基于多尺度SE-CNN和BiLSTM融合的次声事件分类模型

次声事件的有效分类对提升自然灾害种类的辨识能力有着重要意义.传统次声分类工作主要依赖于人工特征提取后利用机器学习算法分类,但提取的特征有效性难以得到保证.当前利用卷积神经网络自动提取特征进行分类成为趋势,这种方法能够通过卷积核自动提取信号空间特征,但对于次声信号,不仅包含空间信息,同时作为时间序列,时序特征也极其重要.仅使用卷积神经网络会缺失次声序列时间依赖关系,利用长短期记忆网络能够弥补时序特征,但又会造成次声信号空间特征信息的丢失.针对此问题提出了一种能够自动提取次声信号时序依赖特征与空间特征,自适应进行特征优选并实现两类特征融合的多尺度SE-CNN-BiLSTM(Squeeze-and-...

Full description

Saved in:
Bibliographic Details
Published in应用地球物理（英文版） Vol. 21; no. 3; pp. 579 - 592
Main Authors 李鸿儒, 李夕海, 谭笑枫, 牛超, 刘继昊, 刘天佑
Format Journal Article
LanguageChinese
Published 火箭军工程大学核工程学院,西安,710025 2024
Subjects
卷积神经网络
特征融合
feature fusion
channel attention
infrasound classification
双向长短期记忆网络
通道注意力
多尺度
multiscale
次声分类
convolution neural network
bidirectional long short-term memory network
Online AccessGet full text

Cover

More Information
Summary:次声事件的有效分类对提升自然灾害种类的辨识能力有着重要意义.传统次声分类工作主要依赖于人工特征提取后利用机器学习算法分类,但提取的特征有效性难以得到保证.当前利用卷积神经网络自动提取特征进行分类成为趋势,这种方法能够通过卷积核自动提取信号空间特征,但对于次声信号,不仅包含空间信息,同时作为时间序列,时序特征也极其重要.仅使用卷积神经网络会缺失次声序列时间依赖关系,利用长短期记忆网络能够弥补时序特征,但又会造成次声信号空间特征信息的丢失.针对此问题提出了一种能够自动提取次声信号时序依赖特征与空间特征,自适应进行特征优选并实现两类特征融合的多尺度SE-CNN-BiLSTM(Squeeze-and-Excitation-Convolutional Neural Network-Bidirectional Long Short-Term Memory)次声事件分类模型.利用地震和化爆次声数据对该模型开展了分类实验,结果表明,该模型分类准确率达到了98％以上,验证了模型的有效性及优越性.
ISSN:1672-7975
DOI:10.1007/s11770-024-1089-4