Page 24 - 《应用声学》2024年第6期
P. 24

1200                                                                                2024 年 11 月


             代,识别准确率可达99.07%,且未出现过拟合,模型                        度的方式。该次声信号分类器具有较快的收敛速度,
             效果显著。                                             同时消耗较少的计算资源。对 LOTIS 数据集进行
                 结合表 4、图 5 与图 6,可以确定最优的应用原                     100次分类实验 (1 次分类实验指划分训练集和测试
             型度量方法的次声信号分类器,编码单元采用 3 层                          集后,经过训练集训练后的模型对测试集进行一次
             隐层层数,128 维隐层维度,度量单元采用余弦相似                         分类),该分类器可实现97.96%的平均识别准确率。


                                                                                                   30
                         AGW  22   13     0     0       25         AGW  32     1     0     2       25

                         MAW  4    29     0     0       20         MAW  6     27     0     0       20
                      ᄾࠄಖኤ                              15       ᄾࠄಖኤ                              15

                         MB
                                                                   MB
                                                8
                                    0
                                          12
                             0
                                                                               0
                                                                        0
                                                                                           0
                                                                                     20
                                                        10
                                                                                                   10
                                                        5                                          5
                         VE  4      3     2     11                 VE   4      0     0     16
                                                        0                                          0
                           AGW    MAW    MB     VE                    AGW    MAW    MB     VE
                                     ᮕ฾ಖኤ                                       ᮕ฾ಖኤ
                                  (a) ᤖ̽൓஝=0                              (b) ᤖ̽൓஝=5000
                                                                                                   35
                                                        30
                         AGW  33   0      0     2                  AGW  35    0      0     0       30
                                                        25
                                                                                                   25
                         MAW  4    32     0     0       20         MAW  0     33     0     0       20
                      ᄾࠄಖኤ                              15       ᄾࠄಖኤ                              15
                         MB
                                                0
                                         20
                                   0
                            0
                                                        10         MB  0      0      20    0       10
                         VE  3     0      0     17      5          VE  1      0      0     19      5
                                                        0                                          0
                           AGW    MAW    MB     VE                    AGW    MAW    MB     VE
                                     ᮕ฾ಖኤ                                       ᮕ฾ಖኤ
                                 (c) ᤖ̽൓஝=7500                            (d) ᤖ̽൓஝=10000
                                          图 7  不同迭代次数 LOTIS 测试集结果混淆矩阵
                                         Fig. 7 Confusion matrix of LOTIS test dataset

             2.3 实地采集次声数据分类结果及分析                               结构,即分类器编码单元采用 3 层隐层、128 维隐
                 本文使用的实采数据集是通过实地布阵自行                           层维度的 LSTM 模型,度量单元采用余弦相似度
             采集的次声时域信号。与LOTIS 数据集不同,实采                         的方式。
             数据集包含的 4 类次声信号数据,均为可变时长的
                                                                         表 5   实采训练集、测试集划分
             次声信号。在实地采集的数据集中进行应用本文提
                                                                  Table 5 The training set and test set di-
             出的次声信号分类方法,更加具有工程上的实际意
                                                                  vision of self-datasets
             义,可以充分验证该方法对于其他各类可变时长次
             声信号分类的泛化能力。实采数据集训练集、测试                                    爆炸次声     地震次声     闪电次声       火箭再入
                                                                       信号 (EP)  信号 (EQ)  信号 (LT) 次声信号 (RE)
             集划分如表5所示。
                                                                训练集       12       15       80        7
                 在 2.1 节,通过对 LOTIS 数据的分类实验,确
                                                                测试集       5        7        35        3
             定了应用原型度量方法的次声信号分类器的最
                                                                 总计       17       22      115        10
             优模型结构,对实采数据集将继续使用这种模型
   19   20   21   22   23   24   25   26   27   28   29