摘要:
水下爆炸试验采集的数据量庞大并掺杂大量无用数据, 为保护数据不受爆炸的影响, 试验时需要优先将关键数据识别并存储。针对此, 文中提出一种将特征提取方法和深度学习模型相结合的关键信号识别模型, 以提升对关键信号识别的准确率。首先, 研究了不同预处理方法对水下爆炸加速度信号趋势项的去除效果, 并用已有试验结果证明小波包分解法、经验模态分解法和高通滤波法可较好地提升模型的识别性能; 其次, 为使提取的特征更有利于区分爆炸段与非爆炸段, 提出一种针对水下爆炸加速度信号的基于类间方差比的特征提取方法, 基于水下爆炸实测加速度信号数据可知, 相比于Log Mel特征, 文中提出的特征用K-means方法分类准确率提升约4.92%; 最后, 引入添加SE-Res2Block模块的ECAPA-TDNN模型, 该模型具有更好的识别准确率, 以文中提出的特征作为输入, 识别准确率达99.31%。
周稹先, 洪峰, 许伟杰, 等. 基于深度学习的水下爆炸关键信号识别方法[J]. 水下无人系统学报, 2024, 32(4): 739-748. doi: 10.11993/j.issn.2096-3920.2023-0146.