基于BP 神经网络的某型水下目标发声规律预测研究

王 尧 中国船舶重工集团公司昆明船舶设备研究实验中心机电生产部云南昆明 650000

【文章摘要】

本文利用Matlab 软件基于BP 神经网络的相关理论和方法，构建了神经网络模型研究某型水下目标在不同频率点的发声规律，通过对已知频率点的识别训练，获得了目标的发声规律，从而实现了对某型水下目标发声信号的预测。从Matlab 的仿真结果与实际情况的比对看，本文建立的BP 神经网络模型可以很好的预测换能器的发声规律，利用该方法可以有效提高水下发声目标识别和追踪能力。

【关键词】

BP 神经网络；发声规律；预测

0 引言

水中航行器在推进、工作时会发出大量的声学特征信号，对这些信号的获取和分析直接决定着舰艇的反潜和反雷能力。一般情况下，为了躲避现代高性能声纳的探测，水中航行体一般都会对自身的声学特征进行隐藏。因此，往往只能获得其部分声学特征点，很难得到其完整发生规律。从而给对水下目标的识别和追踪带来了很大的困难。

本文作者在进行某型水下航行体的静态试验时发现，采集到的目标声学信号存在着某种特定的非线性关系，而采用BP 神经网络，可以很好的对其进行模拟和研究，通过对已知试验样本进行训练和模拟，可以获得非常成熟的BP 神经网络， 从而实现对某型水中目标声学信号的预测。

1 BP 神经网络

1.1 BP 神经网络原理

BP 神经网络是一种前馈型误差修正网络，其基本思想是：网络由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。

典型BP 神经网络的组成结构如下图所示：

利用BP 神经网络进行预测主要分为以下三个部分：（1）BP 神经网络的构建； （2）BP 神经网络的训练；（3）BP 神经网络的预测，其算法流程如图2 所示：

1.2 数据归一化处理

对输入变量进行归一化处理的目的是为了使各变量的对神经元的影响程度处于同一水平，使网络权值在一个较小的范围内，减轻网络训练的难度。如果各输出变量的数值相差太大，会使数值较小的输出变量的相对误差较大。归一化处理使各输入处于[0,1] 之间。常用的变换公式如下：

（ 1）

其中、和分别为输入变量的标准值，最小值和最大值。

1.3 BP 神经网络结构

本文采用3 层BP 神经网络，网络的输入层向量有1 组：声压的实验值，网络的输出向量有一组：声压的预测值。因此，输出层的节点和输出层的节点均为1。对于网络中间层的确定本文采用试凑法，根据公式：

（ 2）

式中： 为隐含层节点数； 为输入层节点数； 为输出层节点数； 为常数，

图1 典型BP 神经网络的组成结构

图2 预测型BP 神经网络的算法流程

图3 隐层数目与均方误差值曲线 044

软件开发

Software Development

电子制作

。这样可以得到隐层节点数的范围是[3,12]

采用试凑法得到了隐含层神经元数与收敛速度的曲线关系如图3。其中中间层数为5 时，得到的MSE 值最小为78，所以确定的隐含层节点数为9。

本文所用BP 神经网络为三层结构，隐含层单元数为9，主传递函数为“logsig” 和“trainlm”函数。

1.4 BP 神经网络结构

选取某水下目标在42 个频率采样点的不同声压值（mv）作为网络的总样本，从保密和建模处理的角度出发，实测数据经过归一化处理后的数值如表1 所示：

表1 42 个采样点的声压值

为了减小局部样本偏移给模型带来的误差，本文采用编组的方式来提高模型精度。对于频率点1-42 的数据，选择前3 个点的数据作为序列的输入样本，下一个点的数据作为网络的输出数据，选择40， 41,42 的数据作为检验样本，如表2 所示。

将训练样本1—36 的数据输入MATLAB 软件中，对网格进行训练，定义期望误差为1e-3。训练过程中，BP 神经网络误差的变化情形如图4 所示：

由图4 可知，当训练经过81 次迭代之后达到了满意的期望误差限。

训练完毕后，首先将所有样本输入网格，然后定义检验向量，并将检验向量输入网络，查看输出值和输出误差如图所示：

其中加“+”曲线对应为实际数据，“0” 曲线对应为预测数据。可以看到在采样点1—39 之间两条曲线大体符合，这是在期望目标响应之下监督训练的结果，而这之后预测值则逐渐偏离真实值，40—42 的预测误差有逐渐增大的趋势，但是误差大小在0.05 内，说明此网络的预测精度仍然是很高的。

2 结束语

本文利用Matlab 软件基于BP 神经网络的相关理论和方法，构建了神经网络模型来研究水下目标在不同频率点的发声规律，通过对已知的39 个频率点进行训练，获得了目标的发声规律，并得到了成熟的神经网络，从而实现了对水下目标发声信号的高精度预测，本文的思路对相关研究有一定的借鉴意义。

【参考文献】

[1] 刘薇，孙峰. 精通MATLAB 神经网络[M]. 中国计算机业出版社， 2012.

[2] 李阳. 神经网络算法在水声领域的应用研究[J]. 海军工程学报， 2012.(1) ：32-38.

[3] 刘飞. 鱼雷噪声特性分析及仿真研究[J]. 鱼雷发射技术，2013.(1) ： 72-78.

[4]K.Miklosky..BP network for wear of polymer composites [J]．NavalEngineers Journal．2011(3)23-27．

[5] 刘洋.BP 神经网络在系统预测中的应用[J]. 振动与冲击，2013.(1) ：121-128.

【作者简介】

王尧（1987—）男，工学学士，助理工程师，主要从事电子工艺调试方面的研究。

表2 样本选择

图4 误差曲线的变化情况