Page 197 - 《应用声学》2023年第3期
P. 197

第 42 卷 第 3 期              孟子轩等: 基于非负矩阵分解的次声信号分类方法                                           635


             量函数下,训练集上的分类准确率随字典原子个数                            降为一维信号,对于原始信号来说有较多的信息损
             的增加而增加,但是在测试集上,分类准确率随字典                           失,因此其识别的准确率并不高。在测试集上,采用
             原子个数增加呈下降趋势。这是由于原始信号中实                            NMF-SVM 进行分类的准确率最高,并且在字典原
             际上包含了目标次声信号与噪声成分,而次声信号                            子数较低时即取得了较好的结果。
             的频率低、频带窄,目标信号与噪声信号的频带混                                结果表明,对于次声分类这一小样本分类任务
             合严重   [7] 。当字典原子数较低时,其取值主要由目                      而言,采用过高维度的特征向量或过深的网络模型
             标信号决定;而当字典原子数较高时,其取值同时                            进行分类效果欠佳,很容易受到训练模型过拟合的
             受到噪声影响。因此当较高维度的特征向量输入分                            影响,因此应该采用较低维的特征向量与浅层的分
             类器后,产生了过拟合现象,识别准确率下降。对于                           类模型,以提高泛化能力,获得更好的分类性能。
             CNN 来说,其训练集上的准确率较高,但在测试集
             上效果并不好,平均准确率均在 70% 以下,这说明                         3 结论
             对于小样本的次声信号识别分类任务而言,采用较
                                                                   对于小样本的识别分类任务,其关键问题在于
             深度的复杂模型并不是一个理想的选择,其效果差
                                                               特征向量的设计。本文以严格标定的数据集为基础,
             于SVM分类器。
                                                               针对爆炸、地震、闪电和再入这4类次声信号的识别
                    表 2  不同距离度量函数下的分类结果                        分类问题,引入了 NMF 对次声信号进行特征提取,
                Table 2  Classification results under dif-      并分别使用 SVM 与 CNN 作为训练模型进行分类。
                ferent distance measurement functions          实验结果表明,NMF-SVM 在测试集上的平均准确
                                            (单位: %)            率可以达到 83.13%,在当前数据集上获得了最佳的
                                                               性能,是一种适用于次声信号识别分类的方法。
                                        采用分类器
                    距离度量函数
                                     SVM        CNN
                    欧几里得距离           80.41      66.25
                                                                              参 考 文        献
                    广义 K-L 散度        83.13      69.82
                       IS 散度         78.84      65.31
                                                                 [1] Pichon A L, Blanc E, Hauchecorne A. Infrasound monitor-
             2.3.3 实验结果分析                                          ing for atmospheric studies[M]. 2nd edition. Netherlands:
                                                                   Springer, 2019.
                 两组实验在测试集上的分类结果对比如图 8所                           [2] 吴涢晖, 邹士亚, 庞新良, 等. 应用支持向量机和人工神经网络
             示,图中增加了采用一维 CNN 对 HMS 特征进行分                           对大气次声信号识别的初步实验 [J]. 应用声学, 2020, 39(2):
             类的结果。从图 8 中可以看出,基于 HMS 的方法虽                           207–215.
                                                                   Wu Yunhui, Zou Shiya, Pang Xinliang, et al. Experimen-
             然提高了时频分析的分辨能力,但其特征提取的
                                                                   tal study on atmospheric infrasound signal recognition us-
             方式较为直接,采用幅值相加的方式将全部分量值                                ing SVM and ANN[J]. Journal of Applied Acoustics, 2020,
                                                                   39(2): 207–215.
                  100
                                                                 [3] Li M, Liu X, Liu X. Infrasound signal classification based
                                                  SVM
                                                  CNN              on spectral entropy and support vector machine[J]. Ap-
                   80                                              plied Acoustics, 2016, 113: 116–120.
                                                                 [4] 文雨迪. 小样本次声信号的模式分类研究 [D]. 北京: 中国科
                                                                   学院国家空间科学中心, 2019.
                  юᆸဋ/%                                          [5] 吴涢晖. 核爆次声检测信号处理技术研究 [D]. 北京: 军事科
                   60
                                                                   学院, 2020.
                   40
                                                                 [6] 谭笑枫, 李夕海, 刘继昊, 等. 基于一维卷积神经网络的化爆
                                                                   和地震次声分类 [J]. 应用声学, 2021, 40(3): 457–467.
                   20
                                                                   Tan Xiaofeng, Li Xihai, Liu Jihao, et al. Classification of
                                                                   chemical explosion and earthquake infrasound based on
                    0
                            HMS              NMF                   1-D convolutional neural network[J]. Journal of Applied
                                   ਫ਼ၹྲढ़                            Acoustics, 2021, 40(3): 457–467.
                                                                 [7] 戴翊靖. 基于非负矩阵分解的次声探测降噪技术研究 [D]. 北
                        图 8  两组实验分类结果对比
                                                                   京: 中国科学院声学研究所, 2021.
                Fig. 8 Comparison of classification results of two  [8] Guillamet D, Schiele B, Vitrià J. Analyzing non-negative
                groups of experiments                              matrix factorization for image classification[C]. Pattern
   192   193   194   195   196   197   198   199   200   201   202