基于SVM的短波收信智能監測軟件的設計與實現?

向奕雪 陳 斌 羅 勇

（海軍工程大學 武漢 430033）

1 引言

為了確保短波收信業務的正常開展，需要對短波收信系統的運行狀態有一個快速、清晰和準確的掌握。在以往的各類檢測設備和系統中，通常只能給出短波收信系統某一組成單元的參數測試數據，用戶往往需要憑使用經驗或參數指標門限對測試結果進行判斷和分析，這種方式不僅對用戶的技術能力有一定的要求，而且自動化程度不高，給用戶的使用帶來了較大的不便利。隨著人工智能在各個領域的廣泛研究和使用［1～5］，在對短波收信系統自動監測和診斷系統的研究和設計中，也引入了人工智能技術，利用支持向量機（Support Vector Machine，SVM）模型對監測數據進行智能識別和分析［6］，較好地實現了對收信系統狀態的快速判別和智能診斷。

軟件綜合利用了C#編程的便利性和Matlab仿真運算的專業性，通過Matlab實現對監測數據的分析和智能算法設計與仿真，采用C#軟件進行了算法的移植與綜合使用［7］，編寫了一套配合短波收信天線監測硬件平臺使用的智能監測軟件，通過實時或定期檢測獲取短波收信天線的關鍵指標數據，經由智能診斷模塊迅速地判定運行狀況、追溯故障原因，為基層通信維護人員的短波收信天線裝備管理與運維提供切實有效的技術支持。

2 系統硬件結構與工作模式分析

圖1 系統硬件結構

在不實施監測時，收信機正常與收信天線相連接，執行接收任務。在需要實施監測時，可分為以下兩種模式進行：

1）定期自動監測

可根據需要設置監測周期，每隔一段時間進行一次監測，在實時監測時，由收信監測終端內的主控單元控制射頻切換開關將收信機與監測模塊相連，監測模塊產生3MHz～30MHz的標準射頻信號通過射頻線纜送給收信機，從音頻監測終端獲取收信機音頻輸出信號，通過自動調節射頻信號的輸出幅度使得收信機的輸出音頻信噪比降低，并最終達到規定的信噪比，從而得到收信機的接收靈敏度指標數據。通過標準監測接收機可直接監測送到監測接收機射頻端口上的信號強度，從而獲取饋線線路上的射頻損耗情況。監測服務器對比歷史記錄和預警門限，發現異常狀態時，即可進行報警。

2）遙控監測

將監測模塊通過光纖與機房內的服務器相連接，可人工根據需要遠程遙控監測模塊對收信系統的關鍵指標進行測試。

3 系統監測軟件整體架構與功能設計

軟件系統整體結構主要包括面向用戶層、業務管理與計算處理層和數據服務層3個方面，如圖2所示。

圖2 監測軟件系統架構設計

1）面向用戶層

面向用戶層為用戶提供最終的人機交互界面，可以對短波收信天線的整體綜合能力等狀態采用圖形顯示的方式進行可視化呈現控制管理和實時分析處理，可自動實時動態呈現，也可在需要時手動控制分析評估功能的運行。當接收到收信天線系統運行狀態出現的異常信息時，能夠迅速報警并在收信天線系統分布的圖像上標出可能導致該現象的組成要素分布，使得值班人員能夠非常直觀、迅速地了解整個收信天線系統的狀態信息。用戶可依據下達的任務內容對監測的對象和呈現的信息進行自由選擇和定制，也可以根據需求自行對各種數據和信息進行檢索查詢。

3）切實提升調和油技術的應用水平。目前，船用低硫燃油的生產加工方式有3種：一是通過加工低硫原油生產低硫重質燃料油；二是調和加工低硫燃油；三是煉廠增投渣油加工裝置生產低硫燃油。整體來看，調和加工方式的產品是未來幾年船用低硫燃油的主要來源，通過將低硫原料和高硫原料按規定比例調兌，生產出符合國際海事組織要求的低硫燃油。這種方式最為簡單和直接，也是新加坡作為全球船舶加油中心的核心優勢之一。某種意義上，調和技術水平的高低不僅決定了燃油質量，也體現了船供油公司核心競爭力的高低。船供油公司應加強調和技術的經驗積累和研發，努力在調和技術上取得領先和突破。

2）業務管理與計算處理層

業務管理與計算處理層主要完成對數據的收集、分配和管理，包括了數據獲取、分析計算與處理、配置管理、命令響應發送、系統維護、數據訂閱分發和數據庫維護管理等功能業務。數據獲取的過程如下：監測終端由人工操作或者自動定期從短波收信天線采集指標參數，將采集到的收信天線駐波比、饋線駐波比、饋線衰減損耗和收信頻率準確度等測量值以XML文件的格式存儲在數據庫中。通過調用數據服務層的智能狀態分析與診斷模型并結合數據庫系統長期存儲的歷史數據等信息對數據采集終端設備送來的狀態監測數據等進行建模計算與評測，當出現收信天線系統狀態故障預警時對可能出現風險的設備單元進行智能概率分析和原因提示，并將分析處理后的結果數據信息送到面向用戶層，根據不同輕重緩急的預警級分別采取不同的策略向用戶呈現。配置管理的主要功能是將用戶的操作請求發送給監測硬件，讓硬件執行分配的任務，同時保存用戶詳細的操作記錄于系統日志中。

3）數據服務層

數據庫服務層通過TCP服務實現與監測采集終端設備的聯網。該層的主要職責是管理和維護監測硬件采集到的系統運行狀態參數、歷史故障樣本集、用戶操作記錄和可選的智能診斷模型集合，分為監測數據庫、故障記錄庫、系統日志庫和監測診斷模型庫。監測數據庫詳細記錄監測硬件采集終端獲取的監測數據。故障庫涵蓋了一部分的歷史故障信息和本監測系統運行使用以來所存儲的故障信息，已發生故障的裝備編號、故障具體表現、級別性質、故障處理過程、故障等級等屬性細致地記錄每一條故障從發現到徹底維修解決的過程。系統日志庫記錄了整個監測系統的運行信息，如開機關機的時間、是否發生異常、用戶添加刪除登陸的情況、每個用戶的操作記錄等等。

4 軟件開發中的關鍵技術及其實現

4.1 基于多線程和TCP/IP的數據傳輸程序設計

在系統的設計中，采用TCP/IP協議Socket完成各監測終端、遠程用戶終端與監測服務器的連接與通信［8］。Socket可以看作不同主機或不同進程間進行雙向通信的端點，它為網絡通信開發提供了一個應用程序接口（API）。Socket有兩種不同的類型：流式套接字（Stream socket）和數據報套接字（Datagram socket）。流式套接字采用TCP協議，提供可靠的面向數據傳輸；數據報套接字采用UDP協議，提供無連接的數據傳輸，不保證傳輸的可靠性。

系統監測服務器與遠程用戶端或監測終端之間的網絡通信采用了基于面向連接的TCP協議，使用Visual C#提供的Socket類進行編程實現異步通信方式，并結合多線程技術，有效提高了編寫的網絡應用程序的性能。多線程技術是實現一個監測服務器和多個遠程用戶終端及監測終端通信的關鍵技術。運用了多線程之后，各監測終端與遠程用戶終端之間就不會相互影響，即使其中一個出現錯誤也不會影響到另一個。在保證數據可靠性的前提下，提高了通信的實時性和信息共享能力。

4.2 數據庫

短波收信智能監測與診斷軟件主要是通過對各監測終端獲取的關鍵性能指標數據進行存儲和分析，建立短波收信系統智能診斷模型。數據服務層中包含了故障診斷模型、系統運行記錄、系統故障記錄和監測數據存儲等4種不同類型的數據庫，涵蓋了整個軟件的核心內容，數據庫的設計將直接影響到整個軟件的運行效率和后續的智能診斷模型生成。

系統程序在Microsoft SQL Server 2008基礎上建立了數據庫，在Microsoft Visual Studio 2010平臺下通過ADO.NET組件模型訪問數據庫并完成對監測數據的實時存儲與管理。該數據庫維護管理模塊包含許多子功能模塊，如數據的查詢、保存、備份、刪除，數據信息輸出為Excel表格或Word文檔，數據信息的曲線視圖顯示及曲線保存與打印等。

4.3 智能診斷模塊設計

根據各監測終端獲取的數據與故障間的對應關系，建立了基于PSO-SVM的智能診斷模型。該模型可將診斷結果反饋給用戶并保存記錄在系統數據庫中，以便操作人員及時掌握收信系統的運行狀況，迅速準確地診斷故障類型。智能診斷模塊的計算比較復雜，為了將支持向量機故障診斷方法運用于收信天線系統，采用基于Matlab與Visual C#混合編程。采用Matlab編寫應用中需要的高級算法，然后將開發完成的高級算法轉換為能被VC#調用的DLL庫文件，最后編譯生產相應的ActiveX控件。簡化實際編程中使用VC#開發智能分類器算法組件的復雜性，同時利用了Matlab在數組上強大的運算能力及其相應的算法函數庫，提高軟件運行的速度。

4.3.1 特征提取

為了建立PSO-SVM故障診斷模型，本文針對收信天線駐波比、饋線駐波比、監測發射機工作時監測接收機接收信號強度、監測單元內基準信號源輸出信號時監測接收機接收信號強度，分別采樣10組數據作為輸入，輸出為短波收信系統6種工作狀態。PSO-SVM模型樣本輸出與短波收信系統故障狀態的對應關系如表1所示。

表1 樣本輸出與短波收信系統故障狀態關系表

模型對輸入數據進行了歸一化預處理（即0～1之間的數值）和PCA降維預處理（主成分98%）［9～11］，大大提高了訓練算法的收斂速度。針對短波收信系統的6種工作狀態，各采集120組監測數據，共720組監測數據，從中選出600組數據作為訓練樣本，剩下的120組監測數據作為測試樣本。進行歸一化預處理后典型訓練樣本如表2所示。

表2 典型輸入、輸出樣本

4.3.2 模型構建

支持向量機具有完善的理論基礎，能夠運用非線性變換將低維特征映射到高維空間，進而執行比較復雜的分類任務。由于支持向量機能很好地解決小樣本、非線性以及高維問題，使得其在許多領域得到了廣泛的應用。但是在實際應用中，支持向量機的參數，如懲罰參數C、核函數及其參數，對支持向量機的分類性能和泛化推廣能力有重要影響，基于同樣的訓練樣本構造的支持向量機分類器，會由于參數選擇的不同而產生較大的差別［12～14］。支持向量機的懲罰參數C用于控制對分類錯誤的懲罰程度，是調節分類誤差和模型復雜度的權重。本文選取RBF函數作為SVM的核函數，如果RBF核中的參數σ值選取的不合適，就會出現過擬合或欠擬合現象；而σ選取合適，將顯著提高模型的分類效率。

針對支持向量機的參數尋優問題，本文采用一種基于群體智能原理的全局并行優化算法——粒子群算法（Particle Swarm Optimization，PSO）［15］，該算法具有操作簡單、計算精度高、收斂速度快等優點。粒子群算法的思想來源于對鳥群和魚群群體行為的研究和模擬，通過共享全體最優和個體最優信息來尋找最優解。

SVM是一個典型的兩類分類器，本文采用一對一（one-versus-one）方法。一對一方法在每兩個類別間訓練一個SVM分類器，即對于一個K類問題，將構造個SVM分類器。因此對于本文的PSO-SVM的智能診斷模型的6類分類問題，需要構造15個SVM分類器。當對一個測試樣本進行分類時，15個分類器都會對其類別進行判別，然后采用投票法，最后得票最多的類別作為該測試樣本的類別。

4.3.3 測試結果

本文采用RBF核函數建立SVM模型，運用PSO算法對參數C和σ進行全局搜索并進行交叉驗證。設定種群數量為20，終止迭代次數為100，加速度因子c1=1.5，c2=1.7，適應度函數值取5重交叉驗證的分類準確率，最終得到的最優參數C=0.089，σ=10，訓練集樣本的分類準確率為100%，測試集合樣本的分類準確率為99.1667%（119/120），粒子群算法參數尋優結果如圖3所示，測試集分類準確率結果如圖4所示。

圖3 訓練集PSO參數尋優適應度曲線

圖4 測試集的實際分類和預測分類圖

5 結語

長期以來短波收信系統一直缺乏有效的監測手段，對天饋線和收信機等的性能指標（如天線駐波比、天饋線衰減損耗和收信機接收靈敏度等）無法實時監測，對收信效果無法準確評估。而且收信系統的狀態監測和故障診斷更多的是依據工作人員的經驗完成，不具備一定的科學性。本文介紹的短波收信系統智能監測軟件，有效地實現了實時測量、處理、存儲和分析收信系統運行參數并對收信系統當前運行狀況進行評估和提供準確的故障分析診斷。彌補了短波收信系統監測手段缺乏的現狀，用戶界面友好，為運行參數的查詢和分析提供了良好平臺，為短波收信系統的管理提供了可靠有效的方法。