结合LSTM与CNN的野外车辆声信号分类

• 作者: 李翔 王艳 李宝清
• 来源期刊: 压电与声光
• 关键词: 车辆声信号分类 长短时记忆网络(LSTM) 卷积神经网络(CNN) 并行多尺度特征提取 通道注意力机制 特征融合
• 年，卷（期）: 2021,（3）
• 页码范围: 379-384
• 页数: 6页
• 分类号: TN703|TN915
• 语种: 中文
• DOI: 10.11977/j.issn.1004-2474.2021.03.018

摘要

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet).该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关系;再用CNN并行提取多尺度特征,避免网络加深过程中特征的流失;引入通道注意力机制进行多尺度和多层次特征融合,增强多尺度、多层次关键特征信息;最后在相同数据集上进行验证.实验结果表明,FVNet算法对3种车辆的总识别率可达94.95％,与传统方法相比,其总识别率提高了14.61％,取得了较好的分类效果.