袁 莉，劉敦龍，桑學(xué)佳，張少杰，陳 喬

（1.成都信息工程大學(xué)軟件工程學(xué)院，四川 成都 610225；2.四川省信息化應(yīng)用支撐軟件工程技術(shù)研究中心，四川 成都 610225；3.中國(guó)科學(xué)院水利部成都山地災(zāi)害與環(huán)境研究所，四川 成都 610041；4.中國(guó)科學(xué)院重慶綠色智能技術(shù)研究院，重慶 400714）

0 引 言

泥石流次聲監(jiān)測(cè)預(yù)警的應(yīng)用越來(lái)越廣泛，學(xué)者們對(duì)此進(jìn)行了大量研究與探索［1-2］。然而，自然界中很多現(xiàn)象和事件（如大風(fēng)、暴雨、雷電、爆破等）都會(huì)輻射出頻率較低和特征明顯的次聲波信號(hào)，因此，在泥石流次聲現(xiàn)場(chǎng)監(jiān)測(cè)過(guò)程中將不可避免地受到環(huán)境干擾噪聲的影響，從而影響預(yù)警的準(zhǔn)確性。

針對(duì)上述問(wèn)題，Liu 等人［3］通過(guò)區(qū)分泥石流次聲與環(huán)境干擾次聲的關(guān)鍵特征參數(shù)，提出了一種泥石流次聲信號(hào)識(shí)別方法，可在一定程度上提高次聲監(jiān)測(cè)預(yù)警準(zhǔn)確率。然而，由于山區(qū)中的各類環(huán)境噪聲與地形地質(zhì)等條件的復(fù)雜性，不同溝道甚至同一溝道不同場(chǎng)次的泥石流事件產(chǎn)生的次聲信號(hào)特征均有所差異，其特征值通常會(huì)在一個(gè)范圍內(nèi)變化，呈現(xiàn)出一種非線性的特征分布［4］，因此，通過(guò)傳統(tǒng)方法對(duì)比分析次聲信號(hào)特征難以準(zhǔn)確判識(shí)出監(jiān)測(cè)到的次聲信號(hào)是否為泥石流次聲。隨著人工智能技術(shù)的快速發(fā)展，學(xué)者們開(kāi)始把深度學(xué)習(xí)應(yīng)用到聲學(xué)信號(hào)識(shí)別研究中［5-7］。譚笑楓等人［8］利用改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)分類模型對(duì)化學(xué)爆炸和天然地震信號(hào)進(jìn)行了分類識(shí)別，準(zhǔn)確率達(dá)到82.72%，但由于輸入的是一維信號(hào)數(shù)據(jù)，無(wú)法獲取信號(hào)的時(shí)序特征和空間分布特征，限制了模型對(duì)復(fù)雜信號(hào)的識(shí)別能力。吳涢暉等人［9］將化學(xué)爆炸、閃電、臺(tái)風(fēng)3 類大氣低頻聲信號(hào)的一維信號(hào)數(shù)據(jù)轉(zhuǎn)換成圖像數(shù)據(jù)，輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別，并通過(guò)生成式對(duì)抗網(wǎng)絡(luò)改進(jìn)學(xué)習(xí)過(guò)程，獲得了較好的性能。鑒于深度學(xué)習(xí)在聲學(xué)信號(hào)識(shí)別中表現(xiàn)的性能，可將該技術(shù)應(yīng)用到泥石流次聲信號(hào)判識(shí)中，大幅提升報(bào)警準(zhǔn)確率。

在常用的卷積神經(jīng)網(wǎng)絡(luò)中，AlexNet 在語(yǔ)音信號(hào)識(shí)別方面有著較好的表現(xiàn)［10-11］。對(duì)比LeNet、VGG16、ResNet18 等卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，AlexNet 具有層數(shù)較少、參數(shù)少和耗費(fèi)計(jì)算資源低等優(yōu)勢(shì)［12-13］。為了進(jìn)一步提升泥石流次聲信號(hào)識(shí)別準(zhǔn)確率，本文通過(guò)修改卷積核尺寸、批量歸一化和選擇Adam 算法改進(jìn)AlexNet 網(wǎng)絡(luò)，從而構(gòu)建泥石流次聲信號(hào)智能識(shí)別模型。首先，對(duì)原始次聲數(shù)據(jù)集進(jìn)行濾波降噪等預(yù)處理，再利用小波變換生成時(shí)頻譜圖像，并將得到的時(shí)頻譜圖像作為模型輸入，實(shí)現(xiàn)泥石流次聲信號(hào)的智能識(shí)別，為泥石流次聲監(jiān)測(cè)提供可靠的技術(shù)支撐。

1 次聲信號(hào)數(shù)據(jù)的獲取

本文所使用的次聲信號(hào)數(shù)據(jù)主要來(lái)源于野外實(shí)地監(jiān)測(cè)和水槽模擬實(shí)驗(yàn)。其中，野外監(jiān)測(cè)數(shù)據(jù)來(lái)源于云南東川蔣家溝部署的次聲監(jiān)測(cè)設(shè)備，位于門(mén)前溝和多照溝2 條支溝交匯處（經(jīng)度：103°9′6.00″E，緯度：26°15′2.00″N）。次聲信號(hào)的獲取是由次聲信號(hào)采集、傳輸系統(tǒng)和次聲信號(hào)實(shí)時(shí)處理系統(tǒng)共同完成，如圖1所示。次聲采集系統(tǒng)對(duì)設(shè)備周邊的次聲信號(hào)進(jìn)行實(shí)時(shí)采樣（采樣頻率為100 Hz），通過(guò)無(wú)線網(wǎng)絡(luò)遠(yuǎn)程將采集數(shù)據(jù)傳輸?shù)奖O(jiān)控室的服務(wù)器上。此外，由于粘性泥石流具有多陣性，一場(chǎng)泥石流活動(dòng)可提取出多段泥石流從啟動(dòng)到停止這一運(yùn)動(dòng)過(guò)程產(chǎn)生的次聲信號(hào)。

圖1 次聲數(shù)據(jù)采集流程

由于溝道中真實(shí)發(fā)生泥石流事件較少，導(dǎo)致野外監(jiān)測(cè)的泥石流次聲數(shù)據(jù)有限，不利于后續(xù)智能識(shí)別模型的構(gòu)建。為了獲取充足的泥石流次聲數(shù)據(jù)進(jìn)行分析，本文開(kāi)展了1.5 t/m3、1.7 t/m3、1.9 t/m3這3種不同容重的泥石流水槽實(shí)驗(yàn)，共54 組，分別用來(lái)模擬稀性泥石流、過(guò)渡性泥石流和粘性泥石流。為了完整采集不同容重泥石流產(chǎn)生的次聲信號(hào)，本文以15 s 作為一個(gè)次聲信號(hào)片段，截取泥石流運(yùn)動(dòng)過(guò)程中產(chǎn)生的典型次聲信號(hào)，共得到203個(gè)泥石流次聲樣本。

在泥石流次聲的野外監(jiān)測(cè)過(guò)程中不可避免地受到環(huán)境噪聲干擾。蔣家溝山區(qū)中常見(jiàn)的環(huán)境干擾噪聲來(lái)源于雷電、大風(fēng)、崩塌、爆破、飛機(jī)引擎和卡車(chē)引擎等事件。因此，本文在實(shí)驗(yàn)場(chǎng)周?chē)矊?duì)它們分別進(jìn)行了采集。除了這些明顯的環(huán)境干擾噪聲外，同時(shí)采集了沒(méi)有發(fā)生泥石流和上述幾類環(huán)境干擾噪聲情況下監(jiān)測(cè)設(shè)備周邊的次聲信號(hào)，將它們作為“其他”類別。綜上所述，本文共獲取了7 類事件產(chǎn)生的次聲信號(hào)，共計(jì)900 個(gè)樣本，其中泥石流217 個(gè)、雷電120 個(gè)、爆破103 個(gè)、引擎105 個(gè)、大風(fēng)144 個(gè)、崩塌64個(gè)，其他147 個(gè)。鑒于泥石流次聲信號(hào)是非平穩(wěn)信號(hào)，為了清晰反映泥石流次聲信號(hào)頻率隨時(shí)間的變化特性，本文采用時(shí)頻聯(lián)合分析法（如小波變換）處理上述7 類事件產(chǎn)生的次聲信號(hào)。將采集的這7 類次聲數(shù)據(jù)經(jīng)小波變換得到了各自的時(shí)頻譜圖像，如圖2所示，其中（1）為波形圖、（2）為時(shí)頻圖。

圖2 7種次聲數(shù)據(jù)的波形圖和時(shí)頻圖

2 次聲信號(hào)數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)擴(kuò)充

為了提高模型的泛化能力，使用大量樣本的數(shù)據(jù)集進(jìn)行訓(xùn)練是必要的［14-15］。常見(jiàn)的信號(hào)數(shù)據(jù)擴(kuò)充方式有數(shù)據(jù)切片、時(shí)間平移和添加噪聲［16］。具體操作如下：

1）數(shù)據(jù)切片是將長(zhǎng)時(shí)間的信號(hào)切割成較短的片段。由于泥石流持續(xù)時(shí)間較長(zhǎng)（至少15 min），對(duì)采集到的泥石流次聲數(shù)據(jù)按照15 s 時(shí)長(zhǎng)進(jìn)行切片處理，如此可增加樣本數(shù)量，又能包含較多的信號(hào)特征。切片后的數(shù)據(jù)為一個(gè)樣本（長(zhǎng)度不足的以0值填充）；

2）時(shí)間平移是將次聲信號(hào)在時(shí)間軸上進(jìn)行平移，在［-3，+3］s時(shí)間窗內(nèi)沿時(shí)間軸滑動(dòng)，選取2 s的步長(zhǎng)沿著時(shí)間軸進(jìn)行微調(diào)處理；

3）添加噪聲就是向采樣的泥石流次聲信號(hào)中添加白噪聲，本文添加均值為0、標(biāo)準(zhǔn)差為1的高斯白噪聲，增強(qiáng)數(shù)據(jù)的魯棒性。

2.2 濾波降噪

次聲采集的過(guò)程中會(huì)受到環(huán)境中其他不同頻率信號(hào)的干擾，使得采集到的樣本次聲信號(hào)存在各種頻率的噪聲。為了消除大氣擾動(dòng)和隨機(jī)噪聲的影響，通常采用濾波去噪方法對(duì)次聲信號(hào)進(jìn)行清洗［17］。本文擬采用切比雪夫Ⅱ型低通濾波器（設(shè)計(jì)參數(shù)：采樣率為100 Hz，阻帶頻率范圍為25～30 Hz，通帶頻率范圍為0～20 Hz，通帶最大衰減量為1 dB，阻帶最小衰減量為60 dB），該濾波器能夠較好地保留低頻成分，具有較好的濾波效果［18］。圖3展示了利用切比雪夫Ⅱ型低通濾波器對(duì)泥石流次聲信號(hào)進(jìn)行濾波后的時(shí)、頻圖像，其中（a）為波形圖、（b）為時(shí)頻圖、（c）為頻譜圖。

圖3 濾波后的泥石流次聲信號(hào)

泥石流次聲信號(hào)屬于非平穩(wěn)信號(hào)，即其頻率分布在時(shí)間上會(huì)發(fā)生變化，小波變換非常適用于這種非平穩(wěn)信號(hào)處理［19］。為了提升信噪比，對(duì)采集到的次聲數(shù)據(jù)進(jìn)行小波閾值去噪處理。通過(guò)對(duì)常見(jiàn)的小波基進(jìn)行對(duì)比分析［20］，選用Cmor 小波，分解層數(shù)為3 層。小波閾值去噪的關(guān)鍵在于閾值和閾值函數(shù)選?。?1］。閾值函數(shù)分為硬閾值和軟閾值，如公式（1）和公式（2）所示。

1）硬閾值：硬閾值就是會(huì)把絕對(duì)幅值小于等于閾值的點(diǎn)置0，所以在正、負(fù)閾值處存在斷點(diǎn)，重構(gòu)后的信號(hào)會(huì)產(chǎn)生振蕩和模糊。

2）軟閾值：軟閾值雖然不存在斷點(diǎn)，但是整體會(huì)收縮，重構(gòu)后的信號(hào)會(huì)與原始信號(hào)存在偏差。

針對(duì)以上問(wèn)題，本文對(duì)閾值函數(shù)進(jìn)行了改進(jìn)：將大于閾值的小波系數(shù)模值閾值化，變成該模值平方與閾值平方差的開(kāi)方，而小于閾值的小波系數(shù)模值閾值仍為0，得到改進(jìn)的軟閾值函數(shù)如公式（3）所示。其目的是在消除閾值函數(shù)的不連續(xù)性的同時(shí)，使函數(shù)迅速靠近硬閾值函數(shù)。

上述公式中的w是量化后的小波系數(shù)，x為分解的小波系數(shù)，λ為閾值，sign是符號(hào)函數(shù)。對(duì)于閾值的選取，若選擇的閾值過(guò)大，則會(huì)導(dǎo)致有用的信號(hào)被當(dāng)作噪聲濾除；若過(guò)小，則導(dǎo)致噪聲濾除得不夠徹底，導(dǎo)致信號(hào)失真。本文所選取VisuShrink 閾值，具有較強(qiáng)的適應(yīng)性，如公式（4）所示。

其中，N為信號(hào)長(zhǎng)度，σ為噪聲的均方根誤差，σ=，x（1，k）表示第一次小波變換后的高頻系數(shù)，0.6745為噪聲標(biāo)準(zhǔn)方差的調(diào)整系數(shù)。

在對(duì)泥石流次聲分析中發(fā)現(xiàn)，有用信息主要存在于信號(hào)突變的波峰和波谷中，通過(guò)對(duì)比處理圖4 中標(biāo)識(shí)的波峰波谷處信號(hào)細(xì)部效果可知，硬閾值去噪會(huì)在信號(hào)突變出產(chǎn)生振蕩，造成“毛刺”現(xiàn)象，軟閾值去噪會(huì)在處理信號(hào)突變處過(guò)于光滑，這會(huì)使得在突變處的有用信息被忽略，而改進(jìn)后的閾值函數(shù)很好地糾正了以上閾值去噪方法的缺點(diǎn)。

圖4 3種閾值去噪方法的去噪結(jié)果

3 次聲信號(hào)智能識(shí)別模型

3.1 特征變換與特征提取

采集到的次聲數(shù)據(jù)包含了時(shí)域和頻域上的信息。不同類型次聲信號(hào)的時(shí)、頻域信息有所不同。為了同時(shí)兼顧時(shí)、頻域特征展示，本文提出用時(shí)頻譜圖像來(lái)表達(dá)次聲信號(hào)隨時(shí)間推移而發(fā)生的頻率組成變化。考慮到卷積神經(jīng)網(wǎng)絡(luò)主要用于圖像識(shí)別，無(wú)法直接將其應(yīng)用于一維信號(hào)識(shí)別［22］。小波變換是一種適用于非平穩(wěn)、非線性信號(hào)的時(shí)頻分析方法，通過(guò)平移和縮放小波基函數(shù)來(lái)描述時(shí)域和頻域特征［23］。本文選用“db6”小波基，對(duì)每個(gè)次聲樣本數(shù)據(jù)進(jìn)行連續(xù)小波變換，得到對(duì)應(yīng)的時(shí)頻譜圖像。圖5 為從7 種類型的次聲數(shù)據(jù)中各隨機(jī)選取一個(gè)樣本，經(jīng)過(guò)預(yù)處理后的結(jié)果。可以發(fā)現(xiàn)，濾波降噪預(yù)處理后的時(shí)頻圖更能清晰地凸顯信號(hào)的時(shí)頻域特征。

圖5 7種次聲信號(hào)樣本經(jīng)過(guò)預(yù)處理后的時(shí)頻譜圖

3.2 AlexNet模型的改進(jìn)

AlexNet 是卷積神經(jīng)網(wǎng)絡(luò)在ImageNet 圖像分類上的經(jīng)典模型，其由5 個(gè)卷積層和3 個(gè)全連接層組成，5層卷積層分別使用11×11、5×5、3×3、3×3、3×3 的卷積核進(jìn)行特征提?。?4］。AlexNet 采用ReLU 作為激活函數(shù)并提出了局部響應(yīng)歸一化（Local Response Normalization，LRN），對(duì)激活函數(shù)得到的數(shù)值進(jìn)行歸一化處理，以提高模型訓(xùn)練速度和泛化能力［25］。AlexNet 在結(jié)構(gòu)上具有局部連接、權(quán)值共享以及時(shí)間和空間上的下采樣等特性，其較淺的網(wǎng)絡(luò)結(jié)構(gòu)和較少的參數(shù)量在訓(xùn)練效率上具有一定優(yōu)勢(shì)，且相對(duì)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)可以得到更多的特征表達(dá)能力［26］。

然而，傳統(tǒng)的AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)的第一個(gè)卷積核是大尺寸，通常用于捕捉更大范圍的特征，但對(duì)于提取圖像細(xì)節(jié)特征的能力有所欠缺。為了提升識(shí)別準(zhǔn)確率和收斂速度，本文對(duì)傳統(tǒng)的AlexNet 網(wǎng)絡(luò)進(jìn)行了如下的改進(jìn)：

1）改變卷積核大小。不同的卷積核可捕捉不同尺度和方向的特征。AlexNet的第一個(gè)卷積層的卷積核大小為11×11，盡管大卷積核能擴(kuò)大感受野，但是卷積核過(guò)大不僅會(huì)丟失一些局部特征，而且還會(huì)增加模型的復(fù)雜度。因此，本文在AlexNet 的8 層網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，將第1個(gè)卷積層的卷積核大小改為5×5，減少感受野的大小，使網(wǎng)絡(luò)更加關(guān)注輸入圖像的局部特征，提高模型對(duì)細(xì)節(jié)特征的提取能力。

2）批量歸一化（Batch Normalize，BN）。對(duì)前2個(gè)卷積層進(jìn)行BN 操作，舍棄原來(lái)的LRN 層。在處理因參數(shù)更新迭代而造成的不穩(wěn)定現(xiàn)象方面，BN 更優(yōu)于LRN。BN 操作能夠更好地控制數(shù)據(jù)分布，加快模型收斂速度，在梯度傳播和優(yōu)化的過(guò)程中，抑制梯度消失和梯度爆炸問(wèn)題，有助于減少模型過(guò)擬合［27］。

3）優(yōu)化算法。選擇Adam 算法，通過(guò)計(jì)算梯度的一階動(dòng)量和二階動(dòng)量來(lái)計(jì)算不同參數(shù)個(gè)體自適應(yīng)學(xué)習(xí)率，有助于平滑梯度更新過(guò)程，具備更好的收斂速度，不會(huì)因?yàn)閰?shù)更新對(duì)損失函數(shù)造成很大的影響［28］。

如圖6 所示，改進(jìn)的AlexNet 模型在網(wǎng)絡(luò)主體結(jié)構(gòu)上與傳統(tǒng)的AlexNet模型相同，都有5個(gè)卷積層和3個(gè)全連接層構(gòu)成，保留了第1、2、5 層的卷積層的最大池化模塊。

圖6 改進(jìn)的AlexNet網(wǎng)絡(luò)模型

4 實(shí)驗(yàn)驗(yàn)證與分析

本文實(shí)驗(yàn)采用PyTorch框架和PyCharm IDE進(jìn)行本文模型搭建，設(shè)定迭代周期為500 次，BatchSize 為32，初始學(xué)習(xí)率設(shè)置為0.0002，并采用在自然圖像數(shù)據(jù)集ImagNet-1k 上訓(xùn)練的模型權(quán)重作為預(yù)訓(xùn)練權(quán)重進(jìn)行遷移學(xué)習(xí)，以準(zhǔn)確率和F1值為模型的評(píng)價(jià)指標(biāo)。在對(duì)時(shí)頻譜圖像進(jìn)行模型訓(xùn)練之前，需要對(duì)其標(biāo)準(zhǔn)化處理，本文利用open.cv 庫(kù)里面的Resize 函數(shù)將圖像尺寸調(diào)整為227×227。將處理后的時(shí)頻譜圖加入數(shù)據(jù)集中，并按照9：1劃分成訓(xùn)練集和測(cè)試集，最后訓(xùn)練集共855張圖片，測(cè)試集共95張圖片。

在其他參數(shù)條件不變的情況下，僅改變卷積核尺寸，測(cè)試結(jié)果如表1 所示。當(dāng)卷積核尺寸為5×5 時(shí)，算法對(duì)泥石流次聲信號(hào)的識(shí)別準(zhǔn)確率比卷積核尺寸為11×11 時(shí)的準(zhǔn)確率提升了6.52 個(gè)百分點(diǎn)。從模型檢測(cè)速率來(lái)看，當(dāng)卷積核尺寸為5×5 時(shí)，模型每秒可以檢測(cè)498 張圖片，高于卷積核為11×11 時(shí)的檢測(cè)速度。以上結(jié)果表明，當(dāng)卷積核為5×5 時(shí)，模型在訓(xùn)練準(zhǔn)確率和檢測(cè)速度上均有所提升，可以節(jié)約時(shí)間成本，具有更高的實(shí)用性。

表1 卷積核尺寸為5×5與11×11時(shí)指標(biāo)對(duì)比

在其他參數(shù)條件不變的情況下，去除LRN 層并添加BN 層，測(cè)試結(jié)果如表2所示。在卷積核一定時(shí)，添加BN層可以顯著提升算法對(duì)泥石流次聲信號(hào)識(shí)別的準(zhǔn)確率和綜合評(píng)價(jià)指標(biāo)F1 值。其中，當(dāng)卷積核尺寸為5×5 時(shí)，添加BN 層的算法比未改進(jìn)的算法在準(zhǔn)確率上高4.48個(gè)百分點(diǎn)，綜合評(píng)價(jià)指標(biāo)F1值高4.8個(gè)百分點(diǎn)；當(dāng)卷積核尺寸為11×11時(shí)，添加BN 層的算法比未改進(jìn)的算法在準(zhǔn)確率上高9.51個(gè)百分點(diǎn)，綜合評(píng)價(jià)指標(biāo)F1值高9.76個(gè)百分點(diǎn)。

表2 不同歸一化方法下指標(biāo)對(duì)比

為了研究?jī)?yōu)化器對(duì)分類結(jié)果的影響，本文對(duì)自適應(yīng)矩陣（Adam）和隨機(jī)梯度下降（SGD）2 種優(yōu)化器進(jìn)行實(shí)驗(yàn)，結(jié)果如表3 所示。設(shè)計(jì)優(yōu)化器的激活函數(shù)均為ReLU，迭代次數(shù)以訓(xùn)練至網(wǎng)絡(luò)收斂或損失率不再下降為準(zhǔn)，學(xué)習(xí)率為0.0002?？梢钥闯觯谙嗤瑢W(xué)習(xí)率條件下，Adam 相較于SGD 具有更高的穩(wěn)定性和準(zhǔn)確率。

表3 不同優(yōu)化器下指標(biāo)對(duì)比

由表4 可知，改進(jìn)的AlexNet 模型相對(duì)于原有模型具有更高的準(zhǔn)確率和綜合評(píng)價(jià)指數(shù)F1 值，平均準(zhǔn)確率高達(dá)91.48%，相比于原有模型提升了21.36 個(gè)百分點(diǎn)，F(xiàn)1 值高達(dá)90.41%，相比于原有模型提升了20.3個(gè)百分點(diǎn)。圖7 直觀反映了改進(jìn)后的AlexNet 模型在準(zhǔn)確率和損失值的變化中均具有更好的表現(xiàn)。

表4 改進(jìn)前后AlexNet算法的分類性能對(duì)比

圖7 改進(jìn)的與傳統(tǒng)的AlexNet的準(zhǔn)確率與損失值對(duì)比

表5 總結(jié)了與已報(bào)道的泥石流次聲信號(hào)識(shí)別模型的分類性能對(duì)比。與Leng 等人［4］提出的LeNet-5網(wǎng)絡(luò)模型相比，改進(jìn)的AlexNet 模型對(duì)泥石流次聲信號(hào)識(shí)別準(zhǔn)確率提升了約7.38 個(gè)百分點(diǎn)。相較于胡至華等人［29］提出的最小二乘支持向量機(jī)（LS-SVM）模型，改進(jìn)的AlexNet 模型識(shí)別準(zhǔn)確率提升了約4.48 個(gè)百分點(diǎn)。以上結(jié)果均表明改進(jìn)的AlexNet在泥石流次聲信號(hào)分類上有較高的識(shí)別率和較好的魯棒性。

表5 與已報(bào)道的分類性能對(duì)比

5 結(jié)束語(yǔ)

在泥石流次聲監(jiān)測(cè)過(guò)程中經(jīng)常受環(huán)境噪聲干擾，影響泥石流次聲信號(hào)識(shí)別準(zhǔn)確率。針對(duì)這一問(wèn)題，本文通過(guò)減小卷積核以及使用BN 層和Adam 算法對(duì)AlexNet 模型進(jìn)行改進(jìn)，提升了對(duì)時(shí)頻譜特征圖像的局部特征提取能力，并加快了模型收斂速度，從而在一定程度上提高了泥石流次聲信號(hào)識(shí)別準(zhǔn)確率。經(jīng)過(guò)大量實(shí)驗(yàn)測(cè)試，結(jié)果表明，在迭代次數(shù)為500 次時(shí)，改進(jìn)的AlexNet 模型識(shí)別準(zhǔn)確率收斂于90%以上，遠(yuǎn)高于準(zhǔn)確率在70%左右的傳統(tǒng)AlexNet 網(wǎng)絡(luò)模型，且比傳統(tǒng)的AlexNet 模型收斂速度更快，并且具備網(wǎng)絡(luò)體量小、易于在計(jì)算資源有限的設(shè)備上實(shí)現(xiàn)等優(yōu)勢(shì)。因此，本文的研究成果可為泥石流次聲監(jiān)測(cè)預(yù)警提供高效、可靠的技術(shù)支撐。