孟子轩 程 巍 张天予 吕 君 滕鹏晓

(1 中国科学院声学研究所 北京 100190)

(2 中国科学院噪声与振动重点实验室 北京 100190)

(3 中国科学院大学 北京 100049)

0 引言

次声是指频率低于20 Hz 的声信号。自然环境与人类社会中广泛存在着次声信号，许多物理现象在发生和发展过程中都会伴随低频次声信号的产生，例如自然活动中的地震、台风、闪电、火山喷发和海啸以及人类活动中的核和化学爆炸、火箭发射、飞机起飞等事件[1]。从灾害预防的角度看，对次声信号的识别分类能够起到预警的作用；在军事对抗领域，通过次声信号来识别敌对方的军事活动对国防安全具有十分重要的意义。

自1996 年全面禁止核试验条约组织(Comprehensive nuclear-test-ban treaty organization,CTBTO)成立以来，次声成为国际监测系统(International monitoring system,IMS)所使用的4种主要监测核爆的手段之一，利用机器学习方法对次声信号进行识别分类的研究也由此展开[2]。对于次声信号的识别分类任务而言，由于样本数量较少，因此研究的关键问题在于信号的特征提取[3−4]。吴涢晖[5]采用了8 种不同的特征提取方式对化学爆炸、闪电和台风3 类事件进行处理，对比了支持向量机(Support vector machines,SVM)、BP神经网络、长短时神经网络和卷积神经网络(Convolutional neural network,CNN) 4 种分类器的分类性能，结果表明SVM的识别性能最好。同时指出，其构建的分类流程对人工设计的特征有较高的要求，需要研究人员对各种信号的特征进行深入的研究和挑选，以找出区分度较大的特征。

谭笑枫等[6]以数据驱动为出发点，采用CNN进行特征提取、模型训练和识别分类，以简化特征设计过程，其提出的方法在CTBTO 提供的化爆与地震两类次声数据集上达到了82.72%的准确率，但该方法对数据量的要求较高，难以应用于小样本数据集的情况。……