Page 246 - 《应用声学》2025年第1期

242 2025 年 1 月

为了验证本文数据增广算法的有效性，如表 5 据增广算法后，分类性能显著提升。从图 8 中可以
所示，本文对数据增广前后的 6∼9 种特征组合进行 看出：当特征组合数量从 3 增加到 6 时，分类性能大
了消融实验，并对算法的耗时情况进行了对比统计。 幅提升，且耗时增幅较小。然而，当特征数量达到 7
结果表明：在应用本文数据增广算法前，由于数据不 个及以上时，分类性能增益趋缓甚至略有下降，计算
均衡，4 种特征组合的分类效果极差；在应用本文数 开销增加，直接验证了本文算法的可行性。

a 255 15 21 9 a 272 10 16 2

b 25 227 35 13 b 16 259 15 10
ᄾࠄಖኤ ᄾࠄಖኤ

c 40 37 202 21 c 37 30 214 19

d 24 18 22 236 d 11 12 14 263

a b c d a b c d
ᮕ฾ಖኤ ᮕ฾ಖኤ
(a) 3መጸՌྲढ़ (b) 4መጸՌྲढ़

a 275 11 12 2 a 282 10 7 1

b 9 265 17 9 b 14 262 13 11
ᄾࠄಖኤ ᄾࠄಖኤ

c 35 22 227 16 c 22 14 244 9

d 8 12 11 269 d 8 11 8 273

a b c d a b c d
ᮕ฾ಖኤ ᮕ฾ಖኤ
(c) 5መጸՌྲढ़ (d) 6መጸՌྲढ़
图 7 3∼6 种特征最佳组合的混淆矩阵
Fig. 7 Confusion matrix for optimal combinations of 3 to 6 features
表 5 6∼9 种特征组合在增广前后的分类性能比较
Table 5 The comparison of classification performance before and after data augmentation
using six to nine feature combinations

特征组合 本文数据增广 P R F1 AUC 耗时/s
Jita、NHR、To、sAPQ、vAm、Fatr 0.313 0.359 0.333 0.587 0.09
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi 0.355 0.394 0.369 0.582 0.04
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi、Jitt 0.300 0.345 0.320 0.591 0.02
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi、Jitt、Tsam 0.322 0.380 0.347 0.589 0.03
√
Jita、NHR、To、sAPQ、vAm、Fatr 0.886 0.884 0.884 0.997 0.17
√
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi 0.889 0.888 0.888 0.976 0.17
√
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi、Jitt 0.885 0.883 0.883 0.976 0.21
√
Jita、NHR、To、sAPQ、vAm、Fatr、Fhi、Jitt、Tsam 0.895 0.894 0.894 0.982 0.21