Page 22 - 《应用声学》2024年第6期

1198 2024 年 11 月

表 2 LOTIS 训练集、测试集划分
2 分类实验与结果分析 Table 2 The training set and test set di-
vision of LOTIS
在实验开始前需对次声数据进行预处理，包括
高通滤波滤除低频噪声，分帧进行短时傅里叶变换。 大气重力波 山体相关次声 微气压相关次声 火山爆发次声
本文使用的数据集中训练集与测试集的比例为 7:3， (AGW) (MAW) (MB) (VE)
训练集 80 77 47 45
在训练时采用四折交叉验证的方式进行模型选择。
测试集 35 33 20 20
识别分类实验包括两部分，分别是公开次声事件数
总计 115 110 67 65
据集的分类识别实验和实地采集的次声事件数据
集的分类识别实验。在应用原型度量进行次声信号
表 3 欧式距离度量
分类时，除需要确定原型网络编码单元 LSTM 的相 Table 3 Euclidean distance
关参数外，还需要考虑度量计算单元的度量函数的
(单位: %)
选择。本文比较了以欧几里得距离和余弦相似度为
隐层维度
度量计算单元的次声信号分类效果以及训练阶段 隐层层数
32 64 128 256
损失函数的收敛速度，以确定度量计算单元的度量
1 67.54 74.12 75.36 77.35
函数的最终选择。
2 69.16 73.29 86.11 88.52
2.1 实验次声数据来源 3 79.58 92.62 98.32 98.67

本文实验采用的数据有两个，分别为开源的 4 89.44 95.27 97.89 93.47
典型次声事件信号库 (Library of typical infrasonic 5 92.32 96.49 91.65 88.90
signals, LOTIS) [17] 和实地布阵采集的次声信号。 6 91.89 95.58 87.53 82.43
LOTIS 数据集包括极光引发的大气重力波 7 92.17 96.05 88.26 84.88
(Atmosphere gravity wave, AGW)115 条、山体相
表 4 余弦相似度度量
关次声 (Mountain associated wave, MAW)110 条、
Table 4 Cosine similarity
微气压相关次声 (Microbaroms, MB)67 条、火山爆
发产生的次声(Volcanic eruption, VE)65 条，4类次 (单位: %)
声信号数据。 隐层维度
隐层层数
实采数据集是由次声监测台阵采集到的次声 32 64 128 256
时域信号，包括爆炸次声信号 (Explosion, EP)17 1 68.71 74.55 74.68 76.53
条、地震次声信号 (Earthquake, EQ)22 条、闪电 2 68.46 74.49 84.08 87.62

信号 (Lighting, LT)115 条、火箭再入信号 (Rocket 3 79.17 90.15 97.96 97.54
re-entry, RE)10条。 4 88.38 96.45 98.15 90.77
5 91.41 96.37 93.39 89.52
2.2 LOTIS数据集分类结果及分析
6 91.92 95.67 85.47 83.63
LOTIS作为公开数据集，数据集中同类次声事
7 90.11 96.18 87.62 81.28
件样本的长度是一致的，这里对LOTIS数据集进行
实验，主要目的是利用拥有更多数据的数据集，确定 LOTIS 数据集次声分类实验主要对编码单元
最终的模型结构，随后在实采数据集中验证本方法 LSTM 的隐层层数以及隐层维度进行分析。根据
的泛化性能。LOTIS 数据集训练集、测试集划分如 表 3 和表 4 的实验结果，当编码单元 LSTM 的隐层
表2所示。 层数为 3 层及以上时，应用原型度量方法的次声信
编码单元 LSTM 不同的隐层层数以及隐层维 号分类器可以取得较好结果。编码单元LTSM的隐
度，在欧式距离度量单元和余弦相似度度量单元下 层维度为 32维时，分类效果远低于编码单元 LSTM
的平均识别准确率如表 3 和表 4 所示 (平均识别准 采用更高维度时的次声信号分类器，后续分析中不
确率为在相同条件下进行 100次分类实验后得到的 予考虑。当编码单元LSTM的隐层维度为256维时，
平均准确率)。 虽然取得较好的分类效果，但消耗了大量的计算资