GAF 变换次声分类网络

准确率超九成

利用格拉姆角场变换保留时序依赖,结合 ConvLSTM 同步提取时空特征,在化学爆炸与地震次声数据上均优于现有方法。

Tan, Xiaofeng · Li, Xihai · Hongru, Li · Zeng, Xiaoniu · Luo, Shengjie · 刘天佑

Geosciences (Switzerland) 2025

参数信息

分类准确率
92.4 %

技术优势

保留时序依赖

创新编码方案将一维波形转换为二维 GAF 图像,同时保留关键时序依赖,避免传统二维表示中的信息丢失。

时空特征同时提取

混合深度学习架构集成 ConvLSTM,同时提取并关联空间与频谱特征,提高对信号动态的建模能力。

性能优于四种基准

在两个数据集上均优于四种最先进基准方法,表明方法具有普适性。

应用场景