Page 147 - 《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 465

70% ∼ 85%。验证精度最高的是改进 CNN-5 网络， 表1中每个评价指标的最优值都以加粗的形式
能够达到 80%，改进 CNN-6 和改进 CNN-7 都能达 表示。从表 1 中可以看出，改进 CNN-5 网络的四项
到75%以上，精度明显高于其他网络。 评价指标均优于其他 (ACC、HA 最高，FPR、FNR
0.9 最低)。相比第二名改进 CNN-6 网络，改进 CNN-5
网络测试准确率提升了8.67%，假阳性率降低了5%，
0.8
0.7 假阴性率降低了 9.76%，HA 值提升了 7.22%。因此
0.6 可以得出，改进 CNN-5网络在七类网络中分类效果
юᆸဋ 0.5 最显著。
0.4
BP17 为验证改进 CNN-5 的稳定性，重复 1.1 节中生
0.3 BP20 成数据集的操作 20 次，得到 20 个不同的数据集，重
BP26
LeNet¹5
0.2 复上述实验方法，得到七类网络的分类实验结果，如
CNN¹5
CNN¹6
0.1
CNN¹7 图11所示。
0
0 4000 8000 12000 1.0
ᝫጷ൓஝/൓
(a) ᝫጷюᆸဋ 0.8
0.9
юᆸဋ 0.6
0.8
0.7
0.4 BP17
0.6 BP20
BP26
LeNet¹5
0.5
юᆸဋ 0.2 CNN¹5
CNN¹6
0.4
CNN¹7
BP17
0.3 0
BP20 1 2 3 4 5 6 7 8 9 10111213141516171819 20
BP26
0.2 LeNet¹5 ஝૶ᬷᎄՂ
CNN¹5
0.1 CNN¹6
CNN¹7 图 11 二十组数据集的七种网络的分类结果
0
0 4000 8000 12000 Fig. 11 The classification results of seven net-
ᝫጷ൓஝/൓ works in twenty datasets
(b) ᰎ᝽юᆸဋ
从图11中可以看出，改进CNN-5和改进CNN-
图 10 七类不同网络结构的训练和验证准确率 6 网络分类精度明显优于其他网络，而改进 CNN-5
Fig. 10 Seven different network structure training 网络平均测试准确率比改进 CNN-6 网络高 7.28%，
and testing accuracy
因此，改进CNN-5网络的分类效果相对更好。
计算七类不同网络结构关于测试集四个评价
3.3.2 相同网络和不同输入的实验结果分析
指标，结果如表1所示。
依次对原信号、Welch功率谱特征、IMF分量比
表 1 七类不同网络结构的分类评价指标 特征 [11] 和 IMF 奇异谱熵特征 [12] 进行归一化。四
Table 1 Classification evaluation index of 种不同输入特征的训练损失，训练和测试准确率如
seven different network structures 图12 ∼ 13所示。

通过图 12 ∼ 13 可以看出，原信号和 IMF 分量
序号 网络 ACC/% FPR FNR HA
比特征的训练损失最后保持在 0.65 左右，训练精度
1 BP(17) 56.79 0.5500 0.2439 0.5642
都在 65% 左右，验证精度在 60% 以下，说明网络能
2 BP(20) 55.55 0.4250 0.6341 0.4472
够对两类特征进行一定程度的训练，但分类结果不
3 BP(26) 58.02 0.3750 0.3415 0.6413
够理想。但进行 IMF 分量比特征提取后，损失函数
4 一维 LeNet-5 62.20 0.4634 0.3171 0.6010
收敛速度得到提高。
5 改进 CNN-5 82.72 0.2250 0.1463 0.8124
相比 IMF分量比，IMF 奇异谱熵的损失数值要
6 改进 CNN-6 74.07 0.2750 0.2439 0.7402
更低，收敛更快，训练准确率和验证准确率可以分别
7 改进 CNN-7 69.14 0.3750 0.2439 0.6843
达到79%和78%，比IMF分量比提高14%以上。