肖晶等：基于深度卷积神经网络的地磁导航方向适配性分析 ·1589· 表2不同算法的方向适配性分析结果对比 (6):76 Table 2 Comparison of direction suitability analysis results of different (陈有荣，袁建平.基于分形维数的地磁图适配性研究.飞行 algorithms 力学，2009,27(6)：76) 分类正训练 [2]Zhu Z L,Yang G L,Shan Y D,et al.Comprehensive evaluation 分析方法 特征来源 特征维数 确率/%时间/s method of geomagnetic map suitability analysis.Chin Inertial Technol,2013,21(3):375 滤波幅值图像 16 88.7 0.05 [3] Wang P,Hu X P,Wu M P.Matching suitability analysis for geo- BP网络滤波实部和虚部图像 32 89.0 0.21 magnetic aided navigation based on an intelligent classification 滤波幅值图的标准差 1 66.5 0.04 method.Proc Inst Mech Eng G J Aerosp Eng,2014,228(2):271 滤波幅值图像 16 86.5 52.13 [4] Zhao J H,Wang S P,Wang A X.Study on the selection of the 支持向量机 滤波实部和虚部图像 32 86.5 57.91 geomagnetic adaptable matching area based on the geomagnetic co- occurrence matrix.Geom Inform Sci Wuhan Unir,2011,36(4): 本文方法 滤波幅值图像 自动提取92.0 1.07 446 (赵建虎，王胜平，王爱学.基于地磁共生矩阵的水下地磁导 因为幅值图像是通过滤波实部和虚部图像计算而来 航适配区选择.武汉大学学报（信息科学版），2011,36(4)： (式(4))，它们所含的信息量并未损失. 446) 支持向量机基于Gabor滤波幅值图像的16个统 [5]Wang P,Hu X P,Wu M P.A hierarchical decision-making 计特征和基于Gbor滤波实部和虚部图像的32个特 scheme for directional matching suitability analysis in geomagnetic 征的方向适配性分析的准确率都为86.5%，也支持了 aided navigation.Proc Inst Mech Eng G J Aerosp Eng,2013,228 幅值图像可以包含Gabor滤波器实部和虚部图像特征 (10):1815 的分析.相比BP网络和支持向量机的结果，本文基于 [6]Xu X S,Tang J J,Zhang T,et al.Selection for matching area in 深度卷积神经网络的准确率最高，达到了92.0%，说 terrain aided navigation based on entropy-weighted grey correlation decision-making.J Chin Inertial Technol,2015,23(2):201 明方向适配特征图的一些深层次的结构性特征在卷积 (徐晓苏，汤那那，张涛，等.基于熵值法赋权灰色关联决策 神经网络的训练过程中被学习到，有利于提高方向适 的地形辅助导航适配区选择.中国惯性技术学报，2015,23 配性分析的准确率. (2):201) 从各网络执行一次训练所耗费的时间看，支持向 [7]Zhang K,Zhao J H,Shi C,et al.Study on classification of matc- 量机训练时间最长，卷积神经网络次之，BP网络最短. hing area of underwater topography based on BP neural network. 这是因为支持向量机耗费大量时间在参数的搜索优选 Geom Inform Sci Wuhan Univ,2013,38(1):56 (张凯，赵建虎，施闯，等.BP神经网络用于水下地形适配区 上，算法时间与搜索范围的大小相关，卷积神经网络初 划分的方法研究.武汉大学学报（信息科学版），2013,38 始化需要消耗一定时间，而BP网络各权值随机给出， (1):56) 不需要初始化，加之参与训练的特征维数较低，因此所 [8]Liu Y X.Zhou J,Ge Z L.A projecting pursuit-based selection 用训练时间最短.但应该注意到，当输入特征维数较 method for matching region in geomagnetism navigation.JAstron, 高时，BP网络效率降低，卷积神经网络的优势就会体 2010,31(12):2677 现出来 (刘玉霞，周军，葛致磊。基于投影寻踪的地磁匹配区选取方 法.宇航学报，2010.31(12)：2677) 4结论 [9]Daugman JG.Uncertainty relation for resolution in space,spatial frequency,and orientation optimized by two-dimensional visual 本文从图像识别的角度对地磁导航方向适配性分 cortical filters.J Opt Soc Am A,1985,2(7):1160 析问题进行研究，在方向适配特征图的基础上通过卷 [10]Mak K L,Peng P,Yiu K F C.Fabric defect detection using 积神经网络进行分类，给出了磁场导航方向适配性的 multi-level tuned-matched gabor filters.Ind Manag Optim, 评价方法，实现了方向适配特征提取和评价的自动化， 2012,8(2):325 避免了人工特征选取的盲目性，且获得了高于传统神 [11]Shen J,Zhang J Y,Zha F.Alterable resolution point-mass filter 经网络的分类准确率，在降低方向适配特征提取难度 algorithm for underwater terrain matching method.Chin Inertial Technol,.2012,20(6):694 的同时提高了方向适配性分析的效率。另外，如何进 (谌剑，张静远，查峰.变分辨率质点滤波水下地形匹配算 一步提高方向适配性分析的准确率，突出卷积神经网 法.中国惯性技术学报，2012,20(6)：694) 络网络的优势，将是后续研究的一个方向. [12]Su H B.Wang G Z,Wang J D.Map matching algorithm based on fuzzy neural networks.J Univ Sci Technol Beijing,2012,34 参考文献 (1):43 (苏海滨，王光政，王继东.基于模糊神经网络的地图匹配 [1]Chen YR,Yuan J P.Research on matching suitability of geomag- 算法.北京科技大学学报，2012,34(1)：43) netism map based on fractal dimension.Fligh Dynam,2009,27 [13]Yang B.Cheng Z B,Deng Z D.Sparse ESN with a leaky inte-肖 晶等: 基于深度卷积神经网络的地磁导航方向适配性分析 表 2 不同算法的方向适配性分析结果对比 Table 2 Comparison of direction suitability analysis results of different algorithms 分析方法 特征来源 特征维数 分类正 确率/ % 训练 时间/ s 滤波幅值图像 16 88郾 7 0郾 05 BP 网络 滤波实部和虚部图像 32 89郾 0 0郾 21 滤波幅值图的标准差 1 66郾 5 0郾 04 支持向量机 滤波幅值图像 16 86郾 5 52郾 13 滤波实部和虚部图像 32 86郾 5 57郾 91 本文方法 滤波幅值图像 自动提取 92郾 0 1郾 07 因为幅值图像是通过滤波实部和虚部图像计算而来 (式(4)),它们所含的信息量并未损失. 支持向量机基于 Gabor 滤波幅值图像的 16 个统 计特征和基于 Gabor 滤波实部和虚部图像的 32 个特 征的方向适配性分析的准确率都为 86郾 5% ,也支持了 幅值图像可以包含 Gabor 滤波器实部和虚部图像特征 的分析. 相比 BP 网络和支持向量机的结果,本文基于 深度卷积神经网络的准确率最高,达到了 92郾 0% ,说 明方向适配特征图的一些深层次的结构性特征在卷积 神经网络的训练过程中被学习到,有利于提高方向适 配性分析的准确率. 从各网络执行一次训练所耗费的时间看,支持向 量机训练时间最长,卷积神经网络次之,BP 网络最短. 这是因为支持向量机耗费大量时间在参数的搜索优选 上,算法时间与搜索范围的大小相关,卷积神经网络初 始化需要消耗一定时间,而 BP 网络各权值随机给出, 不需要初始化,加之参与训练的特征维数较低,因此所 用训练时间最短. 但应该注意到,当输入特征维数较 高时,BP 网络效率降低,卷积神经网络的优势就会体 现出来. 4 结论 本文从图像识别的角度对地磁导航方向适配性分 析问题进行研究,在方向适配特征图的基础上通过卷 积神经网络进行分类,给出了磁场导航方向适配性的 评价方法,实现了方向适配特征提取和评价的自动化, 避免了人工特征选取的盲目性,且获得了高于传统神 经网络的分类准确率,在降低方向适配特征提取难度 的同时提高了方向适配性分析的效率. 另外,如何进 一步提高方向适配性分析的准确率,突出卷积神经网 络网络的优势,将是后续研究的一个方向. 参 考 文 献 [1] Chen Y R, Yuan J P. Research on matching suitability of geomag鄄 netism map based on fractal dimension. Fligh Dynam, 2009, 27 (6): 76 (陈有荣, 袁建平. 基于分形维数的地磁图适配性研究. 飞行 力学, 2009, 27(6): 76) [2] Zhu Z L, Yang G L, Shan Y D, et al. Comprehensive evaluation method of geomagnetic map suitability analysis. J Chin Inertial Technol, 2013, 21(3): 375 [3] Wang P, Hu X P, Wu M P. Matching suitability analysis for geo鄄 magnetic aided navigation based on an intelligent classification method. Proc Inst Mech Eng G J Aerosp Eng, 2014, 228(2): 271 [4] Zhao J H, Wang S P, Wang A X. Study on the selection of the geomagnetic adaptable matching area based on the geomagnetic co鄄 occurrence matrix. Geom Inform Sci Wuhan Univ, 2011, 36(4): 446 (赵建虎, 王胜平, 王爱学. 基于地磁共生矩阵的水下地磁导 航适配区选择. 武汉大学学报(信息科学版), 2011, 36(4): 446) [5] Wang P, Hu X P, Wu M P. A hierarchical decision鄄making scheme for directional matching suitability analysis in geomagnetic aided navigation. Proc Inst Mech Eng G J Aerosp Eng, 2013, 228 (10): 1815 [6] Xu X S, Tang J J, Zhang T, et al. Selection for matching area in terrain aided navigation based on entropy鄄weighted grey correlation decision鄄making. J Chin Inertial Technol, 2015, 23(2): 201 (徐晓苏, 汤郡郡,张涛, 等. 基于熵值法赋权灰色关联决策 的地形辅助导航适配区选择. 中国惯性技术学报, 2015, 23 (2): 201) [7] Zhang K, Zhao J H, Shi C, et al. Study on classification of matc鄄 hing area of underwater topography based on BP neural network. Geom Inform Sci Wuhan Univ, 2013, 38(1): 56 (张凯, 赵建虎, 施闯, 等. BP 神经网络用于水下地形适配区 划分的方法研究. 武汉大学学报(信息科学版), 2013, 38 (1): 56) [8] Liu Y X, Zhou J, Ge Z L. A projecting pursuit鄄based selection method for matching region in geomagnetism navigation. J Astron, 2010, 31(12): 2677 (刘玉霞, 周军, 葛致磊. 基于投影寻踪的地磁匹配区选取方 法. 宇航学报, 2010, 31(12): 2677) [9] Daugman J G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two鄄dimensional visual cortical filters. J Opt Soc Am A, 1985, 2(7): 1160 [10] Mak K L, Peng P, Yiu K F C. Fabric defect detection using multi鄄level tuned鄄matched gabor filters. J Ind Manag Optim, 2012, 8(2): 325 [11] Shen J, Zhang J Y, Zha F. Alterable resolution point鄄mass filter algorithm for underwater terrain matching method. J Chin Inertial Technol, 2012, 20(6): 694 (谌剑,张静远,查峰. 变分辨率质点滤波水下地形匹配算 法. 中国惯性技术学报, 2012, 20(6): 694) [12] Su H B, Wang G Z, Wang J D. Map matching algorithm based on fuzzy neural networks. J Univ Sci Technol Beijing, 2012, 34 (1): 43 (苏海滨, 王光政, 王继东. 基于模糊神经网络的地图匹配 算法. 北京科技大学学报, 2012, 34(1): 43) [13] Yang B, Cheng Z B, Deng Z D. Sparse ESN with a leaky inte鄄 ·1589·