基于一維卷積神經(jīng)網(wǎng)絡(luò)的化爆和地震次聲分類*

譚笑楓 李夕海 劉繼昊 李廣帥 于曉彤

(火箭軍工程大學(xué) 西安 710025)

0 引言

作為國際監(jiān)測系統(tǒng)(International Monitoring System，IMS)四種技術(shù)中的一種，次聲波為有效監(jiān)測大氣層核試驗(yàn)以及地面或水面核爆炸提供了重要幫助[1-2]。次聲監(jiān)測技術(shù)同樣可以作為火山噴發(fā)、海嘯、天然地震等地質(zhì)災(zāi)害的重要監(jiān)測手段[3]。

次聲事件的監(jiān)測與識別研究應(yīng)用廣泛，是核爆探測、自然災(zāi)害預(yù)測、大氣環(huán)境研究、生物效應(yīng)等方面研究的重要組成部分[4-6]。次聲事件的監(jiān)測和分類識別工作往往是一起的，為提升核爆和地質(zhì)災(zāi)害的監(jiān)測能力，采取相應(yīng)措施從而正確識別次聲事件，是有效的途徑之一[7]。因此，開展次聲事件的分類研究，對于國家安全和地球物理研究具有重要意義。

20世紀(jì)50年代以來，關(guān)于次聲事件的分類任務(wù)，國內(nèi)外學(xué)者對此進(jìn)行了深入的探索，主要利用聲學(xué)信號處理理論，分別在時(shí)域頻域提取特征，進(jìn)而用于分類識別。然而，由于次聲的多徑效應(yīng)，導(dǎo)致原來的信號失真，或者產(chǎn)生錯(cuò)誤，分類識別率不高。為提高識別率，需要多特征、復(fù)雜特征進(jìn)行綜合識別。在國際上，Chilo 等[8]等指出小波變換是獲取次聲事件“指紋”的方式之一。Cannata等[9]成功運(yùn)用聚類、分類算法結(jié)合特征提取技術(shù)實(shí)現(xiàn)對意大利埃特納火山口的定位。Thomas 等[10]將分類算法和次聲陣列檢測法結(jié)合起來，對雪崩災(zāi)害實(shí)現(xiàn)預(yù)警，其預(yù)警錯(cuò)誤率可降至0.1。在國內(nèi)，姜楠等[11]提出將次聲信號的固有模態(tài)函數(shù)(Intrinsic mode function，IMF)的分量比作為特征，再采用支持向量機(jī)(Support veotor maohine，SVM)完成分類，可對天然地震、火箭發(fā)射、管道爆破進(jìn)行有效分類識別。楊婷婷等[12]將次聲信號模態(tài)分解(Empirical mode decomposition，EMD)后的奇異譜熵作為特征，采用最小二乘支持向量機(jī)(Least squares support vector machine，LSSVM)作為分類器，能夠?qū)瘜W(xué)爆炸和礦道爆炸完成較好分類識別。明舒晴[13]提出IMF 顯著頻率特征提取方法，采用聚類算法，實(shí)現(xiàn)對火山噴發(fā)、地震等3 類地災(zāi)次聲事件的有效分類。隨著人工神經(jīng)網(wǎng)絡(luò)的興起，復(fù)雜特征與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法逐漸應(yīng)用到了次聲事件的分類識別中，對于次聲事件識別效果的有效提高提供了幫助[14-15]。

盡管如此，由于多徑效應(yīng)以及不同類別次聲事件信號差異性表征的困難，直接利用現(xiàn)有數(shù)據(jù)進(jìn)行分類識別，會出現(xiàn)次聲信號特征聚集性不強(qiáng)、識別率不夠高的結(jié)果。為提高識別率，傳統(tǒng)分類方法需要進(jìn)行多步數(shù)據(jù)預(yù)處理工作提取出較優(yōu)的特征組合，并選擇合適的分類方法實(shí)現(xiàn)次聲事件的分類識別，這樣的信號處理過程相對復(fù)雜，這對次聲事件的分類工作提出了挑戰(zhàn)。針對這一問題，本文考慮引用深度學(xué)習(xí)(Deep learning)技術(shù)來解決。近年來，深度學(xué)習(xí)在人工智能計(jì)算上成效突出。作為深度學(xué)習(xí)的一種，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks，CNN)具備強(qiáng)大的特征提取和學(xué)習(xí)的能力，能夠提取到人工無法描述的特征，并完成分類識別，在數(shù)字識別、圖像分類與識別、噪聲去除等領(lǐng)域上都得到了很好的應(yīng)用[16-18]?；贑NN 強(qiáng)大的特征提取功能，本文將數(shù)據(jù)預(yù)處理過程簡化，提取簡單的特征作為CNN 的輸入，利用CNN 完成特征提取、模型訓(xùn)練和分類識別的工作。

本文利用Welch 功率譜變換進(jìn)行簡單的特征提取，采用改進(jìn)CNN 完成分類工作，并基于收集整理的包含815個(gè)化學(xué)爆炸(簡稱化爆)和天然地震(簡稱地震)次聲信號數(shù)據(jù)集，使用BP 網(wǎng)絡(luò)和一維LeNet-5網(wǎng)絡(luò)進(jìn)行分類對比分析。

1 數(shù)據(jù)集及預(yù)處理

1.1 建立數(shù)據(jù)集

由于條約組織有較多的次聲臺站用于獲取次聲信號，因此，本文統(tǒng)一使用從CTBTO官網(wǎng)上收集到的次聲信號數(shù)據(jù)進(jìn)行分析，選用信道為BDF格式的數(shù)據(jù)。其主要原因是基于其他信道格式(BD、SD)的數(shù)據(jù)量較少，提取到的特征參數(shù)不能夠充分表征次聲事件，也不利于分類判別時(shí)訓(xùn)練及測試樣本的構(gòu)造。針對BDF格式的數(shù)據(jù)具體操作如下：

步驟1 讀取從CTBTO 官網(wǎng)上下載的原始數(shù)據(jù)(.w文件)，尋找信道為BDF格式的數(shù)據(jù)；

步驟2 統(tǒng)一采樣頻率，將采樣頻率高于20 Hz的數(shù)據(jù)進(jìn)行重新采樣；

步驟3 將采樣點(diǎn)數(shù)不夠的數(shù)據(jù)進(jìn)行人為的補(bǔ)齊或去除；

步驟4 判斷提取到的臺站數(shù)據(jù)信息中有無重復(fù)成分，重復(fù)予以去除，不重復(fù)予以保留。

經(jīng)過上述步驟，得到次聲信號共2512 個(gè)，包含化爆次聲信號2107 個(gè)、地震次聲信號405 個(gè)，其中每個(gè)信號包含完整的事件，長度為3000 個(gè)點(diǎn)。為了保證數(shù)據(jù)平衡，采用降采樣的方法，從2107 個(gè)化爆次聲數(shù)據(jù)中隨機(jī)抽取410 個(gè)樣本，與405 個(gè)地震次聲數(shù)據(jù)組成815 個(gè)次聲信號的原始數(shù)據(jù)集。其中的化爆和地震次聲事件波形示意圖如圖1所示。

圖1 兩類次聲事件波形示意圖Fig.1 Two types of infrasound event waveform diagram

利用815 個(gè)次聲事件信號建立數(shù)據(jù)集。數(shù)據(jù)集包括訓(xùn)練集、驗(yàn)證集和測試集，分別用于網(wǎng)絡(luò)模型的訓(xùn)練、驗(yàn)證和測試。3個(gè)集合分別包含地震樣本和化爆次聲樣本。在保證訓(xùn)練集、驗(yàn)證集和測試集中兩類樣本數(shù)量大致相同的情況下進(jìn)行隨機(jī)抽取，按照訓(xùn)練集樣本數(shù)量占比80%、驗(yàn)證集和測試集樣本數(shù)量各占比10%，即三者比值為8:1:1建立數(shù)據(jù)集。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 提取功率譜特征

功率譜作為聲學(xué)信號分析的重要方法，表示了信號功率隨著頻率的變化關(guān)系，將其作為特征能夠更好地凸顯出地震和化爆信號的差異。本文采用Welch平均周期法[19]，對次聲事件原信號進(jìn)行功率譜估計(jì)。把信號長度為n的數(shù)據(jù)分成M段，其中每段長度為N(允許存在重疊的部分)，對每段信號分別完成功率譜計(jì)算，取其結(jié)果的平均值得到功率譜估計(jì)結(jié)果。根據(jù)經(jīng)驗(yàn)，采用漢寧窗代替矩形窗，用于解決旁瓣過大造成的功率譜的失真現(xiàn)象。每段功率譜可以表示為[20]

其中，n代表次聲信號采樣數(shù)據(jù)點(diǎn)數(shù)，U表示歸一化因子，目的是為使得到的功率譜為接近無偏估計(jì)。具體表示為

其中，d(n)為漢寧窗，因此，平均功率譜可以由式(3)表示：

可以把功率譜轉(zhuǎn)換為分貝表示[21]

通過上述方法，可以將次聲信號原始數(shù)據(jù)進(jìn)行功率譜估計(jì)。本文對信號進(jìn)行平均采樣，每段次聲信號x(n)為3000 個(gè)采樣點(diǎn)，將數(shù)據(jù)進(jìn)行分段處理。經(jīng)過功率譜計(jì)算后，就把3000 個(gè)點(diǎn)的時(shí)域次聲信號x(n)處理為頻率范圍在0-10 Hz 的功率譜值。圖2即表示化爆和地震次聲的Welch功率譜示意圖。

從圖2可以看出，化爆的功率譜值主要集中在0.3～0.6 之間，地震的功率譜值主要集中在0.35～0.65 之間，兩類事件的功率譜值在范圍和趨勢上存在差異。

圖2 Welch 功率譜示意圖Fig.2 Welch power spectrum diagram

將1.1 節(jié)建立的數(shù)據(jù)集中的次聲數(shù)據(jù)進(jìn)行Welch 功率譜估計(jì)特征提取，得到所有次聲信號樣本的功率譜特征。

1.2.2 提取IMF分量比特征

將次聲信號進(jìn)行EMD 分解，可以得到次聲信號的n階IMF分量和一個(gè)殘差量。計(jì)算每個(gè)IMF分量的能量，可以篩選出能量最大的前m個(gè)分量，m個(gè)分量的總能量大于等于整體能量的85%以上。將前m個(gè)分量的能量兩兩相比，可以得到一個(gè)新的特征向量，即IMF分量比[11]。

具體IMF分量比特征提取的步驟如下：

(1)將次聲信號進(jìn)行EMD 分解，得到n個(gè)IMF分量和1個(gè)殘差量；

(2)計(jì)算每個(gè)IMF分量的能量；

(3)將得到的能量值兩兩相比，得到IMF 分量比。

整個(gè)過程如圖3所示。

圖3 IMF 分量比特征提取和分類過程Fig.3 IMF component ratio feature extraction and classification process

圖4 IMF 分量比特征示意圖Fig.4 IMF component ratio feature diagram

1.2.3 提取IMF奇異譜熵特征

IMF 奇異譜熵就是將IMF 分量進(jìn)行相空間的重新構(gòu)建，獲得一個(gè)軌跡矩陣，然后對該矩陣進(jìn)行奇異值分解，按照一定條件選擇前m個(gè)最大值，計(jì)算奇異譜熵值。具體操作如下[12]：

(1)在(N -n+1)×n維的相空間中嵌入IMF分量cj(t)，得到軌跡矩陣：

其中，n代表嵌入向量的維數(shù)；N代表采樣點(diǎn)數(shù)；cji(t)為第j階IMF分量的第i個(gè)采樣值。

(2)計(jì)算Xj(t)的奇異值。Xj(t)可以被分解為兩個(gè)相互正交的矩陣U、V和一個(gè)對角矩陣Λ的乘積的形式(三個(gè)矩陣的維度分別為(N-n+1)×(N-n+1)、n×n和(N-n+1)×n)。所求的信號奇異值，即為Λ中主對角線上的元素λb，其個(gè)數(shù)l需要滿足公式

因此，可以得到奇異值分解的表達(dá)式：

(3)選擇特征維數(shù)?；诮稻S和信息量兩個(gè)角度綜合考慮，既要盡可能選擇少量的維度，又要保證保留較多的信息量。因此只選取前q個(gè)最大的對角矩陣的元素作為特征，但前q個(gè)元素需要包含信號85%以上的信息，即q需要滿足

(4)計(jì)算奇異譜熵：

本文使用IMF 奇異譜熵前二維特征作為功率譜的對比特征，特征如圖5所示。

圖5 IMF 奇異譜熵特征示意圖Fig.5 IMF singular spectural entropy feature diagram

2 網(wǎng)絡(luò)模型構(gòu)建

2.1 BP網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是1986年Rumelhart 和McClelland 等提出的，是一種基于誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，用于前向多層神經(jīng)網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法，也是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛且最重要的一類學(xué)習(xí)算法。它具有理論依據(jù)堅(jiān)實(shí)、推導(dǎo)過程嚴(yán)謹(jǐn)及通用性好的優(yōu)點(diǎn)，是深度學(xué)習(xí)算法的基礎(chǔ)。

用BP 神經(jīng)網(wǎng)絡(luò)對次聲信號進(jìn)行分類識別，需要確定輸入層、輸出層和隱藏層節(jié)點(diǎn)數(shù)。輸入層節(jié)點(diǎn)數(shù)I為輸入信號特征的長度，輸出層節(jié)點(diǎn)數(shù)O為數(shù)據(jù)類別數(shù)，本文為實(shí)現(xiàn)地震和化爆分類識別，即輸出節(jié)點(diǎn)數(shù)為2，隱藏層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式(10)確定：

其中，node為隱藏層節(jié)點(diǎn)數(shù)量，I和O分別為輸入層和輸出層的節(jié)點(diǎn)數(shù)量，T為調(diào)節(jié)參數(shù)，取值范圍為1至10。本文中T分別取值1、4、10，當(dāng)輸入層為功率譜信號(257 個(gè)點(diǎn))時(shí)，隱藏層節(jié)點(diǎn)數(shù)node 分別取值17、20、26。

2.2 LeNet5網(wǎng)絡(luò)

LeNet-5 網(wǎng)絡(luò)是Lecun[22]在1998年提出的經(jīng)典的CNN，在手寫體字符識別上效果顯著。如圖6所示，LeNet-5 網(wǎng)絡(luò)總共分為5 層，分別由兩組卷積層和池化層以及一個(gè)全連接層組成。卷積層完成特征的提取工作，池化層通過下采樣實(shí)現(xiàn)減少網(wǎng)絡(luò)參數(shù)以減小計(jì)算量，全連接層能將學(xué)到的特征映射到樣本標(biāo)記空間，即起到“分類器”的作用。LeNet-5網(wǎng)絡(luò)非常簡單，卷積層數(shù)和參數(shù)相對較少，學(xué)習(xí)時(shí)間相對較快。作為一個(gè)十分成功的深度CNN模型，目前多個(gè)方面得到應(yīng)用，例如在銀行系統(tǒng)中用于識別支票上的數(shù)字等。

圖6 LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 LeNet-5 network structure

由于次聲信號為一維數(shù)據(jù)，為適應(yīng)次聲數(shù)據(jù)處理，在LeNet-5網(wǎng)絡(luò)中，統(tǒng)一采用一維卷積核實(shí)現(xiàn)卷積操作，即卷積層卷積核由5×5 改為1×5，池化層由2×2改為1×2。以功率譜信號作為輸入為例，并將二維LeNet-5 網(wǎng)絡(luò)改變成一維卷積網(wǎng)絡(luò)后，其網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 一維LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 1-D LeNet-5 network structure

2.3 改進(jìn)的CNN

由于樣本本身數(shù)量有限，采用過于深層的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練容易導(dǎo)致過擬合的現(xiàn)象。本文采用淺層的CNN 作為研究對象，盡量精簡網(wǎng)絡(luò)結(jié)構(gòu)，達(dá)到較少的樣本也能實(shí)現(xiàn)深度學(xué)習(xí)的目的。選用網(wǎng)絡(luò)結(jié)構(gòu)較為簡單的LeNet-5神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)改進(jìn)。本文改進(jìn)之后的網(wǎng)絡(luò)結(jié)構(gòu)模型如圖8所示。

圖8 改進(jìn)CNN 網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Improved CNN network structure

如圖8(a)所示，改進(jìn)CNN-5網(wǎng)絡(luò)第一層卷積層輸入通道數(shù)為1、輸出通道數(shù)為128，卷積核大小為1×5，輸入和輸出數(shù)據(jù)大小都為1×257；第二層池化層輸入和輸出通道數(shù)均為256，輸入數(shù)據(jù)大小為1×257，輸出數(shù)據(jù)大小為1×129；第三層卷積層輸入通道數(shù)為128，輸出通道數(shù)為256，卷積核采用1×3、1×5、1×7三路卷積，輸入輸出數(shù)據(jù)大小都為1×129；第四層池化層池化層輸入和輸出通道數(shù)均為256，輸入數(shù)據(jù)大小為1×129，輸出數(shù)據(jù)大小為1×65；第五層為全連接層及分類器。

相比“LeNet-5”網(wǎng)絡(luò)，本文主要做了以下三個(gè)方面的改進(jìn)：

(1)改變卷積核參數(shù)，其中第一層卷積層保持不變，依舊采用1×5的大小，第三層運(yùn)用分路卷積、加權(quán)融合的思想，分別使用1×3、1×5、1×7 的卷積核，卷積結(jié)果分別乘以系數(shù)1/3，再將結(jié)果相加得到第三層卷積層特征圖，池化層統(tǒng)一使用1×2卷積核，采用最大池化方式；

(2)為提高網(wǎng)絡(luò)學(xué)習(xí)能力，增加卷積核種類，第一層卷積層和第二層池化層由6 種增加為128 種，第三層卷積層和第四層池化層由16 種增加為256種，第五層全連接層由120種增加為512種；

(3)卷積過程中對特征圖進(jìn)行邊界補(bǔ)零，保證特征圖卷積前后的大小保持一致，便于進(jìn)行分路卷積，加權(quán)融合操作。

如圖8(b)和圖8(c)所示，在改進(jìn)CNN-5網(wǎng)的基礎(chǔ)上，在第二層池化層和第三層卷積層之間，分別再加入1 至2 層卷積層作為比較，得到改進(jìn)CNN-6 和改進(jìn)CNN-7 網(wǎng)絡(luò)。其中添加的卷積層卷積核大小為1×5，種類數(shù)量為256種。

將1.2 節(jié)中每類數(shù)據(jù)集的信號作為網(wǎng)絡(luò)的輸入x，將化爆樣本標(biāo)注為1(正類)，將地震樣本標(biāo)注為0(負(fù)類)，并進(jìn)行one-hot 編碼，作為真實(shí)值y_，將經(jīng)過網(wǎng)絡(luò)的輸出值y作為預(yù)測值。網(wǎng)絡(luò)訓(xùn)練的目的就是讓訓(xùn)練集的預(yù)測值y的分布與真實(shí)值y_的分布盡可能保持一致，即y的分布與真實(shí)值y_的分布之間的差值盡量的小，可將二者差值定義為損失函數(shù)。本文采用交叉熵?fù)p失函數(shù)，并采用Adam 算法對網(wǎng)絡(luò)模型進(jìn)行基于梯度下降的優(yōu)化，使得參數(shù)更加平穩(wěn)。

此外，本文還采用了L2 規(guī)格化和50%的dropout 防止過擬合問題，使用滑動平均模型用于控制變量的更新幅度，使網(wǎng)絡(luò)結(jié)構(gòu)更穩(wěn)定。最后使用softmax 作為分類器，完成化爆和地震的分類。

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 評價(jià)指標(biāo)

如果神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值y與真實(shí)值y_相同時(shí)，那么認(rèn)為網(wǎng)絡(luò)能夠正確得識別出該類次聲事件。通過比較神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值y與真實(shí)值y_可以得到4 個(gè)統(tǒng)計(jì)量：Ture Positive (TP，真實(shí)值為1 且被網(wǎng)絡(luò)預(yù)測為1)、False Positive (FP，真實(shí)值為0 但被網(wǎng)絡(luò)預(yù)測為1)、False Negative (FN，真實(shí)值為1 但被網(wǎng)絡(luò)預(yù)測為0)、Ture Negative (TN，真實(shí)值為0且被網(wǎng)絡(luò)預(yù)測為0)?；赥P、FP、FN、TN四個(gè)統(tǒng)計(jì)量可以得到準(zhǔn)確率、假陽性率和假陰性率和調(diào)和平均數(shù)4 個(gè)評價(jià)指標(biāo)。利用以上4 個(gè)指標(biāo)可以根據(jù)實(shí)驗(yàn)結(jié)果對網(wǎng)絡(luò)準(zhǔn)確性和穩(wěn)定性進(jìn)行較為可靠的分析。

3.1.1 準(zhǔn)確率

準(zhǔn)確率(Accuracy，ACC)表示所有樣本被正確分類的比例，其公式表達(dá)為

其中，NTP表示真實(shí)值為1 的樣本被正確分類的數(shù)目，NTN表示真實(shí)值為0 的樣本被正確分類的數(shù)目，NFP表示真實(shí)為0 的樣本被錯(cuò)誤分類的數(shù)目，NFN表示真實(shí)為1 的樣本被錯(cuò)誤分類的數(shù)目。ACC的取值范圍為[0，1]，值越接近1，分類性能越好。

3.1.2 假陽性率

假陽性率(False positive rate，F(xiàn)PR)表示真實(shí)值為0 但被預(yù)測為1 的樣本數(shù)量在所有真實(shí)值為0的樣本中占的比例，其公式表達(dá)為FPR取值范圍為[0，1]，值越接近0，分類性能越好。

3.1.3 假陰性率

假陰性率(False negative rate，F(xiàn)NR)表示真實(shí)值為1 但被預(yù)測為0 的樣本數(shù)量在所有真實(shí)值為1的樣本中占的比例，其公式表達(dá)為

FNR取值范圍為[0，1]，值越接近0，分類性能越好。

3.1.4 調(diào)和平均數(shù)

當(dāng)存在極偏數(shù)據(jù)時(shí)，單獨(dú)使用FPR 和FNR 很難對整體的分類性能進(jìn)行客觀評價(jià)，需要使用一個(gè)兩者兼顧的指標(biāo)。調(diào)和平均數(shù)(Harmonic average，HA)是假陽性率FPR 和假陰性率FNR 的兼顧指標(biāo)，是1-FPR和1-FNR的平均數(shù)。HA值的性質(zhì)是，只有當(dāng)FPR和FNR 兩者都非常低的時(shí)候，它們的HA 值才會高，如果其中之一很低，HA 值會被拉得接近于那個(gè)很低的數(shù)。其公式表達(dá)為

HA取值范圍為[0，1]，值越接近1，分類性能越好。

3.2 實(shí)驗(yàn)設(shè)計(jì)

共設(shè)計(jì)兩組對比實(shí)驗(yàn)，即相同輸入和不同網(wǎng)絡(luò)的對比實(shí)驗(yàn)以及相同網(wǎng)絡(luò)和不同輸入的對比實(shí)驗(yàn)。

3.2.1 相同輸入和不同網(wǎng)絡(luò)

將Welch 功率譜作為第一類對比實(shí)驗(yàn)的輸入，BP 網(wǎng)絡(luò)(隱藏層節(jié)點(diǎn)數(shù)分別為17、20、26)、一維LeNet-5網(wǎng)絡(luò)和改進(jìn)CNN，得到分類識別結(jié)果。

3.2.2 相同網(wǎng)絡(luò)和不同輸入

將原次聲信號、Welch 功率譜、IMF 分量比和IMF 奇異譜熵分別作為網(wǎng)絡(luò)輸入，送入改進(jìn)CNN中，得到分類識別結(jié)果。

3.2.3 實(shí)驗(yàn)平臺和參數(shù)設(shè)置

本文使用的操作系統(tǒng)為Windows10，使用CUDA10.0 和cuDNN7.4 加速訓(xùn)練；使用NVIDIA Quadro P4000 (8G 內(nèi)存)；使用網(wǎng)絡(luò)開發(fā)框架為Tensorflow1.14；用python 進(jìn)行編程；使用CPU為Intel(R)Core(TM)i7-8700 CPU@3.20 GHz 3.19 GHz。

每次分類實(shí)驗(yàn)共進(jìn)行12000 次訓(xùn)練，每次從訓(xùn)練集中按照順序抽取8 個(gè)樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即batch_size 設(shè)置為8，訓(xùn)練集抽取完成一個(gè)批次(epoch)后對訓(xùn)練集進(jìn)行一次打亂。若將訓(xùn)練集樣本數(shù)定義為data_size，則每個(gè)批次可以表示為

每訓(xùn)練100 次記錄一次損失函數(shù)、訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率。訓(xùn)練和測試結(jié)束后分別計(jì)算驗(yàn)證集的準(zhǔn)確率、假陽性率和假陰性率和調(diào)和平均數(shù)。

3.3 實(shí)驗(yàn)結(jié)果與分析

3.3.1 相同輸入和不同網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果分析

七類不同網(wǎng)絡(luò)的訓(xùn)練損失，訓(xùn)練和測試準(zhǔn)確率如圖9～10所示。

圖9 七類不同網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練損失Fig.9 Seven different network structure training costs

圖10 七類不同網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練和驗(yàn)證準(zhǔn)確率Fig.10 Seven different network structure training and testing accuracy

通過圖9～10 可以看出，BP17、BP20 和BP26三個(gè)網(wǎng)絡(luò)的訓(xùn)練損失值長時(shí)間保持在0.69～0.695之間，收斂趨勢不明顯，網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率都在40%～60%內(nèi)上下浮動。由于此分類為二分類，所以準(zhǔn)確率在50%以下不具有分類識別意義。由此可見，BP 網(wǎng)絡(luò)無法對次聲信號功率譜進(jìn)行有效訓(xùn)練分類。

相比BP網(wǎng)絡(luò)，一維LeNet-5網(wǎng)絡(luò)的損失數(shù)值要更低，收斂性更強(qiáng)，訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率可以都能達(dá)到60%左右，比BP網(wǎng)絡(luò)提高10%以上，可見LeNet-5 網(wǎng)絡(luò)對次聲信號功率譜可以進(jìn)行一定的訓(xùn)練分類，但分類效果還有待加強(qiáng)。

在改進(jìn)CNN 網(wǎng)絡(luò)中，網(wǎng)絡(luò)的訓(xùn)練損失都可以收斂到0.5～0.6 之間。訓(xùn)練準(zhǔn)確率能夠達(dá)到70%～85%。驗(yàn)證精度最高的是改進(jìn)CNN-5 網(wǎng)絡(luò)，能夠達(dá)到80%，改進(jìn)CNN-6 和改進(jìn)CNN-7 都能達(dá)到75%以上，精度明顯高于其他網(wǎng)絡(luò)。

計(jì)算七類不同網(wǎng)絡(luò)結(jié)構(gòu)關(guān)于測試集四個(gè)評價(jià)指標(biāo)，結(jié)果如表1所示。

表1 七類不同網(wǎng)絡(luò)結(jié)構(gòu)的分類評價(jià)指標(biāo)Table 1 Classification evaluation index of seven different network structures

表1中每個(gè)評價(jià)指標(biāo)的最優(yōu)值都以加粗的形式表示。從表1中可以看出，改進(jìn)CNN-5 網(wǎng)絡(luò)的四項(xiàng)評價(jià)指標(biāo)均優(yōu)于其他(ACC、HA 最高，F(xiàn)PR、FNR最低)。相比第二名改進(jìn)CNN-6 網(wǎng)絡(luò)，改進(jìn)CNN-5網(wǎng)絡(luò)測試準(zhǔn)確率提升了8.67%，假陽性率降低了5%，假陰性率降低了9.76%，HA 值提升了7.22%。因此可以得出，改進(jìn)CNN-5網(wǎng)絡(luò)在七類網(wǎng)絡(luò)中分類效果最顯著。

為驗(yàn)證改進(jìn)CNN-5 的穩(wěn)定性，重復(fù)1.1 節(jié)中生成數(shù)據(jù)集的操作20 次，得到20 個(gè)不同的數(shù)據(jù)集，重復(fù)上述實(shí)驗(yàn)方法，得到七類網(wǎng)絡(luò)的分類實(shí)驗(yàn)結(jié)果，如圖11所示。

圖11 二十組數(shù)據(jù)集的七種網(wǎng)絡(luò)的分類結(jié)果Fig.11 The classification results of seven networks in twenty datasets

從圖11中可以看出，改進(jìn)CNN-5和改進(jìn)CNN-6 網(wǎng)絡(luò)分類精度明顯優(yōu)于其他網(wǎng)絡(luò)，而改進(jìn)CNN-5網(wǎng)絡(luò)平均測試準(zhǔn)確率比改進(jìn)CNN-6 網(wǎng)絡(luò)高7.28%，因此，改進(jìn)CNN-5網(wǎng)絡(luò)的分類效果相對更好。

3.3.2 相同網(wǎng)絡(luò)和不同輸入的實(shí)驗(yàn)結(jié)果分析

依次對原信號、Welch功率譜特征、IMF分量比特征[11]和IMF 奇異譜熵特征[12]進(jìn)行歸一化。四種不同輸入特征的訓(xùn)練損失，訓(xùn)練和測試準(zhǔn)確率如圖12～13所示。

通過圖12～13可以看出，原信號和IMF 分量比特征的訓(xùn)練損失最后保持在0.65 左右，訓(xùn)練精度都在65%左右，驗(yàn)證精度在60%以下，說明網(wǎng)絡(luò)能夠?qū)深愄卣鬟M(jìn)行一定程度的訓(xùn)練，但分類結(jié)果不夠理想。但進(jìn)行IMF 分量比特征提取后，損失函數(shù)收斂速度得到提高。

圖12 四種不同輸入特征的訓(xùn)練損失Fig.12 Four different network structure training costs

圖13 四種不同輸入特征的訓(xùn)練和驗(yàn)證準(zhǔn)確率Fig.13 Four different network structure training and testing accuracy

相比IMF分量比，IMF 奇異譜熵的損失數(shù)值要更低，收斂更快，訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率可以分別達(dá)到79%和78%，比IMF分量比提高14%以上。

而使用功率譜特征作為網(wǎng)絡(luò)輸入時(shí)，訓(xùn)練損失都可以收斂到0.5 以下，為四種特征最優(yōu)，訓(xùn)練準(zhǔn)確率能夠達(dá)到84%以上，驗(yàn)證準(zhǔn)確率也能夠保持在80%，精度要優(yōu)于其他輸入特征。綜上所述，利用次聲信號的功率譜特征作為神經(jīng)網(wǎng)絡(luò)的輸入，得到的分類效果最好。

計(jì)算以上四種輸入特征基于測試集的四個(gè)評價(jià)指標(biāo)，結(jié)果如表2所示。

表2 四種不同輸入特征的分類評價(jià)指標(biāo)Table 2 Classified evaluation index of four different input characteristics

表2中每個(gè)評價(jià)指標(biāo)的最優(yōu)值都以加粗的形式表示?？梢钥闯觯琖elch 功率譜特征的四項(xiàng)評價(jià)指標(biāo)均優(yōu)于其他特征(ACC、HA 最高，F(xiàn)PR、FNR 最低)。相比第二名IMF奇異譜熵，Welch 功率譜測試準(zhǔn)確率提升了3.94%，假陽性率降低了4.33%，假陰性率降低了0.12%，HA 值提升了2.49%。因此可以得出，Welch功率譜特征作為輸入時(shí)，分類識別測試精度最佳。值得注意的是，原信號測試準(zhǔn)確率只能達(dá)到58%，進(jìn)行功率譜特征提取后，測試準(zhǔn)確率能夠達(dá)到82%，上升了24%，說明進(jìn)行功率譜提取是必要的。

為驗(yàn)證其穩(wěn)定性，將3.3.1 節(jié)中得到20 個(gè)不同的數(shù)據(jù)集中的樣本信號分別提取上述三種特征，重復(fù)上述實(shí)驗(yàn)方法，得到四類輸入的實(shí)驗(yàn)結(jié)果，如圖14所示。

圖14 二十組數(shù)據(jù)集的四種特征的分類結(jié)果Fig.14 The results of the classification of four features in twenty data sets

從圖14 中可以看出，功率譜和IMF 奇異譜熵的分類精度明顯優(yōu)于IMF 分量比和原信號，而功率譜的平均準(zhǔn)確率比IMF 奇異譜熵高0.96%。因此，采用功率譜作為網(wǎng)絡(luò)輸入的分類效果相對更好。

4 結(jié)論

本文通過建立CNN 模型和數(shù)據(jù)集完成模型訓(xùn)練，實(shí)現(xiàn)化爆和地震的次聲事件的分類識別。實(shí)驗(yàn)證明CNN 的復(fù)雜特征提取能力能夠簡化傳統(tǒng)方法特征提取過程，同時(shí)能夠提高分類識別結(jié)果。

自然界中次聲源種類繁多，次聲事件不局限于化學(xué)爆炸和天然地震兩種。深度學(xué)習(xí)具有處理多分類問題的優(yōu)勢，要實(shí)現(xiàn)多類次聲事件的分類識別，需要建立一個(gè)不同類型(核爆、天然地震、化學(xué)爆炸、礦山爆炸、火箭發(fā)射等)的數(shù)據(jù)庫。下一步工作中，將搜集更多類型的次聲事件數(shù)據(jù)，并探究適宜次聲數(shù)據(jù)的數(shù)據(jù)增強(qiáng)方法，選用更適合多分類的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，完成多類次聲事件的分類識別工作。