面向高效DAS识别的手工-深度特征融合网络模型OA
Manual-deep feature fusion network model for efficient DAS recognition
为解决分布式声学传感(DAS)信号分类中特征提取繁琐、模型泛化能力弱及计算复杂度高的问题,提出一种面向高效DAS识别的手工-深度特征融合网络.首先构建DAS5C-0.5s-20k数据集,进而融合经主成分分析(PCA)降维的80维多域手工特征与多尺度一维卷积神经网络(MS1DCNN)提取的128维深度特征向量,并采用支持向量机(SVM)进行分类.实验结果表明:该方法在测试集上的5种类别准确率达98.44%,较仅使用手工特征向量的SVM模型、一维卷积神经网络(1DCNN)模型及MS1DCNN模型分别提升17.94%、11.25%和4.69%.
To address the challenges of cumbersome feature extraction,weak model generalization,and high computational complexity in distributed acoustic sensing(DAS)signal classification,this paper proposes a manual-deep feature fusion net-work for efficient DAS recognition.First,the DAS5C-0.5s-20k dataset is constructed.Then,80-dimensional multi-domain handcrafted features reduced by principal component analysis(PCA)are fused with 128-dimensional deep feature vectors ex-tracted by a multi-scale one-dimensional convolutional neural network(MS1DCNN),and support vector machine(SVM)is employed for classification.Experimental results demonstrate that the proposed model achieves an accuracy of 98.44%across five categories on the test set,representing improvements of 17.94%,11.25%,and 4.69%over SVM model using only hand-crafted features,one-dimensional convolutional neural network(1DCNN)model,and MS1DCNN model,respectively.
张泽霆;梁清泉;吴迪;蒋佳骏;易高纬;王雪峰;于洋;张振荣
广西大学 计算机与电子信息学院,南宁 530004||国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004||国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004||国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004||国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004||国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004国防科技大学 理学院,长沙 410073广西大学 计算机与电子信息学院,南宁 530004
信息技术与安全科学
分布式声学传感特征融合网络手工特征提取深度特征提取
distributed acoustic sensingfeature fusion networkmanual feature extractiondeep feature extraction
《光通信技术》 2026 (3)
22-28,7
广西重点研发计划项目(桂科AB23075155)资助广西重点研发计划项目(桂科AB24010203)资助.
评论