基于權重不可知神經網絡的旋翼無人機檢測*

謝躍雷,劉 信,梁文斌

(1.桂林電子科技大學 a.信息與通信學院;b.信息科技學院，廣西 桂林 541004；2.廣西無線寬帶通信與信號處理重點實驗室，廣西 桂林 541004)

0 引 言

隨著低空空域的逐漸開放，無人機產業(yè)取得了前所未有的發(fā)展。根據中國產業(yè)研究院相關報告分析，截止2019年初，無人機行業(yè)產值達101.5億美元，在2020年增加到209.1億美元。然而，無人機數量的不斷上升卻帶來了一系列安全威脅，并且無人機行業(yè)管理也并不完善，從而導致“黑飛”“濫飛”事故頻發(fā)。如今，國內外針對無人機的檢測、跟蹤、反制等技術研究已展開[1]。

隨著計算機處理數據能力的提升以及人工智能領域的快速發(fā)展，大量學者和研究機構開始將神經網絡應用到目標檢測中[2-3]。神經網絡憑借強大的學習能力和特征提取能力，在檢測速度和精度上擁有卓越性能。文獻[4]提出了一種基于Gabor深度學習的無人機檢測方法，主要通過利用Gabor濾波器來優(yōu)化神經網絡的卷積核，從而提升網絡提取特征的魯棒性。文獻[5]使用深度學習網絡對回波信號中的目標RCS序列進行學習，進而提取其中的無人機特征，最終識別準確率達87%，同時還能有效區(qū)分飛鳥目標。物體及物體的任何部件微動會產生的微多普勒信號，包含了物體獨特的特征信息[6]。文獻[7]將卷積神經網絡與長短期記憶網絡相結合，以實現對彈道錐體目標的微動特征分類。新的神經網絡在信噪比為-5 dB時的檢測準確率達90%以上。文獻[8]將卷積神經網絡用于海上微動目標檢測，在信噪比不低于-20 dB時的檢測概率大于90%，并且檢測性能優(yōu)于傳統(tǒng)支持向量機(Support Vector Machine,SVM)分類方法。以上研究為無人機的探測和識別提供了新的解決方法和研究方向[9-10]。

受自然界“早熟行為”的啟發(fā)，谷歌大腦團隊提出了一種權重不可知神經網絡(Weight Agnostic Neural Network,WANN)，它的主要目標是對某項任務進行神經網絡結構搜索，在訓練過程中弱化權值的重要性，最終找到一個在給定任務中表現良好的最小架構[11]。他們認為尋找對權值不敏感的神經網絡，這種結構能夠具有很強的歸納偏置，即使用隨機權值也能很好完成給定任務。谷歌團隊也將WANN神經網絡用于手寫字數據集MNIST識別，識別率高達94.2%，其性能堪比具備數千個連接的單層神經網絡。

本文使用WANN模型對回波信號的循環(huán)譜等高圖進行訓練學習，通過檢測其中的無人機微動特征來實現無人機在不同飛行狀態(tài)下的探測。在仿真實驗中，分析了不同權重值對檢測概率的影響以及該方法的抗噪性能，并通過實測數據驗證了該方法的有效性。

1 旋翼無人機的微動模型

微動特征屬于運動目標的精細特征。大多數小型無人機都有一個及以上數目的旋翼，旋翼的轉動會對電磁波信號產生微動調制，利用該特征進行目標檢測具有獨特的優(yōu)勢。

圖1所示為雷達與轉動旋翼的幾何關系圖。圖1(a)中，雷達O點到旋轉中心的俯仰角為β，并且發(fā)射信號頻率為f0，波長為λ。

圖1 無人機與雷達的幾何關系

在電磁散射理論中，旋翼的每個葉片都是由無數個散射中心組成的。由圖1(b)可知，旋翼平行XOY面以轉動頻率Ω進行旋轉，它的旋轉中心到雷達的距離為R0，并假設旋翼上的葉片長度為L，初始相位為φ0，并有某一散射點P。散射點P到外輻射源雷達O點的距離為RP，到旋轉中心的距離為lP，則可以得到該散射點的回波信號為

sR(t)=exp{-j[2πf0t+Φp(t)]} 。

(1)

式中：Φp(t)是回波信號的相位函數，表達式為

(2)

將式(2)代入到式(1)中，可以得到新的散射點回波信號為

(3)

所以由式(3)得到散射點返回的基帶信號為

(4)

通過對式(4)做關于葉片長度L的積分，從而得到單個葉片上總的微多普勒回波信號為

(5)

假設旋翼無人機每個旋翼包含兩個葉片，并且兩個葉片的旋轉角相差π，則無人機單個旋翼的回波信號為

(6)

多旋翼無人機一般含有M個旋翼，其回波信號由數個單旋翼回波信號疊加而成，因此總的回波信號為

(7)

式中：Ωm為第m個旋翼的轉動頻率，φm表示第m個旋翼葉片轉動的初始相位，m=0,1,2,…,M-1。

2 權重不可知神經網絡

2.1 NEAT遺傳算法

本文采用權重不可知神經網絡進行無人機檢測。WANN作為一種網絡結構搜索算法，受到了成熟的神經進化算法NEAT的啟發(fā)。NEAT算法是拓撲擴張的神經演化(Neuro Evolution of Augmenting Topologies,NEAT)的簡稱。它與其他神經網絡不同之處在于，訓練之前，網絡結構和權重值都不是固定的，并且初始網絡結構只由輸入層和輸出層以及簡單的連接構成。訓練的過程中，通過改變網絡的連接權重和網絡結構開始逐漸復雜化，最后進化完成的網絡不是分層的，且不一定為全連接，節(jié)點的連接自由度很大[12]。NEAT算法會有意識地將網絡的尺寸控制到最小，從而獲得最小的最優(yōu)網絡[13]。

2.2 構建WANN模型

WANN受NEAT算法的啟發(fā)，在其基礎上進行了衍變，采用忽略權值優(yōu)化、只改變網絡結構的方式進行搜索。谷歌團隊在構建WANN模型時，也遵循NEAT搜索框架的原則，過程如圖2所示[11]。

圖2 構建WANN模型

具體步驟如下：

Step1 創(chuàng)建初始網絡種群。初始網絡是由輸入輸出層構成，它們之間沒有隱藏節(jié)點，只有一小部分輸入和輸出之間有直接連接。

Step2 對每個初始網絡進行評價。評價分為兩部分，性能測試分數和結構復雜度。

Step3 通過改變評價分數排名靠前的網絡的結構來創(chuàng)建新的網絡種群。

接下來，算法從Step 2開始重復，生成復雜度遞增的網絡種群，并且性能優(yōu)于之前的幾代。

文獻[8]還對網絡搜索過程中的評價、變換和優(yōu)化過程進行了詳細解釋。

(1)網絡結構的評價過程

在評價過程中，首先給予網絡多個單一共享權重值，然后輸入數據樣本，并計算出預測結果，最后取所有結果的均值作為性能測試的分數。其中給多個單一共享權重值進行測試是降低網絡對權重值的敏感度。

預測結果是根據交叉熵損失的負值得到的。假設給定任務下測試結果為y1,y2,…,yn，那么經過Softmax回歸處理之后的輸出為

(8)

(9)

Softmax分類器常采用交叉熵為損失函數，其中a代表分類目標的真實值，y代表Softmax求出來的概率值。

然而，不僅網絡結構的性能很重要，它的復雜性也很重要，而體系結構的復雜性是通過連接的數量來衡量的。如果多個模型的性能大致相同，那么更小、更短的網絡結構總是比更復雜的網絡結構更好[14]。

(2)結構變換

如圖3所示，通過使用插入節(jié)點(insert node)、添加連接(add connection)、改變激活(change activation)這三個算子中的其中一個修改已有網絡，從而創(chuàng)建新網絡。其中新節(jié)點的激活函數是隨機分配的，可能的激活函數有l(wèi)inear、step、sin、cosine、Gaussian、tanh、sigmoid、absolute value、invert(即negative linear)、ReLU。

圖3 網絡結構變換方式

(3)優(yōu)化權重參數

在WANN模型訓練完成后，還可通過反向傳播來優(yōu)化網絡中每個權重值，以便輸出值更接近目標輸出。這里采用強化學習中策略梯度法(Policy Gradients)來優(yōu)化權重，進一步提高網絡性能。大體來說，就是先找到一個評價指標J(θ)(比如期望回報)，θ是關于策略的參數，然后使用隨機梯度上升法(θt+1=θt+αJ(θt))來更新策略參數，從而不斷地最大化評價指標。

3 基于WANN的旋翼無人機檢測

目前，基于神經網絡的檢測算法在檢測精度和速度上擁有優(yōu)越的性能，并且對不同數據集有較好的適應能力，因此在“低小慢”目標檢測中開始得到應用。本文方法是文獻[15]研究內容的延伸，將神經網絡與循環(huán)譜等高圖結合起來，利用循環(huán)譜的抗噪性以及其等高圖良好的稀疏特性，進一步提升神經網絡的檢測性能。以下仿真實驗主要探究上述方法在低信噪比下以及無人機運動狀態(tài)下的檢測性能。

3.1 檢測流程

檢測過程主要基于外輻射源雷達目標檢測方法。外輻射源雷達自身不向外輻射能量，憑借第三方發(fā)射的電磁波信號來探測目標，如圖4所示。無人機旋翼轉動會對電磁波產生微動調制，因此通過采集無人機目標回波信號并檢測其中的微動特征，進而實現無人機的檢測。循環(huán)譜等高圖可以理解為同一平面下表示能量分布的二維圖，不同調制信號的等高圖是不同。

圖4 外輻射源雷達信號傳播模型

本文檢測方法的流程主要由數據集構建、WANN模型訓練、旋翼無人機檢測三部分組成，如圖5所示。首先獲得無人機目標回波信號，并計算其循環(huán)譜，同時轉換為二維循環(huán)譜等高圖；然后，將灰度化后的等高圖作為訓練集和測試集；接著，設置WANN訓練的超參數，包括種群大小、訓練代數以及評價后發(fā)生結構改變的種群個數；最后，用訓練集訓練生成相應的WANN模型，并使用測試集對模型進行測試，得到無人機的檢測概率。為了進一步提升WANN模型的檢測性能，還可以對該模型進行權重參數優(yōu)化。

圖5 檢測流程

3.2 數據集構建

雖然文獻[12]研究利用旋翼微動可以檢測出無人機，但主要是在無人機懸停狀態(tài)下，實際上隨著無人機飛行狀態(tài)的變化，它的旋翼轉速也會發(fā)生相應變化，從而使微動特征不具有固定的調制周期特性。

旋翼無人機通過各個旋翼的不同轉動狀態(tài)來控制整個機身的飛行狀態(tài)[16]。各旋翼的轉動在保持相互獨立的同時，又維持一種較強的耦合動態(tài)特性，任何一個旋翼的轉速發(fā)生改變，都會影響其他自由度方向上的運動狀態(tài)[17]。圖6為四旋翼無人機不同飛行狀態(tài)下各個旋翼的轉動示意圖。圖6中箭頭表示旋翼轉動方向，線條粗細表示轉速快慢，越粗則表示速度越快。一般情況下，四個旋翼的初始相位不同。

圖6 不同飛行狀態(tài)下的旋翼旋轉示意圖

本文仿真實驗采用數字電視地面廣播(Digital Terrestrial Multimedia Broadcast,DTMB)信號作為外輻射源信號，信號參數如表1所示。旋翼無人機參數如表2所示。

表1 DTMB信號參數

表2 旋翼無人機參數

根據旋翼無人機的微動模型，設置仿真中各旋翼轉速如表3所示，固定初始相位φ為0°、30°、60°和50°。

表3 三種飛行狀態(tài)下的旋翼轉速

按照表1所示參數，首先生成外輻射源DTMB信號，然后根據表2和表3參數生成旋翼無人機微動調制后的回波信號，最后獲得回波信號的循環(huán)譜等高圖，圖7為部分數據集中的循環(huán)譜等高圖，可以觀察到有無人機時的等高圖與沒有無人機時的等高圖在能量分布和形狀上存在一定的差異。將等高圖進行預處理后得到數據集，數據集分為訓練集和測試集。訓練集包括8種不同信噪比情況下共4 800張圖片，每種信噪比情況600張，其中500張構成訓練集，100張構成測試集。

圖7 部分數據集示例

3.3 訓練結果及分析

本文使用Python3.5的環(huán)境架構，計算機的CPU為AMD RYZEN r7 5800x，具有8核處理器以及16線程；顯卡為NVIDIA RTX3070，內存32 GB。

WANN模型訓練時的相關參數如表4所示。其中，輸入大小指的是灰度圖尺寸大小，即28×28=784；輸出大小為有無人機出現和沒有無人機出現的這兩種結果；精英種群數表示排名前24的網絡結構發(fā)生改變；電腦工作核數是根據電腦自身硬件情況而選擇的，使用核數越多，占用的運算資源也就越多。除此以外，訓練結果每隔8代保存一次。

表4 訓練的超參數

表5為WANN模型設置不同權重值時的檢測概率，仿真信噪比為-10 dB。實驗結果表明并沒有哪個權值顯得比其他值更優(yōu)秀，從而說明WANN訓練過程中能有效降低網絡結構對權重值的敏感度。

表5 不同權重值下的檢測概率

考慮到實際應用中的復雜電磁環(huán)境，有必要研究不同信噪比下的檢測概率。由圖9可知，在信噪比等于-10 dB時，旋翼無人機的檢測概率也有90%以上。這是因為循環(huán)譜有很好的噪聲抑制能力，高斯白噪聲在非零循環(huán)頻率處不具有任何特征，并且循環(huán)譜包含幅度和相位信息，有利于WANN模型提取微動特征。

圖8 不同信噪比下的檢測概率

4 實測驗證

4.1 實測方案與配置

實驗接收點位于桂林電子科技大學圖書館五樓，接收裝置為軟件無線電USRP-2954，設置的I/Q采樣率是40 Msample/s，ADC分辨率為14 b。射頻接收通道的實時帶寬為40 MHz，通道的中心頻率為604 MHz。接收天線的頻率范圍是470～860 MHz，增益為20 dBi。外輻射源信號為堯山電視塔發(fā)射的DTMB信號，參數如表1所示，該信號屬于V頻段，頻道為DS-26，頻帶范圍為614～622 MHz，中心頻率618 MHz。旋翼無人機位于接收裝置前方，并分別進行垂直飛行、水平飛行以及水平轉動。首先，設置USRP平臺的參數，并利用DTMB天線接收外輻射源信號；然后，接收信號通過模擬下變頻得到基帶的I、Q分量，再經過高速ADC轉換為數字信號；接著，通過數字下變頻后得到基帶信號；最后，將基帶信號經千兆網口傳入PC機進行存儲和處理。在采集過程中，除了無人機回波信號外，還會引入電視塔直達波信號、周圍障礙物反射回來的多徑信號以及噪聲干擾。其中，高斯白噪聲不具有循環(huán)平穩(wěn)特性，即在非零循環(huán)頻率處的循環(huán)譜上沒有值。直達波信號與多徑信號的循環(huán)平穩(wěn)性與目標回波信號不同，可以在循環(huán)譜上區(qū)分。

4.2 CNN網絡

卷積神經網絡在圖像識別、視頻分析和語音處理等領域表現突出，因此被廣泛使用[18]。顧名思義，卷積神經網絡主要運用了卷積運算處理數據，因此適用于處理具有規(guī)律性空間結構的數據，在圖像識別中的效果優(yōu)于其他神經網絡結構。與卷積神經網絡進行比較，有利于檢驗WANN在圖像識別方面的能力。

實驗采用的卷積神經網絡共有兩層，網絡結構如表6所示。實驗中，兩種深度學習網絡采用的數據集一致，輸入數據集都為分辨率28×28的灰度圖。卷積神經網絡設置初始學習率為0.01，每次迭代使用50個樣本。網絡模型訓練20次的結果的均值作為最終檢測概率。

表6 CNN模型參數

4.3 實測結果及對比

表7為權重優(yōu)化過程中設置的參數。CMA-ES稱為協(xié)方差矩陣自適應進化策略，是一種策略搜索算法，模仿生物進化原理，主要進行變異和選擇操作來實現尋優(yōu)[19]。新生個體是父代隨機變異產生的，并在實驗后得到對應的適應度，然后根據大小從新生個體中選擇出新一代種群，最后經過多次迭代獲得性能更加優(yōu)秀的種群個體。該方法還假設不論基因發(fā)生何種變化，產生的結果總遵循零均值及某一標準差的高斯分布。

表7 權重優(yōu)化中的設置參數

在訓練集個數為1 400、驗證集個數為200的條件下，不同網絡模型的實測結果如表8所示。由表8可知，與卷積神經網絡模型相比，WANN模型在旋翼無人機進行水平轉動時有更高的檢測概率，其他兩種飛行狀態(tài)的檢測概率也相差較??；在優(yōu)化WANN模型的權重參數后，檢測概率有明顯提升。由此可見，WANN模型同樣具有較好的圖像識別能力。

表8 實測結果對比

5 結束語

本文提出了一種基于權重不可知神經網絡與循環(huán)譜等高圖相結合的無人機檢測方法。在這一方法中，根據目標任務構建了具有良好特征提取能力的WANN模型，且該模型不需要進行權重值訓練，同時利用循環(huán)譜抑制噪聲的能力，實現了各飛行狀態(tài)下的旋翼無人機檢測。

由于本文所構建的數據集有限，所提方法的可靠性還需要深入研究。下一步將研究WANN模型用于多種型號無人機識別的問題。