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
                  ༢኷ԧ࠱͈̃  -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
                  ڡ᭎͈̃  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) पዝ൓ܦ͈̃ે፞௑ᫎ                                 (b) Տዝ൓ܦηՂે፞௑ᫎ

                                             图 1  异类、同类次声事件持续时间比较
                                             Fig. 1 Duration of infrasound signals
   14   15   16   17   18   19   20   21   22   23   24