基于EMD与SVM的仿生机器鱼人工侧线智能探测方法

刘 钰, 胡 桥, 赵振轶, 魏 昶



基于EMD与SVM的仿生机器鱼人工侧线智能探测方法

刘 钰1,3, 胡 桥1,2,3, 赵振轶1,3, 魏 昶1,3

(1. 西安交通大学 机械工程学院, 陕西 西安, 710049;2. 西安交通大学 机械制造系统工程国家重点实验室,陕西 西安, 710049;3. 西安交通大学 陕西省智能机器人重点实验室, 陕西 西安, 710049)

针对水下声学感知与信息交互系统常常受到混响或多途效应干扰, 而光学传感也容易受到水质浑浊等环境制约的现状, 为了解决仿生机器鱼在复杂水下环境干扰下的目标精确探测问题, 文中提出一种基于仿生人工侧线(ALL)的水下运动目标智能探测方法。首先, 通过经验模式分解(EMD)将ALL系统接收到的原始信号分解为不同的本征模态函数(IMFs), 从而将有用信号与干扰进行分离; 然后, 在水中放置不同频率的振动物体模拟不同鱼类, 通过IMFs中的特征频率进行水下运动目标的识别; 最后, 将IMFs的能量值频谱信息作为支持向量机(SVMs)的输入, 从而智能识别水下运动物体的方位。将这一探测方法与ALL结合并进行水池实验验证, 结果表明, 文中所提出的方法相比于传统的如快速傅里叶变换(FFT)和神经网络等方法具有更好的探测性能。

仿生机器鱼; 人工侧线；经验模式分解；支持向量机; 智能探测

0 引言

目前, 仿生机器鱼等水下航行器常应用声学和光学系统作为信息交互的窗口, 进行水下信息感知。对光学感知, 在图像处理之前, 需要对已获得的水下图像数据进行预处理, 减少噪声量、纠正衰减和几何失真, 并通过繁琐的观察识别技术等方能实现水下机器人的感知功能, 不但成像质量有限, 且受水质浑浊度影响, 这些因素限制了光学原理在水下信息感知中的应用[1]。声像声呐虽然可以弥补光学感知环境受限的不足, 但由于其成像是一种声学图像, 当仿生机器鱼周围环境空间结构复杂时, 声波会通过多种途径返回换能器, 因此引起“重影”, 使其无法对周围环境进行精确感知。因此探索水下机器鱼群的新型感知技术十分必要。

侧线是鱼类独有的一种水下感知器官, 借助这种感知器官, 鱼类可以在复杂流体环境中实现交互学习、猎物追踪、地图定位、机动避障及目标识别等功能。当水下环境非常复杂时, 在没有光线的深海区域, 鱼类视觉会部分或者全部丧失作用, 在这种环境下, 鱼类依然能够利用自身特有的侧线系统来感知水流场信息[2-5], 鱼类侧线感知器官如图1所示[2], 图上黑色的点代表侧线上的神经丘。大量观测研究发现, 与传统的水声或光学探测原理截然不同, 鱼类通过侧线系统感知水压、水流等辅助运动感知, 其感知原理以相对运动目标间的水介质流动信息作为信息源, 为仿生机器鱼等水下新型的自主无人航行器感知水下信息提供一条新思路。

图1 鱼类侧线系统

现有研究中, 关于仿生人工侧线(artificial lateral line, ALL)的数据采集处理[6-7]大多直接采用原始信号进行, 没有在原始信号的基础上进行降噪、滤波和分解等更深层的挖掘手段获取本征目标特征信息。另外, 在基于仿生ALL的数据处理分析的识别定位技术研究[8-9]中, 将阵列信号与机器学习方法结合进行智能识别的研究较少, 特别是在小样本的情况下, 显得实用性不足。文中设计了一种具有12个高精度传感器的ALL系统, 利用ARM板对数据进行采集, 尝试在原始信号的基础上进行经验模态分解(empirical mode decomposition, EMD), 通过提取出运动目标有效的本征模态函数(intrinsic mode function, IMF)分量, 实现不同目标的运动特征探测。然后采用支持向量机(support vector machine, SVM)对提取出的小样本信号进行训练和分类, 实现运动目标的方位辨识。

1 实验步骤

依据鱼类侧线器官分布生物学和阵列信号处理中布阵原理[10-11], 文中设计的仿生ALL阵列系统结构如图2所示。采用一款高精度、高灵敏度的压力传感器(MS5803)作为侧线系统的阵列传感单元, 共12个, 组成2列分布在侧线结构两侧, 传感器间距为4 cm, 两列间距为8 cm。侧线外壳采用光敏树脂通过3D打印形成。

整个实验系统如图3所示, 所有实验在一个1.8 m×1 m×0.6 m的水槽中进行, 采用激振器连接连杆, 连杆末端连接有钢球(直径20 mm)或塑料板(模拟鱼尾鳍摆动)2种运动物体, 通过控制频率和振幅来模拟水下运动目标。激振器和侧线系统安装固定在铝型材框架上。采用信号发生器为激振器提供信号。侧线系统信号有STM32通过IIC(inter-integrated circuit)协议进行采集, 采集数据通过串口发送至个人计算机(personal computer, PC)进行数据处理。

图2 12阵元的仿生人工侧线阵列

图3 实验设备及场景图

2 基于EMD的ALL目标探测方法

2.1 经验模态分解

经验模态分解(EMD)是一种新型自适应信号时频处理方法, 由Huang等[12]提出, 它可将非平稳信号自适应表示为几种不同简单振荡模型的总和。通过EMD, 可以将有用信号分解为许多IMF分量。而对于每个IMF分量应满足: 1) 在整个数据集中, 极值的数量和过零点的数量应相等或者最多相差1; 2) 在任意一点, 由局部最大值和局部最小值所定义的包络线上的平均值应为零。

经过一系列的变换, 任何信号都可以被EMD分解

因此, 可以将信号通过EMD分解为个IMF分量和1个余量。IMF分量和余量分别包含从高到低不同频段范围。EMD提供了一种多尺度分析方法: 不同时间尺度的正交信号集合。

图4显示了ALL系统单通道(第3个压力传感器, 记为P3, 如图2(a)所示)在2种目标运动下的信号原始频谱图和EMD分解频谱图。小球位于ALL中压力传感器P3正前方, 距离5 cm, 振动频率7 Hz, 振动方向与侧线长边垂直。尾鳍位于ALL中传感器P3正前方, 距离5 cm。振动频率1 Hz, 振动方向与侧线长边垂直。

图4 ALL信号频谱

从图4(a)中可以看出, 目标为小球且频率较高时, 信号原始特征频谱存在噪声点较多, 特征不明显, 同时由于运动频率较高, 侧线系统所探测到的频谱图峰值所对应的能量较高。从图4(c)中可以看出, 当运动目标低频运动时, 所产生的水波能量值较低, 侧线单元信号所对应的频谱峰值较低, 同时, 低频运动下目标信号的噪声少, 特征明显。同时, 由图4(b)采用EMD分解后, 通过将不同频段的IMF分量分离, 能够有效地从噪声较大的频谱中提取出有用信息。在图4(d)中, 通过EMD分解, 也能够使得原始信号中特征信息更加明显。

文中侧线系统的探测部分, 信号的处理流程如图5所示, 通过侧线系统对水下水压变化信息进行获取, 对原始信号进行EMD分解, 对前3个IMF分量进行快速傅里叶变换(fast Fourier transformation, FFT), 提取到有效信号则根据幅值和频率信息进行目标类型的探测, 若没有提取到有用信号, 则再次进行信号的获取。针对侧线实验, 此处以比较具有代表性的7 Hz(小球)和1 Hz(尾鳍)举例说明, 实验证实针对其他目标振动频率以上规律同样适用。

图5 ALL探测流程图

2.2 ALL探测性能

文中分别采用小球和尾鳍做频率的特征探测, 小球和尾鳍距离侧线均为5 cm, 振动方向与侧线长边垂直, 小球频率范围为4 ~10 Hz, 步长1 Hz。尾鳍频率范围为0.4~1.3 Hz, 步长0.1 Hz。探测结果如图6所示。通过图6可以看到, 侧线系统所探测到的频率和目标频率基本一致, 因此通过侧线系统信号的特征频率值可以判断出特征信号的运动频率。

图6 目标探测频率与实际频率对比

图7为距离探测实验, 将振动小球放置在距离侧线不同位置, 范围为5~30 cm, 步长为5 cm, 频率均为7 Hz。从图中可以看出, 当运动目标与侧线系统距离增加时, 目标运动引起的水波能量在传播过程中逐渐衰减, 因此侧线系统所探测到的目标特征频率下所对应的峰值逐渐降低, 这说明通过侧线系统利用特征频率的幅值估算运动目标的距离是可行的。

图7 小球探测距离和实际距离对比

3 基于SVM的ALL目标方位识别

3.1 支持向量机

支持向量机(SVM)作为一种基于统计学理论的机器学习算法, 在分类、回归和异常探测等方面应用广泛。常规的SVM算法只能处理二分类问题, 基本思路是将数据转化为高纬度的特征空间, 并在特征空间中找到能够最大化地将2个类别区分的最优超平面。而关于SVM的理论方法、算法以及分析软件的使用都十分方便。由于传统的SVM算法是为二分类而设计的, 因此本身并不适合做方位预估这种多分类问题, 因此文中提出一种能够处理多分类问题的SVM算法。

通过将多个二分类模型进行组合, 可以获得多分类模型。对于一个分类的问题(2), 如果其为类可分的, 则其必两两可分; 相反的, 如果其类别两两可分, 则其必为类可分。通过多个二分类器可以构建一个分类模型。对于分类问题, 目前已经有多种方法被提出, 例如“一对一”、“一对多”、定向无环图SVM等。在一些文章中已经显示出“一对一”法在实际使用中优势更加明显, 因此文中研究汇总采用“一对一”的方法来识别不同类别。

为了模拟鱼类对运动目标的方位辨识功能, 文中构建了基于EMD和SVM的ALL方位识别模型, 图8显示了侧线系统的目标方位识别流程框图。采用EMD分解IMF分量, 对其求取平均能量值作为SVM的输入, 从而进行运动目标特征方位的识别。

图8 目标方位识别流程图

3.2 基于ALL的目标方位探测方法性能

文中采用不同目标方位的侧线数据对SVM模型进行训练, 然后利用训练好的SVM对不同方位目标的侧线测试信号进行分类, 从而完成目标方位识别。文中针对侧线系统方位识别的数据库生成如图9所示。针对小球和尾鳍分别进行数据库的构造, 小球距离侧线5 cm, 分布在如图9所示4个点, 振动方向与侧线长边垂直, 振动频率7 Hz。尾鳍距离侧线10 cm, 分布在如图9所示的12个点, 振动方向与侧线长边平行, 振动频率1 Hz。小球数据每个位置采集40组, 共160组。每组采集1 024个点。尾鳍数据每个位置采集25组, 共300组, 每组采集512个点。

图10为SVM在不同输入数据下对小球和尾鳍方位的分类结果, 尾鳍共300组数据, 其中训练240组, 60组用于测试。图10(a)显示为以侧线原始数据的平均能量值作为输入, SVM的分类精度为0.583; 图10(b)显示为以侧线的EMD分解第1分量的平均能量值作为输入, SVM的分类精度为0.683; 图10(c)显示为以侧线的EMD分解的前3个分量的能量值合并作为输入, SVM的分类精度为0.917。

图9 数据采集方式

小球共160组数据, 其中120用于训练, 40组用于测试, 图10(d)~(f)为以侧线原始数据, EMD第1分量, EMD前3分量的平均能量值作为输入, SVM分类精度均为1.000。

通过实验发现, 针对其他目标运动频率下的ALL目标方位辨识结果与文中所述规律基本一致。

图10 支持向量机目标方位分类结果

表1和表2为采用原始数据和EMD前3分量输入时, SVM和逆向传播(back propagation, BP)神经网络2种算法在不同训练测试样本比(每组)下的分类性能对比。

可以看出, 通过EMD提取目标运动的非线性本征特征后, 基于BP识别方法的分类性能提升不明显, 而基于SVM识别方法的分类准确率提升30%左右, 特别是在5/20小样本情况下, SVM方法的识别精度比BP方法高近50%, 显示出很大的优越性。

表1 SVM分类准确率

表2 BP神经网络分类准确率

4 结论

文中提出一种基于ALL的水下运动目标智能探测方法, 并进行了水池实验验证，得到以下结论。

1) 根据第3部分实验分析可以看出, EMD分解对于环境噪声较大的情况下, 能够有效地从原始信号中进行有用信息的提取, 从而实现运动目标本征特征的获取。同时, 侧线系统对于不同频率和距离的目标具有较好的探测效果, 这为基于侧线系统进行水下运动目标的探测提供了一种可行的方法。

2) 根据第4部分实验中, 由于小球4个特征点位置间隔较远, 特征相差明显, 因此SVM分类效果非常好。而在尾鳍分类中, 由于特征位置较多, 同时样本数较少, 因此分类性能较差。同时可以看出EMD分解之后, 将目标信号的本征特征进行提取, 从而反映出信号内在函数特征, 因此采用EMD分解后的信息作为输入效果优于原始信号。

3) 根据第4部分中SVM和BP算法的对比可以看出, SVM在不同训练/测试比下性能较稳定, 而BP算法受训练样本数影响较大。特别是当训练样本数较少时, SVM性能优于BP算法, 这说明SVM更适合于小样本情况下的分类识别。同时, EMD分解的本征模式提取对BP算法的性能影响较小, 而对SVM分类性能提高显著, 这说明SVM对于本征信号更为敏感。在SVM分类中20/5的性能相对于15/10有所下降, 分析原因可能是SVM产生了过拟合现象, 从而导致性能降低。

下一步的工作计划针对侧线结构进行优化设计, 同时采用新型材料制作侧线传感器单元, 并将阵列信号处理与深度学习相结合对水下目标进行更精确和高效的探测。

[1] Du R, Li Z, Youcef-Toumi K, et al. Robot Fish: Bioinspired Fishlike Underwater Robots[J].  Underwater Technology, 2017, 34(3): 143-145.

[2] Bleckmann H, Zelick R. Lateral Line System of Fish[J]. Integrative Zoology, 2006, 25(1): 411-453.

[3] Olt J, Stuart L J, Marcotti W. In Vivo and in Vitro Bio- physical Properties of Hair Cells From the Lateral Line and Inner Ear of Developing and Adult Zebrafish[J]. The Journal of Physiology, 2014, 592(10): 2041-2058.

[4] Dabiri J O. Biomechanics: How Fish Feel the Flow[J]. Nature, 2017, 547(7664): 406-407.

[5] Oteiza P, Odstrcil I, Lauder G, et al. A Novel Mechanism for Mechanosensory-based Rheotaxis in Larval Zebrafish[J]. Nature, 2017, 547(7664): 445.

[6] Wang W, Li Y, Zhang X, et al. Speed Evaluation of a Freely Swimming Robotic Fish with an Artificial Lateral Line[C]//IEEE International Conference on Robotics and Automation. Stockholm, Sweden: IEEE, 2016.

[7] Ahrari A, Lei H, Sharif M, et al. Reliable Underwater Dipole Source Characterization in Three-dimensional Space by an Optimally Designed Artificial Lateral Line System[J]. Bioinspiration & Biomimetics, 2017, 12(3): 036010.

[8] Dagamseh A M K, Lammerink T S J, Kolster M L, et al. Dipole-source Localization Using Biomimetic Flow-sensor Arrays Positioned as Lateral-line System[J]. Sensors & Actuators A Physical, 2010, 162(2): 355-360.

[9] Abdulsadda A T, Tan X. Underwater Source Localization Using an IPMC-based Artificial Lateral Line[C]//IEEE International Conference on Robotics and Automation. Shanghai, China: IEEE, 2011: 2719-2724.

[10] Ahrari A, Lei H, Sharif M A, et al. Design Optimization of an Artificial Lateral Line System Incorporating Flow and Sensor Uncertainties[J]. Engineering Optimization, 2016, 49(2): 328-344.

[11] Kottapalli A G P, Asadnia M, Triantafyllou M S, et al. Biomimetic Microsensors Inspired by Marine Life[M]. Switzerland: Springer, 2017.

[12] Huang N E , Shen Z , Long S R , et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceedings A, 1998, 454(1971): 903-995.

Intelligent Detection of Artificial Lateral Line for Biomimetic Robotic Fish Based on EMD and SVM

LIU Yu1, 3, HU Qiao1, 2, 3, ZHAO Zhen-yi1, 2, WEI Chang1, 2

(1. School of Mechanical Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 2. State Key Laboratory of Manufacturing Systems Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 3. Shaanxi Key Laboratory of Intelligent Robots, Xi’an Jiao Tong University, Xi’an 710049, China)

In view of the problems that underwater acoustic perception and information interaction system are often disturbed by reverberation or multipath effects, and the optical sensing is easily affected by water turbidity, a novel intelligent detection method of underwater moving target based on artificial lateral line(ALL) is proposed to accurately detect target in complicated underwater interferences for a biomimetic robotic fish. Firstly, the original signals received by the ALL system are decomposed into different intrinsic mode functions(IMFs) via empirical mode decomposition(EMD) to separate target signal from interferences. Secondly, the characteristic frequency of the vibrating target representing different fish is obtained from the IMFs to detect the underwater moving target. Finally, the power spectrums of the IMFs are input into the support vector machines(SVMs) to recognize the azimuth of underwater moving target intelligently. Water tank tests with combination of the proposed method with ALL detection are conducted, and the results show that the proposed method has better detection performance than the traditional methods, such as fast Fourier transform(FFT) and neural network.

biomimetic robotic fish; artificial lateral line(ALL)；empirical mode decomposition(EMD); support vector machine(SVM); intelligent detection

TP242; TB566

A

1673-1948(2019)02-0174-07

10.11993/j.issn.1673-1948.2019.02.008

刘钰, 胡桥, 赵振轶, 等. 基于EMD与SVM的仿生机器鱼人工侧线智能探测方法[J]. 水下无人系统学报, 2019, 27(2): 174-180.

2016-11-19;

2016-12-18.

国家自然科学基金重大项目(61890961); 装备预研领域基金项目(61404160503); 中央高校基本科研业务费(国防重大项目培育xjjgf2018005); 陕西省重点研发计划重点项目资助(2018ZDXM-GY-111).

刘 钰(1994-), 男, 在读博士, 主要研究方向为水下仿生智能感知.

(责任编辑: 许 妍)