Page 25 - 《应用声学》2024年第6期

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 1201

图 8 为一次分类实验后的结果示意图，图 8(a) 对于小样本次声信号分类存在的样本分布不
为测试集预测结果与真实标签的混淆矩阵，图 8(b) 均衡的问题应当予以考虑。由于闪电事件发生较
为测试集数据编码后的嵌入表示进行主成分分析 多，所以在实采数据集中，LT 的样本数远多于其他
降维后的二维散点分布。如图所示，EQ与其他 3 类 事件，使得训练集中的数据分布不均衡。分析实采
次声信号的有着明显区别，分析地震次声信号，其具 数据集分类实验，不均衡的 LT数据，并未造成严重
有持续时间长、能量高的特点，所以经过编码单元编 的过拟合问题，即EP、EQ、RE未被大量错判为LT。
码后的次声信号嵌入表示，与其他 3 类信号的嵌入 同时对 LT 数据集进行降采样 (即对数据进行抽样
表示有着较大的度量距离，因此可实现 100% 的识 实现各类样本数据均衡)，保证数据均衡后进行分
别准确率。分析图 8(b)，LT 与 EP 编码后的嵌入表 类实验，在测试集中的平均识别准确率为 95.45%，
示有明显的区分度，未出现相互错判的情况。由于 无明显提升。因此现有的 115 条 LT 导致的数据不
采集到的 RE 较少，用于计算 RE 原型的样本较少， 均衡问题，可以认为对次声信号的分类结果无显著
因此RE的次声信号原型表示未能与LT和EP的类 影响。
原型完全区分，会有将 LT和EP 错判为 RE的情况，
随着RE数据的增加，这种误判情况将有效减少。最 3 结论
后，对实采数据集进行100次分类实验，在测试集上
本文针对小样本条件下可变时长的次声信号
的平均识别准确率可达 95.36%。相较于孟子轩 [13]
的分类识别问题，结合 LSTM 模型提出了一种应用
提出的基于非负矩阵分解的次声信号分类方法，在
原型度量的次声信号分类方法。分别在公开的次
相同的数据集下，平均识别准确率有效提升了 10%
声信号数据集和实地采集的地震、爆炸、闪电、火
以上，充分证明本方法的优越性。
箭再入产生的 4 类次声信号进行分类实验，确定了
35
以 3 层隐层、128 维隐层维度的 LSTM 模型作为编
EP 3 1 0 1 30
码单元，以余弦相似度度量作为度量单元的次声信
25 号分类器，并在两个数据集中分别取得了97.96%和
EQ 0 6 1 0 20 95.36% 的平均识别准确率。实验证明，应用原型度
ᄾࠄಖኤ 15 量的次声信号分类识别方法简化了传统次声信号

LT 0 0 35 0 特征分析的过程，解决了可变时长次声信号的特征
10
提取问题，同时能够提高分类识别结果，取得了较好
RE 0 0 0 3 5 的泛化效果。
0
EP EQ LT RE
ᮕ฾ಖኤ
参 考 文 献
(a) ࠄ᧔஝૶ᬷʷ൓Ѭዝࠄᰎ฾តᬷፇ౧
1.5
[1] 童娜. 次声的特点及其应用 [J]. 声学技术, 2003, 22(3):
ྐཁ(EP) 199–202.
ڡ᭎(EQ)
1.0 ᫅ႃ(LT) Tong Na. Features and applications of infrasound[J].
༢኷гК(RE) Technical Acoustics, 2023, 22(3): 199–202.
[2] Huang N E, Shen Z, Long S R, et al. The empirical mode
0.5
decomposition and the Hilbert spectrum for nonlinear and
non-stationary time series analysis[J]. Proceedings Mathe-
0 matical Physical & Engineering Sciences, 1998, 454(1971):
903–995.
[3] Huang E, Shen S. 希尔伯特 -黄变换及其应用 [M]. 北京: 国
-0.5
防工业出版社, 2017: 4–15.
-6 -4 -2 0 2 4 6 [4] Chilo J, Jabor A, Liszka L, et al. Filtering and extracting
features from infrasound data[C]. IEEE-NPSS Conference
(b) ฾តᬷᬌ፥ՑᄊஙགѬ࣋
on Real Time. IEEE, 2005.
图 8 实采数据集分类结果 [5] Ham F M, Leeney T A, Canady H M, et al. An infra-
Fig. 8 Classification result of self-dataset sonic event neural network classifier[C]. IJCNN’99. Inter-