Page 103 - 2023年第54卷第2期

３ × １、１ × １，Ｆ值达到 ９８．４８％，相比于单尺度卷积神经网络模型 Ｍｏｄｅｌ６和 Ｍｏｄｅｌ７，Ｆ值分别提高了 ０．７％
１ １
和 ０．６６％；此外，其他多尺度卷积神经网络模型的测试性能也一般优于单尺度卷积神经网络模型，说
明了在特征提取中使用多尺度卷积核能够增强网络的特征表达能力，提高模型预测性能。
表 ３ 多组卷积核尺寸性能比较

模型编号 卷积核尺寸组合 Ｐ?％ Ｒ?％ Ｆ １ ?％
本文方法 ５ － ３ － ３ － １ ９８．６３ ９８．４９ ９８．４８
Ｍｏｄｅｌ１ ５ － １ － ３ － ３ ９８．２６ ９８．０４ ９８．０５
Ｍｏｄｅｌ２ ５ － ３ － １ － ３ ９８．１２ ９７．９４ ９７．９５
Ｍｏｄｅｌ３ １ － ５ － ３ － ３ ９７．７０ ９７．５４ ９７．５４
Ｍｏｄｅｌ４ ３ － ３ － ５ － １ ９８．３３ ９８．１９ ９８．１９
Ｍｏｄｅｌ５ ３ － ５ － ３ － １ ９８．２９ ９８．１７ ９８．１８
Ｍｏｄｅｌ６ ５ － ５ － ５ － ５ ９７．８４ ９７．７０ ９７．７８
Ｍｏｄｅｌ７ ３ － ３ － ３ － ３ ９７．９５ ９７．７４ ９７．８２

３．４ 模型测试结果 使用每一类数据集随机进行 １０次实验并取平均 表 ４ ＭＳ１ＤＣＮＮ模型平均准确率
值作为最后的实验结果，模型测试集结果如表 ４所示，ＭＳ１ＤＣＮＮ模型 数据集 平均准确率?％
在各数据集上的分类准确率均达到了 ９８％以上。随机抽取其中一组实 ［Ｌ］ ９９．９６
验，观察其训练过程线。对于数据集［ Ｌ］，迭代次数分别为 ４和 ３时， ［Ｑ］ ９８．４８
训练集和验证集的准确率均达到了 ９０％以上，当迭代次数在 １３时，验
［Ｋ］ １００
证集的准确率稳定在 ９９％以上，测试集的准确率达到 ９９．９７％；对于数
据集［ Ｑ］，迭代次数分别为 １７和 １１时，训练集和验证集的准确率均达到了 ９０％以上，迭代次数为 １３０
时训练趋于稳定，在训练过程中，验证集准确率最高达到了 ９９．２５％，最后测试集准确率为 ９８．７９％；对于
数据集［Ｋ］，迭代次数为 ７时，验证集的准确率基本稳定在 １００％，最后测试集准确率为 １００％。
由训练过程线可知，数据集［Ｑ］的训练过程中
存在较小范围的波动，而且收敛速度相对于数据集
［Ｌ］较慢，因此本文模型对于泄漏位置的预测效果
优于对泄漏量的预测效果，且稳定性较好；数据集
［Ｋ］相比于其他数据集，收敛速度更快，因此模型
能够较容易的对非恒定摩阻系数进行预测分类。结
合最后测试结果以及训练过程线可知，该模型能够
较好的实现对泄漏管道中的泄漏位置、泄漏量、非
恒定摩阻系数的分类预测，具有较好的稳定性和鲁
图 ７ 数据集［Ｌ］训练过程线
棒性。

图 ８ 数据集［Ｑ］训练过程线 图 ９ 数据集［Ｋ］训练过程线

— ２ ２ ７ —