Page 55 - 《应用声学》2020年第2期

第 39 卷 第 2 期 吴涢晖等： 应用支持向量机和人工神经网络对大气次声信号识别的初步实验 213

表 1 不同核函数的识别率
Table 1 Recognition rate of different kernel functions

特征向量维数 识别率 线性核 (linear) 多项式核 (poly) 高斯核 (rbf) 多层感知器核 (mlp)
训练识别率 0.623218 0.769857 0.820774 0.794297
2
测试识别率 0.483871 0.637097 0.653226 0.782258
训练识别率 0.594705 0.826884 0.885947 0.539715
4
测试识别率 0.411290 0.822581 0.701613 0.556452
训练识别率 0.657841 0.997780 0.981670 0.578411
8
测试识别率 0.508065 0.774194 0.814516 0.491935
训练识别率 0.682281 0.998360 0.999387 0.549898
16
测试识别率 0.501290 0.693548 0.822581 0.508065
训练识别率 0.720978 0.898620 0.878371 0.549898
32
测试识别率 0.616129 0.604839 0.602732 0.502976

3.3 结果分析 两个不同层节点之间的连接对应于一个通过该连
假设 n 是特征向量维数，m 是训练数据集的样 接信号的权值，相当于ANN 的记忆。网络的输出则
例个数，根据实验结果可知，当 n 比较小 (如 n = 2、 根据网络的连接方式、权值和激励函数的不同而不
4)、m 比较大 (如 m = 492) 时，m/n > 100，那么 同 [11−13] 。典型的单隐层ANN结构如图8所示。
一般需要增加特征，提高特征向量的维数，并且 ిϙ
x ిϙ
使用多项式核函数的 SVM 算法，来对识别性能进
x y 
行改善；如果 n 相对于 m 大小适中 (如 n = 8、16)，
x y 
20 < m/n < 100，可以使用高斯核函数的 SVM 算
x
Ā
法；如果n相对m来说比较大，m/n < 20，各种核函 y m
Ā
数的分类效果相差不大，但线性核函数参数少、速 xn Ā
度快，可以得到较高的运算性能。
ᣥКࡏ ᬥեࡏ ᣥѣࡏ
SVM 性能的优劣与特征向量的维数和核函数
的选取有很大关系，所以对于一个实际问题而言，需 图 8 ANN 结构图
要对不同的特征进行组合，在不同的特征空间中进 Fig. 8 Structure diagram of ANN
行分类识别，并选择合适的核函数来构造 SVM 算 4.2 次声事件识别
法。目前比较成熟的核函数及其参数的选择都是实
实验仍然采用上述数据集，神经网络选用 3 层
验人员根据自己的经验来选取的，带有一定的随意 结构的前馈网络模型，其输入层的节点个数和特征
性。而针对不同的问题，核函数应当具有不同的形 向量的维数一致 (8 个节点)，输出层为一个节点，输
式，所以在选取时候应该充分研究信号特征的物理 出结果为0 (表示输入为噪声数据)或1(表示输入为
意义，从而选取更加适合的核函数。 事件数据)。采用 tansig 函数作为激励函数，输出节

点为线性函数。在确定了输入层和输出层个数以及
4 基于ANN的次声事件识别 激励函数后，还需要确定其隐含层的节点个数，本文

采用经验公式 (10) 来初步确定隐含层节点数的大
4.1 ANN模型
概范围。
ANN 是模拟人脑对信息的处理方法而建立的
√
一种运算模型。它由输入节点、隐含节点、输出节 J = I + K + T, (10)
点 (相当于人脑神经元) 相互联接构成，对每个节点 其中，J 为隐含层节点个数，I 和K 分别为输入和输
的输入数据采用激励函数进行运算，输出运算结果。 出层节点数，T 为 1∼10 之间的常数。据此，选取隐