Page 134 - 应用声学2019年第4期

594 2019 年 7 月

其中识别率 =(测试集中正确分类样本数)/测试集 少 7%；采用多模态深度学习方法在同样数据集下，
总样本数。 分类识别率又优于单一模态的深度学习方法，识别
率提升至少9%，误差率只有9.4%。
表 1 识别率比较
通过表 1 和表 2 的比较可以看出，在不同的训
Table 1 Comparison of recognition rate
练-测试比条件下，深度学习模型的分类识别率均优
一维时域数据集 二维声谱图集 于 SVM 模型，而多模态深度学习模型的分类识别
SVM 73.2% 78.2% 率又优于单一模态的深度学习模型；此外，随着训练
CNN — 85.4% 测试比变大，四类分类模型的识别率均下降，这是由
LSTM 87.2% — 于训练样本量降低所导致的。
多模态深度学习模型 96.4% 实验二：测试集信噪比实验
为了验证本文提出的多模态识别方法的鲁棒
由表 1 可以看出，深度学习方法分类识别率均
性，改变测试样本的信噪比，通过识别率的变化判
比传统的机器学习方法高，采用 SVM 对一维数据
断模型的鲁棒性。实验一中，给出了训练集 [12 dB,
集和二维数据进行分类识别的精度分别为 73.19%
0 dB, −6 dB,−12 dB]：测试集[6 dB] = 4 : 1时的识
和 78.23%，而采用 CNN 对二维频谱数据集测试的
别率，如表1所示。表3给出了训练集 [12 dB, 6 dB,
精度达到 85.36%，采用LSTM网络对一维时域数据
0 dB, −12 dB]：测试集[−6 dB] = 4 : 1时的识别率，
集的分类精度达到 87.17%，即采用单一模态深度学
表 4 给出了训练集 [12 dB, 6 dB, 0 dB, −6 dB]：测
习模型的分类识别精度比传统机器学习方法提升
试集 [−12 dB] = 4 : 1 时的识别率结果。其中，测试
至少 7%；采用多模态深度学习方法在同样数据集
集的信噪比依次下降6 dB。实验中参数与实验一基
下，分类识别率又优于单一模态的深度学习方法，识
本一致。
别率提升至少8%，误差率只有3.65%。
训练 [12 dB, 0 dB, −12 dB]：测试比 [−6 dB, 表 3 识别率比较
6 dB] = 3 : 2 时，样本制作方法与训练测试比为 Table 3 Comparison of recognition rate
4 : 1时样本制作方法一致，即一维时域信号Dataset
一维时域数据集 二维声谱图集
训练集样本为 18000，测试集样本为 12000，训练样
SVM 71.5% 73.7%
本与测试样本比例为 3 : 2，二维频谱 Dataset 训练
CNN — 81.3%
集总样本数为 32004，测试集样本数为 21336，测试
LSTM 85.4% —
样本与训练样本比例为 3 : 2。四种分类识别方法的 多模态深度学习模型 92.6%
参数与训练测试比为 4 : 1 时分类方法参数基本一
致，不同之处在于，在测试比为 3 : 2 时，SVM 惩 表 4 识别率比较
罚因子为 54。该训练 -测试比条件下的结果如表 2 Table 4 Comparison of recognition rate
所示。
一维时域数据集 二维声谱图集
表 2 识别率比较 SVM 63.2% 64.3%
Table 2 Comparison of recognition rate CNN — 77.4%
LSTM 77.8% —
一维时域数据集 二维声谱图集
多模态深度学习模型 88.5%
SVM 63.5% 65.7%
CNN — 80.3%
通过表 3 和表 4 结果可以看出，随着测试样本
LSTM 81.4% —
的信噪比降低，单一模态深度学习模型识别率依然
多模态深度学习模型 90.6%
优于 SVM 模型，多模态深度学习模型识别率优于
由表 2 可以看出，深度学习方法分类识别率均 单一模态深度学习模型；随着测试集信噪比的降低，
比传统的机器学习方法高，采用单一模态深度学习 四种分类模型的识别率均下降，其中，SVM 模型的
模型的分类识别精度比传统机器学习方法提升至 识别率下降最为剧烈，从 6 dB 到 −12 dB，下降最