Page 149 - 《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 467

谱的平均准确率比 IMF 奇异谱熵高 0.96%。因此， [9] Cannata A, Montalto P, Aliotta M, et al. Clustering and
采用功率谱作为网络输入的分类效果相对更好。 classification of infrasonic events at Mount Etna using pat-
tern recognition techniques[J]. Geophysical Journal Inter-
4 结论 national, 2011, 185(1): 253–264.
[10] Thomas T, Marcel S, Alec V, et al. Robust snow
avalanche detection using supervised machine learning
本文通过建立 CNN 模型和数据集完成模型训 with infrasonic sensor arrays[J]. Cold Regions Science and
练，实现化爆和地震的次声事件的分类识别。实验 Technology, 2015, 111: 60–66.
证明 CNN 的复杂特征提取能力能够简化传统方法 [11] 姜楠, 李夕海, 闫双卡, 等. 基于 IMF 分量比的次声信号特征
提取 [C]//国家安全地球物理系列 (十): 地球物理环境与国家
特征提取过程，同时能够提高分类识别结果。
安全, 西安: 西安地图出版社, 2014.
自然界中次声源种类繁多，次声事件不局限于 [12] 杨婷婷, 李夕海, 康志谦, 等. 基于模态分解和奇异谱熵的次
化学爆炸和天然地震两种。深度学习具有处理多分 声信号分类对比分析 [C]//国家安全地球物理 (十三): 军民融
合与地球物理, 西安: 西安地图出版社, 2017.
类问题的优势，要实现多类次声事件的分类识别，
[13] 明舒晴. 地灾次声信号特征提取与聚类研究 [D]. 北京: 中国
需要建立一个不同类型 (核爆、天然地震、化学爆 地质大学 (北京), 2018.
炸、矿山爆炸、火箭发射等) 的数据库。下一步工作 [14] 邢开颜. 地灾次声信号的分类识别 [D]. 北京: 中国地质大学
(北京), 2018.
中，将搜集更多类型的次声事件数据，并探究适宜次
[15] 吴涢晖, 邹士亚, 庞新良, 等. 应用支持向量机和人工神经网络
声数据的数据增强方法，选用更适合多分类的神经 对大气次声信号识别的初步实验 [J]. 应用声学, 2020, 39(2):
网络模型进行训练，完成多类次声事件的分类识别 207–215.
工作。 Wu Yunhui, Zou Shiya, Pang Xinliang, et al. Experimen-
tal study on atmospheric infrasound signal recognition us-
参 考 文 献 ing SVM and ANN[J]. Journal of Applied Acoustics, 2020,
39(2): 207–215.
[1] 张利兴. 禁核试核査技术导论 [M]. 北京: 国防工业出版社, [16] Ren S, He K, Girshick R, et al. Faster R–CNN: to-
2005. wards real–time object detection with region proposal net-
[2] 刘俊民, 唐伟, 王晓明, 等. 次声信号产生机理与特性分析 [J]. works[J]. IEEE Transactions on Pattern Analysis & Ma-
环境工程, 2010, 28(4): 92–96. chine Intelligence, 2017, 39(6): 1137–1149.
Liu Junmin, Tang Wei, Wang Xiaoming, et al. Analysis [17] Krizhevsky A, Sutskever I, Hinton G. ImageNet classifi-
of mechanism to produce infrasound signals and its char- cation with deep convolutional neural networks: advances
acteristics[J]. Environmental Engineering, 2010, 28(4): in neural information processing systems[M]. Lake Tahoe:
92–96. MIT Press, 2012.
[3] Fredric M H, Ishwarya I, Bereket M H, et al. A neurocom- [18] 吕永标, 赵建伟, 曹飞龙. 基于复合卷积神经网络的图像去噪
puting approach for monitoring Plinian volcanic eruptions 算法 [J]. 模式识别与人工智能, 2017, 30(2): 97–105.
using infrasound[J]. Procedia Computer Science, 2012, 13: Lyu Yongbiao, Zhao Jianwei, Cao Feilong. Image de-
7–17. noising algorithmbased on composite convolutional neu-
[4] 郑毅, 李鹏, 耿娜, 等. 核爆炸监测技术概论 [M]. 北京: 国防 ral network[J]. Pattern Recognition and Artificial Intelli-
工业出版社, 2019. gence, 2017, 30(2): 97–105.
[5] 刘伟, 程先友, 郑毅. 次声波估算大气层核爆参数的计算方法 [19] 郝春月, 郑重, 张爽. 玉树地震前后当地的噪声变化研究 [J].
综述 [J]. 核电子学与探测技术, 2012, 32(4): 458–461. 地球物理学进展, 2012, 27(6): 2418–2428.
Liu Wei, Cheng Xianyou, Zheng Yi. Summary of calcula- Hao Chunyue, Zheng Zhong, Zhang Shuang. Research
tion method for evaluating atmospheric explosion param- about noise variation around YUS station before and after
eter using infrasound[J]. Nuclear Electronics & Detection the Yushu Earthquake[J]. Progress in Geophysics, 2012,
Technology, 2012, 32(4): 458–461. 27(6): 2418–2428.
[6] 程先友, 青建华, 庞新良. 核爆次声监测技术的研究现状 [20] 胡广书. 数字信号处理—理论, 算法与实现 [M]. 北京: 清华大
与技术可行性分析 [J]. 核电子学与探测技术, 2013, 33(4): 学出版社, 1997.
455–457. [21] 隗永刚, 杨千里, 王婷婷, 等. 基于深度学习残差网络模型的
Cheng Xianyou, Qing Jianhua, Pang Xinliang. Analysis 地震和爆破识别研究 [J]. 地震学报, 2019, 41(5): 646–657,
of the study actuality and technical feasibility for nuclear 680.
explosion infrasound monitoring[J]. Nuclear Electronics & Wei Yonggang, Yang Qianli, Wang Tingting, et al. Earth-
Detection Technology, 2013, 33(4): 455–457. quake and explosion identification based on deep learning
[7] 张朋. 数据挖掘中聚类分析算法的研究与改进 [D]. 无锡: 江 residual network model[J]. Acta Seismologica Sinica, 2019,
南大学, 2016. 41(5): 646–657, 680.
[8] Chilo J, Jabor A, Liszka L. Filtering and extracting fea- [22] Lecun Y B L. Gradient–based learning applied to doc-
tures from infrasound data[C]. Ieee-Npss Conference on ument recognition[J]. Proceedings of the IEEE, 1998,
Real Time, IEEE Comeputer Society, 2005: 448–452. 11(86): 2278–2324.