Page 148 - 《应用声学》2021年第3期

466 2021 年 5 月

1.4 分类效果最好。
ԔηՂ
IMFѬ᧚උ 计算以上四种输入特征基于测试集的四个评
1.2 IMF݉प៨྅
Ҫဋ៨ 价指标，结果如表2所示。
1.0 表 2 四种不同输入特征的分类评价指标
૯ܿϙ
0.8 Table 2 Classified evaluation index of four
different input characteristics

0.6
序号 输入 ACC/% FPR FNR HA
0.4 1 原信号 58.02 0.5250 0.2195 0.5906
0 4000 8000 12000
ᝫጷ൓஝/൓ 2 IMF 分量比 61.73 0.4250 0.3415 0.6139
3 IMF 奇异谱熵 78.78 0.2683 0.1475 0.7875
图 12 四种不同输入特征的训练损失
4 功率谱 82.72 0.2250 0.1463 0.8124
Fig. 12 Four different network structure training costs
表2中每个评价指标的最优值都以加粗的形式
1.0
表示。可以看出，Welch 功率谱特征的四项评价指
标均优于其他特征 (ACC、HA 最高，FPR、FNR 最
0.8
低)。相比第二名IMF奇异谱熵，Welch 功率谱测试
准确率提升了 3.94%，假阳性率降低了 4.33%，假阴
юᆸဋ 0.6 性率降低了 0.12%，HA 值提升了 2.49%。因此可以

得出，Welch功率谱特征作为输入时，分类识别测试
ԔηՂ
0.4
IMFѬ᧚උ 精度最佳。值得注意的是，原信号测试准确率只能
IMF݉प៨྅
Ҫဋ៨ 达到 58%，进行功率谱特征提取后，测试准确率能
0.2
0 4000 8000 12000 够达到 82%，上升了 24%，说明进行功率谱提取是
ᝫጷ൓஝/൓
必要的。
(a) ᝫጷюᆸဋ
为验证其稳定性，将 3.3.1 节中得到 20 个不同
1.0
的数据集中的样本信号分别提取上述三种特征，重
复上述实验方法，得到四类输入的实验结果，如
0.8
图 14所示。
юᆸဋ 0.6 1.0

0.8
0.4 ԔηՂ
IMFѬ᧚උ
IMF݉प៨྅
Ҫဋ៨
0.2 юᆸဋ 0.6
0 4000 8000 12000
0.4
ᝫጷ൓஝/൓
ԔηՂ
(b) ᰎ᝽юᆸဋ IMFѬ᧚උ
0.2
IMF݉प៨྅
图 13 四种不同输入特征的训练和验证准确率 Ҫဋ៨
0
Fig. 13 Four different network structure training 1 2 3 4 5 6 7 8 9 1011121314151617181920
and testing accuracy ஝૶ᬷᎄՂ
而使用功率谱特征作为网络输入时，训练损失 图 14 二十组数据集的四种特征的分类结果
都可以收敛到 0.5 以下，为四种特征最优，训练准 Fig. 14 The results of the classification of four
确率能够达到 84% 以上，验证准确率也能够保持在 features in twenty data sets
80%，精度要优于其他输入特征。综上所述，利用次 从图 14 中可以看出，功率谱和 IMF 奇异谱熵
声信号的功率谱特征作为神经网络的输入，得到的 的分类精度明显优于 IMF 分量比和原信号，而功率