Page 143 - 《应用声学》2021年第3期

第 40 卷 第 3 期 谭笑枫等： 基于一维卷积神经网络的化爆和地震次声分类 461

85%以上的信息，即q 需要满足 导过程严谨及通用性好的优点，是深度学习算法的
q / l 基础。
∑ ∑
用 BP 神经网络对次声信号进行分类识别，需
λ b λ b > 85%. (8)
b=1 b=1
要确定输入层、输出层和隐藏层节点数。输入层节
(4) 计算奇异谱熵：
点数 I 为输入信号特征的长度，输出层节点数 O 为
m
∑
E j = − p jb lgp jb , (9) 数据类别数，本文为实现地震和化爆分类识别，即
b=1 输出节点数为 2，隐藏层节点数根据经验公式 (10)
/ q
∑ 确定：
λ jb 表示在第 j 个IMF 分量的
其中，p jb = λ jb
√
b=1 (10)
第b个奇异值占全部奇异值的比重。 node = I + O + T,
本文使用 IMF 奇异谱熵前二维特征作为功率 其中，node为隐藏层节点数量，I 和O 分别为输入层
谱的对比特征，特征如图5所示。 和输出层的节点数量，T 为调节参数，取值范围为 1
至10。本文中 T 分别取值 1、4、10，当输入层为功率
1.6
ӑྐ 谱信号 (257 个点) 时，隐藏层节点数 node 分别取值
ڡ᭎
17、20、26。
1.4
IMF݉प៨྅ኄ̄፥ 1.2 2.2 LeNet-5 网络是 Lecun [22] 在 1998 年提出的经
LeNet5网络

典的 CNN，在手写体字符识别上效果显著。如图 6
1.0
所示，LeNet-5 网络总共分为 5 层，分别由两组卷积
层和池化层以及一个全连接层组成。卷积层完成特
0.8
0 0.5 1.0 1.5
征的提取工作，池化层通过下采样实现减少网络参
IMF݉प៨྅ኄʷ፥
数以减小计算量，全连接层能将学到的特征映射到
图 5 IMF 奇异谱熵特征示意图 样本标记空间，即起到 “分类器” 的作用。LeNet-5
Fig. 5 IMF singular spectural entropy feature di-
网络非常简单，卷积层数和参数相对较少，学习时间
agram
相对较快。作为一个十分成功的深度CNN模型，目
2 网络模型构建 前多个方面得到应用，例如在银行系统中用于识别
支票上的数字等。
2.1 BP网络 由于次声信号为一维数据，为适应次声数据处
BP 神经网络是 1986 年 Rumelhart 和 McClel- 理，在LeNet-5网络中，统一采用一维卷积核实现卷
land 等提出的，是一种基于误差逆传播算法训练的 积操作，即卷积层卷积核由5 × 5 改为1 × 5，池化层
多层前馈神经网络，用于前向多层神经网络的反向 由2 × 2改为1 × 2。以功率谱信号作为输入为例，并
传播学习算法，也是神经网络模型中应用最广泛且 将二维 LeNet-5 网络改变成一维卷积网络后，其网
最重要的一类学习算法。它具有理论依据坚实、推 络结构如图7所示。

Ԅሥ಩3: ྲढ़ڏ
Ԅሥࡏ1: ྲढ़ڏ 16@10f10 ෉ӑࡏ4: ྲढ़ڏ
ᣥК 6@28f28 ෉ӑࡏ2: ྲढ़ڏ 16@5f5
32f32
6@14f14 Лᤌଌࡏ:
120 Лᤌଌࡏ:
84
ᣥѣ10
A
෉ӑ
Ԅሥ Ԅሥ ෉ӑ

图 6 LeNet-5 网络结构
Fig. 6 LeNet-5 network structure