Page 19 - 《应用声学》2024年第6期
P. 19
第 43 卷 第 6 期 赵子杰等: 应用原型网络的小样本次声信号分类识别方法 1195
学习系统构建分类模型。根据实际应用情况,针对 根据图1和表1,次声信号持续时间较长且持续
可变时长的次声信号构建四分类模型,模型应当解 时间不尽相同。采用传统方法的可变时长次声信号
决可变时长次声信号统一处理,对次声信号进行特 分类模型,主要有以下几个问题:(1) 对可变时长的
征编码和次声信号最终分类判别的问题。 次声信号,通常采用对数据进行截取的方法,得到相
1.1 次声信号概述 同长度的信号片段,进而进行后续操作,增加了数
据预处理阶段的工作量。(2) 次声信号通常是衰减
首先,激发次声事件的声源不同,导致次声信号
的,因此长时次信号的前后时间顺序关联的信息也
的持续时间,即长度也不相同。因此在次声事件分
类模型中应当考虑不同持续时间的次声信号,充分 是次声信号的一个重要特征,对信号进行截取,则会
利用每段次声信号包含的全部信息,避免截取次声 舍去这一关键特征,造成该类型样本识别率不高。
信号片段导致信息不全,从而影响识别准确率。不 针对上述问题,提出一种针对于可变时长次声
同类别的次声信号波形如图 1(a) 所示,时长如表 1 信号分类的模型结构,既可以无需考虑次声信号的
所示。 持续时间,一定程度上保留时间序列的前后关联的
此外,由于次声源、传输环境和传输距离的不 信息,也无需进行复杂的特征分析和特征提取过程。
同,接收到的次声信号的波形也不同,反映它们的频 第一个需求需要借助循环神经网络的优势,第二个
谱结构不同。同一类次声(化爆)的波形如图1(b)所 需求则通过原型网络对次声信号进行特征编码与
示。多数次声事件的频率在5 Hz以下。 度量计算。基于以上考虑,本文通过循环神经网络
表 1 次声信号持续时间 编码得到次声信号特征,应用原型网络的方法,构建
Table 1 Duration of infrasound signals 次声事件分类器。具体方法和模型结构将在 1.2 节
(单位: s) 进行说明。
类型 事例 1 事例 2 事例 3 事例 4
1.2 基 于 LSTM 和 原 型 网 络 的 次 声 事 件 分
地震 7 1.5 3 4
类模型
闪电 2 3 2.5 4
火箭再入 4 2 3 6 基于 LSTM 和原型网络的次声事件分类模型
爆炸 3.5 10 6 2 流程图如图2所示。
гК͈̃ 1 0 ྐཁ͈̃1 1 0
-1
0 5 10 15 20 25 30 35 40 45 50 -1 0 1 2 3 4 5 6 7 8 9 10
ᫎ/s ᫎ/s
᫅ႃ͈̃ 1 0 ྐཁ͈̃2 1 0
-1
0 1 2 3 4 5 6 7 8 9 10 11 12 -1 0 1 2 3 4 5 6 7 8 9 10
ᫎ/s ᫎ/s
༢ԧ࠱͈̃ -1 1 0 ྐཁ͈̃3 -1 1 0
5
40
20
60
0
ᫎ/s 80 100 120 140 0 1 2 3 4 ᫎ/s 6 7 8 9 10
ڡ͈̃ 1 0 ྐཁ͈̃4 1 0
-1
0 10 20 30 40 50 60 70 80 90 100 -1 0 1 2 3 4 5 6 7 8 9 10
ᫎ/s ᫎ/s
(a) पዝܦ͈̃ે፞ᫎ (b) ՏዝܦηՂે፞ᫎ
图 1 异类、同类次声事件持续时间比较
Fig. 1 Duration of infrasound signals