Page 179 - 《应用声学》2023年第4期

第 42 卷 第 4 期 彭任华等： 利用深度神经网络实现分布式相干瑞利光纤振动事件分类 841


3 3 h w֒b (ξ)
2 a  W 4 5
1 W W c 
W 2 4
ξ  a  a 
3 
a  h w֒b (ξ)
5
c 
2 4
ξ  a  a 
3 
a  5 h w֒b (ξ)
c 
2 a 4
s 
a s 
ξ s  s  h w֒b (ξ)
3
c 5
a s  s 
b 1 b 3
b 2
b 4
+1 +1 +1 +1
L 1 L 2 L 3 L 4 L 5
图 10 5 层神经网络结构图
Fig. 10 Architecture of five layers deep neural network
3.4 实验结果与分析 数为s 3 = 500，第四层网络节点个数为s 4 = 300，输
利用采集的实际光纤传感振动信号以及对应 出层网络节点个数为 s 5 = 9。网络训练过程采用的
的作业类型，提取相应的输入信号特征向量以及目 批处理大小为 128，网络优化损失函数为交叉熵损
标向量构造数据样本，所有的样本数据按照样本数 失函数。
量 7 : 3 比值大小随机地分配为训练数据集以及测
3.4.1 光纤振动信号识别率
试数据集。本文利用梅尔对数频率的非均匀特性提
取了 25 维单帧信号特征量，并利用连续 40 帧组成 测试数据集上分类识别结果如表 2 所示。表 2
包括时变信号特性的高维特征向量，对数频带个数 中每一行表示某一种振动作业类型识别为其他振
B 设置为 B = 25，连续帧个数 P 设置为 P = 40，对 动作业类型的概率：对角线元素表示每种振动作业
应的全连接深度网络输入信号维度 s 1 = 1000，第 类型的识别准确率，非对角线元素表示不同作业之
二层网络节点个数为 s 2 = 800，第三层网络节点个 间的错误识别率。

表 2 神经网络振动信号分类识别结果件类型明细
Table 2 Vibration events classification results of neural network
(单位: %)
背景噪声 铲车推土 车辆行走 定向钻孔 机械挖掘 机械破锤 人工锄地 压路行走 重车行走
背景噪声 81.68 0.08 17.69 0.11 0.25 0.02 0.14 0.02 0.01
铲车推土 4.40 70.50 8.15 4.73 7.17 4.81 0.08 0.16 0.00
车辆行走 11.81 0.08 86.61 0.08 1.28 0.03 0.09 0.03 0.00
定向钻孔 0.95 0.59 0.48 97.61 0.09 0.24 0.02 0.02 0.00
机械挖掘 0.88 0.19 8.66 0.05 89.77 0.09 0.24 0.07 0.04
机械破锤 0.74 1.79 1.48 1.48 0.70 93.61 0.08 0.12 0.00
人工锄地 1.60 0.02 1.60 0.02 0.59 0.12 95.94 0.07 0.05
压路行走 8.75 0.14 13.74 0.07 5.34 0.64 0.28 70.96 0.07
重车行走 6.94 0.00 0.69 0.00 1.74 0.00 1.22 0.00 89.41

从表 2 中可以看出：对于人工锄地以及定向钻 路行走识别准确率大于 70%。铲车推土以及压路行
孔这两种振动作业，本文实现了 95% 以上的识别准 走识别准确率偏低分析原因可能是这两类振动作
确率；对于车辆行走、机械挖掘、机械破锤以及重车 业与车辆行走通过管道光纤模式类似，这也可以从
行走，本文实现了 90% 附近的识别准确率；对背景 这两类振动作业识别错误结果集中在车辆行走中
噪声的识别准确率大于 80%；对于铲车推土以及压 看出。