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
ᮕಖኤ ᮕಖኤ
(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
ᮕಖኤ ᮕಖኤ
(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