基于MVIDA算法和MS-SE-ResNet的次声事件分类方法

次声事件的分类识别是禁核试核查的一项重要任务.能正确有效地区分地震次声、化学爆炸次声等瞬时次声有助于次声事件分类识别工作的推进.为解决地震次声、化学爆炸次声信号的数据量较少,在训练时容易出现过拟合这一问题,本文提出一种基于混合虚拟数据增强算法和多尺度和通道注意力的残差分类网络的分类方法.本文设计了的仿真对比实验来验证所提方法的有效性.实验结果表明,多尺度和通道注意力的残差分类网络能够有效找出化学爆炸和地震的次声在频域上的可分性,在使用了混合虚拟数据增强算法增强后的数据集上的平均分类精度为81.12％.高于其他四类对比分类方法,证明了该增强算法和分类网络在小样本次声事件分类上的有效性和稳定性....

Full description

Saved in:
Bibliographic Details
Published in应用地球物理（英文版） Vol. 21; no. 4; pp. 667 - 679
Main Authors 谭笑枫, 李夕海, 牛超, 曾小牛, 李鸿儒, 刘天佑
Format Journal Article
LanguageChinese
Published 火箭军工程大学,陕西西安 710025 2024
Subjects
power spectrum
CNN
卷积神经网络
数据增强
infrasound classification
data enhancement
功率谱
次声分类
Online AccessGet full text

Cover

More Information
Summary:次声事件的分类识别是禁核试核查的一项重要任务.能正确有效地区分地震次声、化学爆炸次声等瞬时次声有助于次声事件分类识别工作的推进.为解决地震次声、化学爆炸次声信号的数据量较少,在训练时容易出现过拟合这一问题,本文提出一种基于混合虚拟数据增强算法和多尺度和通道注意力的残差分类网络的分类方法.本文设计了的仿真对比实验来验证所提方法的有效性.实验结果表明,多尺度和通道注意力的残差分类网络能够有效找出化学爆炸和地震的次声在频域上的可分性,在使用了混合虚拟数据增强算法增强后的数据集上的平均分类精度为81.12％.高于其他四类对比分类方法,证明了该增强算法和分类网络在小样本次声事件分类上的有效性和稳定性.
ISSN:1672-7975
DOI:10.1007/s11770-024-1112-9