Page 25 - 《应用声学》2024年第6期
P. 25

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-
   20   21   22   23   24   25   26   27   28   29   30