,將抗誘餌問題轉化為單類分類問題?；诖颂岢鲆环N無監督時頻信息結合的艦船輻射噪聲信號抗誘餌干擾方法。經過真實采集艦船輻射噪聲信號和誘餌信號進行了消融實驗和對比實驗,得到較好的結果。得出主要結論如下:

1)采用基于GAN框架的對抗學習策略,針對艦船輻射噪聲信號抗誘餌干擾,可以實現端到端的識別與檢測。

2)針對艦船輻射噪聲信號,通過深度學習模型捕捉其時域、時頻域聯合分布,可以增強深度學習模型的表示學習能力,獲得更好的類間分離性能。

3)采用深度學習范式的分類思想,針對艦船輻射噪聲信號抗誘餌干擾問題是可行的。

后續工作將進一步開展在多艦船場景下抗誘餌干擾的研究。