Page 18 - 《应用声学》2024年第6期

1194 2024 年 11 月

进行了分析。孟子轩 [13] 在此基础上采用基于非负
0 引言
矩阵分解的特征提取方法，自动挖掘目标信号的隐
含结构，后通过支持向量机和卷积神经网络进行分
次声是指频率低于 20 Hz 的声波，具有能量衰
类实验，对 4 类小样本次声信号数据进行分类实验，
减小、穿透能力强、传播距离远的特点 [1] 。地震、泥
取得了 83.13% 的平均识别准确率。近年来，随着数
石流、闪电、火山爆发等自然活动，化学爆炸、火
箭发射等人类活动的发生过程中，都会伴随着低频 据科学研究的深入，小样本成为人工智能领域绕不
开的问题，学者们提出了多种方法尝试解决该问题，
次声信号的产生。利用次声对上述事件进行监测，
基于度量的元学习方法就是解决小样本问题的重
对灾害预防和国防安全具有重要意义。次声信号
要突破。基于度量的元学习方法通过学习相似性度
分类作为次声事件监测的重要组成部分，是次声领
量来 “学习” 学习策略。由于其具有鲁棒性强、学习
域研究的重点。区别于其他领域的信号识别，低频
速度快、可解释性强等优点，在许多现实世界的应
次声信号易受环境风等背景噪声的影响，分类难度
用中具有很高的实用价值。
较大，同时次声事件样本稀缺，难以应用基于大规
现有的小样本次声信号分类方法大多需要对
模样本的分类模型。因此，次声信号分类识别研究
次声信号进行时域、频域或时频域特征分析。时域
的难点在于小样本的前提下，提高次声事件的识别
上采集到的次声信号常包含大量的背景噪声，频域
准确率。
上多数次声事件的频率集中在5 Hz 以下，目标次声
在次声信号小样本分类识别研究的开始，研究
信号与噪声信号在低频窄带中混叠严重，因此对次
人员主要应用信号分析处理方法，对次声信号的时
声信号的特征分析都需要进行大量的工作。采用简
域和频域进行特征分析，提取区分度明显的次声信
单的卷积神经网络对次声信号进行编码，虽然可以
号特征进行分类。1998 年，Huang 等 [2−3] 提出了经
深度挖掘次声信号的特征，避免了特征分析的过程，
验模态分解算法，引入希尔伯特谱分析，成为后来次
但是深度学习的方法常需要大量的样本，小样本的
声信号特征分析的主要方法，推动了次声信号识别
次声信号并不能满足该条件。
的发展。2007 年，Chilo 等 [4] 使用离散小波变换、连
针对以上问题，本文提出了一种应用原型度量
续小波变换的时间尺度谱结合倒谱系数、峭度等对
的小样本次声信号分类方法，将原型网络 [14] 引入
车辆、爆炸、关门声、陨石产生的次声信号进行了特
次声信号分类模型中，将深度学习中的长短期记忆
征提取，并用 BP 神经网络进行分类，比较了 3 种特
(Long short-term memory, LSTM) [15] 模型与原型
征提取技术的优劣。Ham 等 [5] 利用倒谱系数作为
网络相结合，作为原型网络的编码单元，解决了可变
特征，结合神经网络的方法对火山、火箭发射、大风
时长次声信号编码问题，避免了复杂的特征分析过
等次声事件信号进行了分类实验。Liu等 [6] 、Li等 [7]
程。通过编码计算次声信号的嵌入表示，进一步计
针对泥石流等地质自然灾害产生的次声信号，应用
算每类次声信号的原型表示，即各类次声信号的类
小波变换、希尔伯特黄变换，结合 BP 神经网络和支
中心。采用欧几里得距离度量和余弦相似度度量的
持向量机等识别算法，在特定的数据集上具有较高
方式，计算次声信号编码后的嵌入表示与各类次声
的识别准确率。胡志华等 [8] 在经验模态分解的基础
信号的原型表示 (类原型) 的度量距离，进一步地对
上采用集成经验模态分解的方法，将分形盒维数作
次声信号样本进行预测。在小样本次声信号的情况
为特征，对不同的类型的泥石流次声信号进行了研
下，有效提高了次声信号的识别准确率。
究。近年来随着深度学习方法在模式识别领域的优
异表现，也有学者应用深度学习的方法对次声信号
1 分类模型构建
分类进行了研究，吴涢晖 [9−10] 针对次声数据少的
问题，采用生成对抗网络生成一批伪次声信号，扩充 分类模型的构建主要包括基于 “演绎法” 的规
了数据集，同时将次声信号时频图送入卷积神经网 则 (专家) 系统与基于 “归纳法” 的机器 (统计) 学习
络，取得了很好的识别效果。谭笑枫等 [11] 则是采用 系统两类。基于 “演绎法” 的规则 (专家) 系统，如支
一维卷积神经网络的方法对次声信号的Welch功率 持向量机等，需要进行复杂的特征分析，提取区分度
谱进行了分析和研究。戴翊靖等 [12] 采用 Fisher 检 明显的次声信号特征，使次声信号分类研究变得复
测和非负矩阵分解的方法对火箭发射的次声信号 杂。因此本文考虑采用基于“归纳法”的机器(统计)