基于并行卷积神经网络的地磁方向适配性分析

肖 晶，齐晓慧，段修生，王俭臣

（1. 军械工程学院，石家庄 050003；2. 中国人民解放军驻西北工业大学军事代表室，西安 710065）

基于并行卷积神经网络的地磁方向适配性分析

肖 晶1，齐晓慧1，段修生1，王俭臣2

（1. 军械工程学院，石家庄 050003；2. 中国人民解放军驻西北工业大学军事代表室，西安 710065）

针对地磁方向适配性分析时人工特征提取主观性较强、所取特征难以表达深层的结构性特征的问题，并为了进一步提高方向适配性分析的准确率，提出了一种基于并行卷积神经网络的地磁方向适配性分析方法。首先，从不同角度建立了地磁场在6个代表方向上的适配性分析图；然后，从同一磁场的不同角度出发，利用卷积神经网络自动完成了特征学习，得到了更为全面的方向适配性特征描述；最后，在并行卷积神经网络所得特征的基础上，利用BP网络建立了地磁方向适配性的分析模型。仿真结果证明，该方法可以有效避免人工特征提取和计算等复杂步骤，实现了地磁方向适配性分析的自动化，而且可以获得优于传统网络和单路卷积神经网络的准确率。

地磁导航；方向适配性；特征提取；卷积神经网络；Gabor滤波器

地磁导航是一种基于地理信息的导航方式，具有无源、无辐射、隐蔽性强、误差不随时间积累的特点，是惯性导航的重要补充。地磁导航的精度不仅与导航算法有关，还与地磁场特征在匹配过程中表征地理位置的能力即地磁适配性[1-2]密切相关。早期适配性研究的对象为区域，反映了某一区域在不同方向上的“平均”适配性。然而，地磁匹配是“一维序列”的匹配，其性能还与载体进入适配区的方向密切相关。方向适配性研究正是为了衡量区域内各个方向匹配性能，它不仅是对适配性理论的深入和完善，也为磁场辅助导航的航迹规划提供了指导。

适配性分析的核心问题是适配特征的提取与综合评价。根据其含义可将适配特征分为三类：反映区域唯一性的特征（如互信息重复度）；反映区域显著性的特征（如粗糙度）；反映区域丰富性的特征（如信息熵）。Wang P等基于粗糙度、峰态系数和相关系数等特征，利用主成分分析法分析了影响地磁适配性的主要因素[3]；张辰等提取了重力场区域的粗糙度、重力熵和相关函数等特征，用层次分析法确定了各特征的权重，建立了重力场适配性分析的综合指标[4]；文献[5]构建了地磁灰度共生矩阵，利用其对比度、相关性等特征初步探讨了地磁方向适配性的分析方法。这些特征从统计学、信息论等角度对适配性这一磁场的内在属性进行了描述，取得了一定效果。但从本质上看，这些特征的提取往往基于人的主观经验，难以全面地表达磁场区域的特征，而且会引入一些与适配性分析无关或弱相关的特征，增加适配性综合评价方法的复杂度。

适配性评价的方法可分为多属性决策和模式分类两种，其中，多属性决策是一种定量分析的方法，其核心思想是将适配特征作为基本的决策属性，并利用一定的决策方法建立适配性评价的综合指标。文献[3]和[4]在多个适配性特征的基础上分别用主成分分析和层次分析法建立了适配性评价的综合指标；刘玉霞等则基于信息熵和投影寻踪理论得到了区域适配性的综合评价指标[6]。模式分类是一种定性分析的方法，它以基本适配特征构成分类样本，依据一定的准则将候选匹配区划分为适合匹配和不适合匹配等类别。张凯等基于BP神经网络建立了地形适配特征与匹配性能的模型[7]；Wang P 借鉴基因表达式编程（Gene Expression Programming, GEP）和支持向量机（Support Vector Machine, SVM）设计了地磁方向适配性的决策方案[8]。BP网络、SVM等人工智能分类器的引入，将适配特征通过机器学习的方式融入分类器，在很大程度上减少了人为因素的影响，得到了广泛应用。然而，基于传统神经网络的适配性分析方法从根本上仍然将适配特征提取过程与综合评价过程独立开来，不仅无法避免人为特征选取的盲目性，而且受限于传统神经网络有限的参数和计算单元，对大量样本的处理效率也不高。

近年来，深度神经网络（Deep Neural Network,DNN）的出现在机器学习和特征学习方面引发了一场革命。与传统神经网络相比，DNN具有以下优势：

1）特征提取在DNN的训练过程中自动完成，避免了人工特征提取的主观性；

2）DNN能逐层深入地学习原始样本数据的信息，获得更加全面直接的特征表达。

虽然DNN在地磁方向适配性分析中尚未得到应用，但方向适配性问题可转化为模式分类问题求解。Lu从图像局部和全局的角度设计了卷积神经网络进行图像美感质量的评价[9]；Dong等以DNN学习到的特征为基础，利用SVM分类器对图像进行分类[10]；王伟凝等从同一图像的不同角度出发，提出用并行卷积神经网络进行图像分类，取得了更好的效果[11]。

本文借鉴其思想，利用深度卷积神经网络（CNN）进行地磁场方向适配性分析，从不同角度建立了磁场方向适配性分析图，并设计了相应的并行卷积神经网络进行方向适配性分析，提高了方向适配性分析的准确性。本文的创新点归纳如下：

1）利用CNN实现了地磁方向适配特征的自动提取，避免了人工特征提取的主观性；

2）地磁方向适配特征的提取与评价在网络训练过程中完成，克服了适配性评价方法中阈值人为设置且判定准则提取难度大的问题；

3）利用并行卷积神经网络进行地磁方向适配性分析，获得了高于单路卷积神经网络的准确率。

1 地磁方向适配性分析图的建立

大小为M×N的某一区域的地磁场网格数据可视为一幅同样大小的数字图像，该图像本身是没有方向的，但为了分析该区域的地磁方向适配性，需要得到其在不同方向上的特征图。本文选择0°、30°、60°、90°、120°和150°这6个方向为代表方向。首先利用Gabor滤波器的方向选择特性，获取了该区域在6个代表方向上的适配性分析图。之后，鉴于地磁灰度共生矩阵在实际应用中不能获得任意方向的适配性分析图，本文基于磁场不同方向的截线数据从另一角度描述了磁场的方向特征，满足了建立任意方向适配性分析图的要求。将不同角度建立的磁场方向适配性分析图作为并行CNN的输入，以期获得更好的分类效果。

1.1 基于Gabor滤波器的地磁方向适配性分析图

1985年，Daugnan在Gabor变换的基础上提出了二维Gabor滤波器，它在空间域中是一个被复正弦函数调制的高斯函数[12]：其中：(x, y)为空间坐标系下一个位置；σx和σy为高斯函数在轴x、y轴方向的标准差，决定滤波器窗口的大小；f决定了Gabor滤波器的中心频率；θ控制滤波器方向，取值范围为[0°, 360°)。

显然，式(1)由实部和虚部两部分构成，可改写为：

其中：Ge(x, y)和Go(x, y)分别为Gabor滤波器的实部和虚部，且Ge(x, y) 是偶对称的；Go(x, y) 是奇对称的。

设地磁场中一个候选匹配区的磁场归一化处理后的数据为I(x, y)，则基于Gabor滤波器的磁场的原始响应可以通过I(x, y)与Ge(x, y)或Go(x, y)的卷积得到：

其中：Te(x, y) 和To(x, y)分别为Gabor滤波器实部和虚部滤波后候选匹配区的原始响应，代表了候选匹配区磁场在滤波器方向上的滤波结果：T(x, y)为滤波器实部和虚部响应的幅值；“*”是卷积算子。

研究表明，二维Gabor滤波器的实部对斑点的检测能力较好，而虚部对边缘的检测能力较好。为了综合利用实部和虚部的滤波图像，本文在滤波幅值图像T(x, y)的基础上进行二维傅里叶变换以得到不同方向的适配性分析图，如式(5)：

其中：M×N为图像的大小；μ、ν为离散频率变量。取F(μ, ν)的幅值图像为方向适配性分析图。这里进行傅里叶变换主要是因为磁场在频域内方向适配性分析图的对比度更明显，更有利于CNN的学习和识别。

至此，本文在频域内建立了磁场在6个代表方向上的方向适配性分析图。图1给出了一个归一化磁场图像及其在6个代表方向上的适配性分析图，各图像的大小都为20×20。

图1 某磁场在6个代表方向上的方向适配性分析图Fig.1 Normalized magnetic field and its direction matching suitability analysis images

1.2 基于截线法的地磁方向适配性分析图

基于截线法获取地磁方向适配性分析图的基本思想如图2所示：用一簇互相平行的平面截取磁场曲面以获取各平面在磁场曲面上的截线，这些截线的起伏能够反映磁场在该簇平面方向上的起伏；可用截线数据构建磁场在该方向的适配性分析图。

图2 基于截线法构建地磁方向适配性分析图的原理Fig.2 Schematic for establishing direction matchingsuitability analysis images based on slice lines

设某磁场区域的模型为：

其中，x 和 y为磁场区域内某一位置的经纬度坐标。

设M0(x0, y0, z0)为曲面z上一点，向量n=(A, B, C)为空间中任意一个非零向量，则过点M0且与向量n垂直的平面有且只有一个，记作平面Π，则Π表示为：

联立式(6)(7)可得磁场曲面被平面Π所截的截线方程，记作C，则：

固定向量n不变并按一定规律平移点M0可以得到磁场曲面与方向为n的平面簇的截线，分别记作C1,C2, …, CN。

如果有向量m满足m·n=0，则Ci(i=1,2,…,N)为该候选匹配区在方向m上的截线。截线数据的波动代表了该方向上磁场的起伏，可用于构建方向适配性分析图。

需要说明的是，同一方向不同位置的截面所得截线上磁场的数据大小往往不一致。本文采取插值的方法进行统一，然后按截面位置进行拼接。之后，与Gabor方向适配性分析图的获取类似，对上述拼接矩阵再进行二维傅里叶变换即可得到基于截线法的地磁方向适配性分析图，这里不再赘述。

2 基于并行CNN的地磁方向适配性分析

2.1 并行CNN的结构

图3为所设计的用于地磁方向适配性分析的并行CNN，图中两个并行卷积神经网络的结构相同，但输入不同。归一化磁场图像按第1节的方法处理后得到两种不同类型的方向适配性分析图，分别作为两个支路CNN的输入。之后两个支路分别通过卷积层和降采样层独立完成特征的提取和映射，直至全连接层。在该层，两个支路上自动提取的方向适配性特征进行合并后，被送入BP网络进行训练，得到地磁方向适配性分析的模型。

训练结束后，对任意一个归一化磁场，只需从不同角度建立其方向适配性分析图并送入并行CNN中，则网络会自动提取方向适配性特征并给出磁场在该方向上的适配性结论。

图3 并行CNN网络结构图Fig.3 Architecture of parallel convolutional neural networks (CNN)

需要指出，本文网络训练样本的类别标签依据匹配仿真实验得到的匹配正确率进行划分，将匹配正确率大于90%的方向视为“适合匹配”，归为类别“1”，其他的“不适合匹配”，归为类别“0”。匹配正确率的计算可参考文献[13]。

以下以上支路CNN为例，详细说明并行CNN的结构设计。

上支路CNN共包含6层：一个输入层Input1、两个卷积层C11和C13、两个降采样层S12和S14，以及一个全连接层F15。其中：卷积层的功能是基于卷积核完成特征图的提取，特征图的大小由卷积核的大小决定，特征图的个数由卷积核的种类决定；降采样层对上一级的特征图进行降采样，在完成特征映射的同时缩减输入数据的规模，减少计算量。各层参数设置为：

1）Input1层：输入层。输入为1.1节在频域内建立的基于Gabor滤波器的磁场方向适配性分析图，大小为20×20。

2）C11层：卷积层，用于提取Input1层特征。卷积核的大小决定了神经元感受区的范围，较小时无法提取有效的局部特征，较大时又无法描述高度复杂的信息。本文选取本层卷积核的大小为3×3，卷积后得到大小为18×18的特征图。由于每个卷积核只能提取到某一类特征，这里同时利用6个卷积核对输入图像进行卷积，得到6种不同的特征图。

3）S12层：降采样层，对C11层输出的特征图进行降采样。一般缩放因子取2时就能取得较好的效果，因此大小为18×18的特征图通过2×2的子采样后得到大小为9×9的特征图，这意味着C11层特征图上的4个像素合并成S12层输出图像上的一个像素。降采样层只是在C11层特征图的基础上进行降采样，不改变特征图的数目。常见的子采样的方法有最大值合并、平均值合并及随机合并，本文采取随机合并方法。

4）C13层：卷积层，对S12层输出的特征图进行特征提取。过程与C11层相似，不同的是本层取16个大小为2×2的卷积核完成特征提取，得到16个大小为8×8的特征图。

5）S14层：降采样层，对C13层输出的特征图降采样，缩放因子取2。与S12层原理类似，降采样后得到16个大小为4×4的特征图。

6）F15层：全连接层，再次对特征进行映射。S14层共有16×4×4=256个神经元，每个神经元与F15层的一个神经元连接，若设置F15层所含神经元数目为30，则S14层到F15层的连接可以视为将S14层的特征图映射为30个256维的特征向量。

下支路CNN的设计思路与上支路类似，基于截线法获取的地磁方向适配性分析图逐层映射至全连接层F25层后，与F15层的特征合并为60个特征向量，再送入一个BP网络。BP网络的输出神经元数目设为1，取值为0或1，输出为1时表示“适合匹配”， 输出为0时表示“不适合匹配”。

并行CNN的学习过程分为两个阶段：支路CNN的深度学习和BP网络的学习。首先，在每个支路CNN的第6层之后分别加上一个只含一个神经元的全连接层，构成一个完整的可用于地磁方向适配性分析的单路CNN，并独立进行训练。单路CNN的学习遵循深度神经网络的学习方法，先进行预训练，再进行微调。预训练阶段为从底层至顶层的非监督学习，通过最小化重构误差获得待识别图像的隐层表示，进而实现网络的初始化；微调阶段为从顶层至底层的监督学习，通过带标签数据集的训练，误差自上向下传播，对网络进行微调。然后将支路全连接层F15和F25学习到的特征进行合并，作为BP网络的输入，并按梯度下降法进行训练，得到最终的方向适配性分析模型。由于并行CNN结合了单路CNN从不同角度提取的方向适配性特征，因此可获得高于单路CNN的分类性能。

2.2 并行卷积神经网络的参数优化

并行CNN得到的方向适配性特征直接影响后续BP网络的建模精度，而本文采用固定的学习率和惯性系数进行特征提取，因此有必要寻找最优的学习率和惯性系数，保证方向适配性分析模型良好的分类性能。

学习率和惯性系数的寻优是一个优化问题，本文采用HPSO算法，通过设置合理的目标函数实现并行CNN每个支路上学习率和惯性系数的联合优化，算法过程如图4所示。

以式(9)测试集的错分率为代价函数，所选的学习率和惯性系数应能使测试集的错分率最低。

其中：N(PredictionC=ωi∩RealC=ωi)表示样本类别为ωj而错将其分类为ωi的样本数；N(RealC=ωi)为实际样本类别为ωi的数目。

图4 基于HPSO算法的并行CNN参数优化原理图Fig.4 Schematic for optimizing parameters of parallel CNN with HPSO algorithm

并行CNN的参数优选包括两部分：粒子群的更新和不同参数时错分代价的计算。在搜索范围内按一定的规则更新粒子位置，多次迭代找到满足使代价函数最小的粒子，该粒子的位置即为并行CNN的一组最优参数。由于遍历所有的样本是不可能且没有必要的，因此本文选取一定数量的方向适配性分析图作为并行CNN的训练集和测试集来计算混合粒子群的错分代价，并将获得的局部最优参数作为整个样本集最终的学习率和惯性系数。优选过程如下：

随机选取600个磁场方向适配性分析图作为CNN参数优化时的训练集，100个特征图作为测试集，且训练集和测试集中适合匹配和不适合匹配的样本数目相等。HPSO算法的参数设置为：学习率的搜索范围为[0.1, 3]，惯性系数的搜索范围为[0, 0.95]，种群规模为5。图5统计了20次迭代过程中代价函数的变化。

可见，经过6次迭代后，并行CNN对测试集的错分代价由0.08降低到了0.02，意味着优选的网络参数可使测试集的错分率降低到2%，此时上支路的学习率α=0.10，惯性系数η=0.42，下支路的学习率α=0.57，惯性系数η=0.83。

图5 HPSO算法代价函数变化曲线Fig.5 Fitness curve of HPSO algorithm’s objective function

至此，面向地磁场方向适配性的并行CNN的结构和学习率等参数得以确定，该网络经过训练后即可用于方向适配性的分析。以下通过仿真实验进行验证。

3 地磁方向适配性实验与对比

3.1 地磁方向适配性分析实验

为了验证所提并行CNN在地磁方向适配性分析中的有效性，本文在全球地磁异常场模型NGDC-720的Y分量地磁图上选取了经度范围为[34°E, 39°E]，纬度范围为[47.812°N, 53.812°N]的一块区域，通过Kriging插值法建立了该区域的地磁异常模型，如图6所示，并将该区域划分为若干大小为20×20的方形区域作为候选匹配区，将区域的磁场数据归一化处理后，再依据第1节的方法从不同角度建立每个候选匹配区在6个代表方向上的方向适配性分析图，作为验证并行CNN有效性的数据库。

图6 区域地磁场Y分量Fig6 Local magnetic anomaly field model of Y component

随机选择1000个方向适配性分析图，与其相应的类别标签构成训练样本对，再在其余样本中取200个作为测试集，训练集和测试集中类别“1”和类别“0”的样本数相等。将训练集送入并行CNN进行训练，之后将测试集送入该网络，对其方向适配性进行评价，结果如图7所示。

可见，测试集中只有一个“0”类样本被错分为“1”类样本，其他样本的方向适配性预测结果与匹配仿真实验所给出的一致，证明本文的并行CNN可以对地磁方向适配性进行有效评价。计算得测试集的分类正确率为99.5%，取得了较高的分类准确率。

图7 并行CNN对测试集的预测类别Fig.7 Classification results of testing samples with parallel convolutional neural networks

3.2 地磁方向适配性分析结果对比

本节设计实验，比较并行CNN与单路CNN、传统BP网络和SVM分类器的分类效果。

在方向适配性分析图中随机选取1000个样本对作为训练集，在其余样本中取200个作为测试集，训练集和测试集中两种类别样本数相等。单路CNN与并行CNN一个支路的结构相同。在特征提取过程中，单路CNN的参数也从优化的角度独立选择，优化方法与2.2节一致，方向适配性特征在网络训练过程中自动提取。BP网络和SVM的方向适配性特征由人工提取，基本思路为：在获得归一化磁场的方向适配性分析图后，分别从表征磁场显著性和唯一性的角度提取地磁标准差、地磁信息熵、地磁粗糙度等16个特征，详见文献[14]。为了保证有效特征参与训练，将Gabor滤波得到的实部、虚部及幅值矩阵的上述特征（共16×3=48个）以及截线法所得矩阵的上述特征都送入网络学习，最终网络输入特征的维数为64。

为了保证实验的客观性，每种方法重复10次，计算10次分类准确率的平均值作为最终的结果。表1给出了不同条件下各网络对测试集的分类准确率。

从结果看，BP网络和SVM的分类准确率分别为90.0%和88.5%，BP网络略高，利用Gabor滤波幅值图像进行方向适配性分析的单路CNN的分类准确率为92.0%，高于BP网络和SVM。然而，利用截线法图像进行适配性分析单路CNN的分类准确率仅为87.5%，甚至低于传统的分类器，这可能是由于对磁场方向适配性特征的描述不够全面。并行CNN将Gabor滤波的幅值图像和截线法获取的图像结合起来，其分类准确率达到了99.5%，远高于传统的分类器和单路CNN，这说明本文设计的并行CNN可以将不同角度获取的方向适配性特征进行融合，这些特征互相补充，提高了CNN对方向适配性评价的准确率。

表1 不同网络对地磁方向适配性分析的结果对比Tab.1 Analysis results of direction matching suitability with different methods

4 结 论

本文围绕地磁场方向适配性问题，首先从不同角度对磁场的方向适配性进行描述，然后在此基础上利用CNN网络，实现了地磁方向适配性特征的自动提取，最后，设计了并行CNN将不同角度的方向适配性特征进行合并，得到了地磁方向适配性的评价模型。主要贡献如下：

1）实现了地磁方向适配特征的自动提取，避免了人工特征提取的主观性，同时实现了适配性判定准则的自动建立，解决了判定准则提取难度大的问题。

2）设计了并行CNN从不同角度对磁场方向适配性特征进行提取，获得了更为全面的方向适配性特征。

从比较结果看，并行CNN对方向适配性预测的准确率最高。

（References）：

[1] 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[J]. 中国惯性技术学报, 2015, 23(2): 201-206.Xu X S, Tang J J, Zhang T, et al. Selection for matching area in terrain aided navigation based on entropy-weighted grey correlation decision-making[J]. Journal of Chinese Inertial Technology, 2015, 23(2): 201-206.

[2] Zhu Z L, Yang G L, Shan Y D, et al. Comprehensive evaluation method of geomagnetic map suitability analysis[J]. Journal of Chinese Inertial Technology, 2013,21(3): 375-380.

[3] Wang P, Wu M X, Hu X P, et al. Geomagnetic aided navigation suitability evaluation based on principal component analysis[C]//2012 International Conference on Industrial Control and Electronics Engineering. 2012: 324-329.

[4] 张辰, 马林, 张桂敏, 等. 一种新的重力辅助导航海区适配性分析方法[C]//中国惯性技术学会第七届学术年会. 2015: 126-131.Zhang C, Ma L, Zhang G M, et al. A new analysis method for the adaption of gravity aided navigation[C] //7th Meeting of Chinese Society of Inertial Technology. 2015: 126-131.

[5] 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[J], 武汉大学学报(信息科学版),2011, 36(4): 446-449.Zhao J H, Wang S P, Wang A X. Study on the selection of the geomagnetic adaptable matching area based on the geomagnetic co-occurrence matrix[J]. Geomatics and Information Science of Wuhan University, 2011, 36(4): 446-449.

[6] 刘玉霞, 周军, 葛致磊. 基于投影寻踪的地磁匹配区选取方法[J]. 宇航学报, 2010, 31(12): 2677-2682.Liu Y X, Zhou J, Ge Z L. A projecting pursuit-based selection method for matching region in geomagnetism navigation[J]. Journal of Astronautics, 2010, 31(12): 2677-2682.

[7] 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[J]. 武汉大学学报(信息科学版),2013, 38(1): 56-59.Zhang K, Zhao J H, Shi C, et al. Study on classification of matching area of underwater topography based on BP neural network[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 56-59.

[8] Wang P, Hu X P, Wu M P. Matching suitability analysis for geomagnetic aided navigation based on an intelligent classification method[J]. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2014, 228(2): 271-283.

[9] Lu X, Lin Z, Jin H L, Yang J C, Wang J Z. Rating image aesthetics using deep learning[J]. IEEE Transactions on Multimedia, 2015, 17(11): 2021-2034.

[10] Dong Z, Shen X, Li H Q, Tian X M. Photo quality assessment with DCNN that understands image well[C]//Proceedings of the 21st International Conference on Multi Media Modeling. Sydney, Australia: Springer International Publishing, 2015, 524-535.

[11] 王伟凝, 王励, 赵明权, 等. 基于并行深度卷积神经网络的图像美感分类[J]. 自动化学报, 2016, 42(6): 904-914.Wang W N, Wang L, Zhao M Q, et al. Image aesthetic classification using parallel deep convolutional neural networks[J]. Acta Automatica Sinica, 2016, 42(6): 904-914.

[12] Daugman J G. Uncertainty relation for resolution in space,spatial frequency, and orientation optimized by twodimensional visual cortical filters[J]. Journal of the Optical Society of America, 1985, 2(7): 1160-1169.

[13] Wang P, Hu X P, Wu M P. Matching suitability analysis for geomagnetic aided navigation based on an intelligent classification method[J]. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2014, 228(2): 271-283.

[14] Xiao J, Duan X S, Qi X H, et al. Research on suitable matching area in geomagnetic navigation[C]//2nd International Conference on Advances in Mechanical Engineering and Industrial Informatics. Hangzhou, China,2016: 1513-1517.

Direction navigability analysis for geomagnetic navigation based on parallel convolutional neural networks

XIAO Jing1, QI Xiao-hui1, DUAN Xiu-sheng1, WANG Jian-chen2
(1. Ordnance Engineering College, Shijiazhuang 050003, China;2. Government Representative Office in Northwestern Polytechnical University, Xi’an 710065, China)

As the manually extracted features are too subjective and can’t deeply describe the information of the magnetic area when analyzing the direction matching suitability for geomagnetic navigation, and in order to further improve the analysis accuracy of direction matching suitability, a new analysis method based on parallel convolutional neural networks (CNN) is proposed. Firstly, the matching suitability analysis images of the magnetic areas are established in six typical directions from two different perspectives. Then, the parallel CNN is used to automatically learn and extract the direction matching features in more comprehensive way.Finally, the extracted features of each branch of the parallel CNN are incorporated and input to BP neural network to build the model and analyze the direction matching suitability. Simulation results show the proposed method can avoid human’s interference at the most extent and makes it possible to automatically extract direction matching features for magnetic navigation. Meanwhile, the proposed method’s accuracy is higher than those of the traditional neural network and the CNN, and it takes only one type of the matching suitability analysis images as its inputs.

geomagnetic navigation; direction matching suitability; feature extraction; convolutional neural network; Gabor filter

U666.1

：A

1005-6734(2017)03-0349-07

10.13695/j.cnki.12-1222/o3.2017.03.013

2017-03-16；

：2017-05-26

武器装备军内科研重点项目（2014551）

肖晶（1989—），女，博士研究生，从事地磁导航、组合导航研究。E-mail: xiao_jing801@163.com