技术新讯 > 测量装置的制造及其应用技术 > 泥石流次声识别方法、装置、电子设备和存储介质与流程  >  正文

泥石流次声识别方法、装置、电子设备和存储介质与流程

  • 国知局
  • 2024-07-30 11:06:43

本发明涉及泥石流监测预警,尤其涉及一种泥石流次声识别方法、装置、电子设备和存储介质。

背景技术:

1、在泥石流运动过程产生的次声波,即振动频率低于20hz的低频声音,可作为泥石流监测预警的重要指标。除了泥石流灾害,自然界中还有雷电、风、人为活动等也会产生次声,泥石流次声监测预警的重点和难点则是通过次声的多种时频特征,将泥石流次声与环境噪音准确区分开,准确识别出泥石流次声信号。

2、相关技术通常基于次声时域特征,如短时过零率、有效声压等和频域特征如主频、主频振幅、谱线宽度等指标,划定阈值或建立机器学习模型,进行泥石流次声识别,该方法主要存在两方面问题:一是特征指标的代表性不足,主要表现在频域方面,泥石流次声与噪音次声特征在主频以外的频率也存在显著差异,仅以主频参数为特征指标会降低识别准确率;二是特征指标的选取没有规范、量化的方法,主观性较强,若选取指标过少,则无法准确、全面地表征泥石流次声的特征,若指标选取过多,则识别流程过于复杂,且区分度不高的指标会干扰识别效果,识别效率和准确性较低。针对现有技术的局限性,需提出可以选取有效指标的泥石流次声识别方法。

技术实现思路

1、本发明提供一种泥石流次声识别方法、装置、电子设备和存储介质,可以提升泥石流次声识别的效率和准确性。

2、本发明提供一种泥石流次声识别方法,包括:

3、将目标次声信号的时频分析结果输入训练完成的泥石流次声识别模型,获取所述泥石流次声识别模型的识别结果,所述识别结果包括是泥石流次声或不是泥石流次声;

4、其中,所述泥石流次声识别模型的训练过程包括:

5、获取泥石流次声信号样本集和环境次声信号样本集;

6、分别对所述泥石流次声信号样本集和环境次声信号样本集进行时频分析,获取泥石流次声的时频特征指标和1-20hz中各频率分别对应的振幅,以及环境次声的时频特征指标和1-20hz中各频率分别对应的振幅;

7、基于泥石流次声1-20hz中各频率的振幅和环境次声1-20hz中各频率的振幅,确定泥石流次声振幅和环境次声振幅存在显著差异的频率;

8、基于所述泥石流次声振幅和环境次声振幅存在显著差异的频率分别对应的振幅,使用弹性网络回归模型,获取各频率分别对应的回归系数,并基于所述各频率分别对应的回归系数,对其中回归系数不为0的频率进行重要性排序;

9、将所述泥石流次声的时频特征指标、所述环境次声的时频特征指标、所述泥石流次声中所述回归系数不为0的频率分别对应的振幅和所述环境次声中所述回归系数不为0的频率分别对应的振幅作为数据集,所述数据集包括训练集和测试集,然后重复执行第一过程,直至数据集中不存在振幅数据;

10、将性能评估值最高的泥石流次声识别模型,作为所述训练完成的泥石流次声识别模型;

11、所述第一过程包括:

12、基于训练集,对泥石流次声识别模型进行训练;

13、基于测试集,对训练后的泥石流次声识别模型进行性能评估,获得性能评估值;

14、在数据集当前存在的振幅数据中,删除重要性排序最低的频率对应的振幅。

15、根据本发明提供的泥石流次声识别方法,所述基于泥石流次声1-20hz中各频率的振幅和环境次声1-20hz中各频率的振幅,确定泥石流次声振幅和环境次声振幅存在显著差异的频率,包括:

16、分别对泥石流次声1-20hz中各频率的振幅和环境次声1-20hz中各频率的振幅进行t检验分析,获取其中t检验p值小于预设值的频率。

17、根据本发明提供的泥石流次声识别方法,所述基于所述泥石流次声振幅和环境次声振幅存在显著差异的频率分别对应的振幅,使用弹性网络回归模型,获取各频率分别对应的回归系数,包括:

18、将所述泥石流次声振幅和环境次声振幅存在显著差异的频率分别对应的振幅作为输入变量,是否为泥石流次声作为目标变量;

19、将所述输入变量和目标变量输入弹性网络回归模型,采用十折交叉验证法进行训练,获得各频率分别对应的回归系数。

20、根据本发明提供的泥石流次声识别方法,所述基于测试集,对训练后的泥石流次声识别模型进行性能评估,获得性能评估值,包括:

21、将所述数据集中的测试集输入训练后的泥石流次声识别模型进行分类预测,并绘制接收者操作特征(receiver operating characteristic curve,roc)曲线,获取曲线下的面积(area under curve,auc)值;

22、基于所述数据集中各振幅分别对应的频率的数量和所述auc值,计算所述性能评估值。

23、根据本发明提供的泥石流次声识别方法,所述基于所述数据集中各振幅分别对应的频率的数量和所述auc值,计算所述性能评估值,包括:

24、通过公式s=ρ1*sauc+ρ2*snuv计算所述性能评估值,其中s为性能评估值,sauc为auc值对应的打分值,snuv为数据集中各振幅分别对应的频率的数量对应的打分值,ρ1为sauc对应的权重,ρ2为snuv对应的权重。

25、根据本发明提供的泥石流次声识别方法,在所述获取泥石流次声信号样本集和环境次声信号样本集后,所述方法还包括:

26、对所述泥石流次声信号样本集和环境次声信号样本集进行去趋势处理和低通滤波处理。

27、本发明还提供一种泥石流次声识别装置,包括:

28、识别模块,用于将目标次声信号的时频分析结果输入训练完成的泥石流次声识别模型,获取所述泥石流次声识别模型的识别结果,所述识别结果包括是泥石流次声或不是泥石流次声;

29、其中,所述泥石流次声识别模型的训练过程包括:

30、获取泥石流次声信号样本集和环境次声信号样本集;

31、分别对所述泥石流次声信号样本集和环境次声信号样本集进行时频分析,获取1-20hz的泥石流次声中各频率分别对应的振幅和时频特征指标,以及1-20hz的环境次声中各频率分别对应的振幅和时频特征指标;

32、基于泥石流次声1-20hz中各频率的振幅和环境次声1-20hz中各频率的振幅,确定泥石流次声振幅和环境次声振幅存在显著差异的频率;

33、基于所述泥石流次声振幅和环境次声振幅存在显著差异的频率分别对应的振幅,使用弹性网络回归模型,获取各频率分别对应的回归系数,并基于所述各频率分别对应的回归系数,对其中回归系数不为0的频率进行重要性排序;

34、将所述泥石流次声的时频特征指标、所述环境次声的时频特征指标、所述泥石流次声中所述回归系数不为0的频率分别对应的振幅和所述环境次声中所述回归系数不为0的频率分别对应的振幅作为数据集,所述数据集包括训练集和测试集,然后重复执行第一过程,直至数据集中不存在振幅数据;

35、将性能评估值最高的泥石流次声识别模型,作为所述训练完成的泥石流次声识别模型;

36、所述第一过程包括:

37、基于训练集,对泥石流次声识别模型进行训练;

38、基于测试集,对训练后的泥石流次声识别模型进行性能评估,获得性能评估值;

39、在数据集当前存在的振幅数据中,删除重要性排序最低的频率对应的振幅。

40、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述泥石流次声识别方法。

41、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述泥石流次声识别方法。

42、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述泥石流次声识别方法。

43、本发明提供的一种泥石流次声识别方法、装置、电子设备和存储介质,通过从泥石流次声样本和环境次声样本中,筛选出1-20hz中振幅存在显著差异的频率,结合其他时频特征指标作为数据集,并通过弹性网络回归模型对各频率振幅对泥石流次声识别的重要性进行排序,基于后向消元法,逐一删除重要性较低的频率振幅进行泥石流次声识别模型训练,并计算模型性能评估值,根据评分结果选取最优的泥石流次声识别模型进行泥石流次声识别,可以提升泥石流次声识别的效率和准确性。

本文地址:https://www.jishuxx.com/zhuanli/20240730/155484.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。