Page 54 - 《应该声学》2022年第2期

222 2022 年 3 月

类器。为实现听觉谱特征的非线性分类，选取径向 4.2 融合特征确定
基函数作为核函数进行支持向量机的建模： 为进一步提高识别准确率，本文中把这 7 类
2 特征随机融合成为特征向量，输入到支持向量
f(u, v) = exp(−γ ∗ |u − v| ). (14)
机进行分类，每组特征向量进行 20 次试验，记录
其中，γ 为核参数，u 和 v 为径向基函数的输入向量。
下每次试验的识别准确率并求其平均值。经过
支持向量机中的惩罚因子 c 和核参数 γ 使用遗传算 ∑ 7 i
20 × C = 2540 次试验之后，得到识别准确
7
法寻优 [22] ，并使用五折交叉验证确定参数，遗传算 i=1
率随融合特征数目变化曲线，如图6所示。
法优化的支持向量机各项参数设置如表2所示。
由图 6 可知，融合特征后的煤矸识别准确率均
高于单个特征的识别准确率，且随着融合的特征数
表 2 遗传算法优化的支持向量机参数设置
目增加，识别准确率呈现先增加后减少的趋势。当
Table 2 Parameters setting of support
融合3 类特征时，识别准确率达到最大值为 97.64%，
vector machine optimized by genetic al-
此时融合的 3类特征分别为：听觉谱能量、功率熵和
gorithm
峭度。当融合的特征数目超过 3 个之后，识别准确
参数名称 参数值 率开始下降，这是由于当输入特征维度增加到一定
核函数 径向基函数 程度后，随着维度的增加，可能会引入原始听觉信号
最大进化代数 100 的一些次要关系、噪声和冗余信息，进而影响识别
最大种群数量 20
准确率。
交叉概率 0.4
变异概率 0.01 98
c 取值范围 0.1 ∼ 100
γ 取值范围 0.01 ∼ 1000 96
គѿድए/% 94
交叉验证 五折交叉验证

为验证提取的 7 类特征对垮落煤矸识别是否有
效，首先使用上述支持向量机对单个特征进行分类 92
识别试验，每类特征进行 20 次试验，记录下每次试
90
验的识别准确率并求其平均值，得到如表 3 所示的 1 2 3 4 5 6 7
单个特征平均识别准确率。 ᚸՌྲढ़஝᧚
图 6 识别准确率随融合特征数目变化曲线
表 3 单个特征的平均识别准确率
Fig. 6 Variation curve of recognition accuracy
Table 3 Average recognition accuracy for with the number of fusion features
a single feature
4.3 方法对比
特征名称 测试精度/% 为验证所提方法优越性，将本文所提方法
能量 90.36 (ASF) 与传统的基于时域、频域和时频域提取特
能量熵 88.07
征的方法进行比较。对比试验中，提取一类时域
能量矩 85.29
特征：峭度 (Kurtosis)；一类频域特征：谱质心
功率熵 83.86
(Spectral centroid, SC)；两类时频域特征：基于经
偏度 81.71
验模态分解的各固有模态分量的能量 (Spectrum
峭度 79.86
奇异值 72.00 energy of intrinsic mode function based on empir-
ical mode decomposition, SEI)、希尔伯特能谱熵
由表 3 可知，基于听觉谱提取的单个特征已经 (Hilbert spectral entropy, ESEH)；常用的声音识别
实现了较高的识别准确率，其中听觉谱的能量、能 特征：梅尔频率倒谱系数 (Mel-Frequency cepstral
量熵和能量矩识别准确率均在 85% 以上，证明听觉 coefficients, MFCC)、分形盒维数 (Fractal box di-
谱特征为有效识别特征。 mension, FBD)。各对比方法所使用训练集与测试