Page 98 - 2023年第54卷第2期

ｌ
ｌ ＋ １
Ｐ （ｊ） ＝ｆ｛Ｚ（ｍ）｝ （３）
ｉ ｉ
ｌ
式中：Ｚ（ｍ）为第 ｌ层第 ｉ个特征矩阵中第 ｍ个神经元的值，ｍ的范围为［（ｊ － １ ）Ｂ ＋ １ ，ｊＢ］，Ｂ为池化
ｉ
ｌ ＋ １
区域的宽度；Ｐ （ｊ）为池化操作后第 ｌ ＋ １层中神经元的对应值；ｆ｛·｝函数即为取得池化区域内最大值
ｉ
或池化区域内所有神经元值的平均值。
（３）经过卷积和池化操作之后，将提取的多列特征序列通过扁平层（Ｆｌａｔｔｅｎ）整合为一列，经过全
连接层（ Ｄｅｎｓｅ）继续提取深层特征，其输出为：
＝ ｈ（ｗｐ ＋ ｂ） （４）
δ ｊ ｊ ｊ ｊ
为全连接层的第 ｊ个输出，共有 ｎ个输出；ｗ，ｂ分别为第 ｊ个神经元的权重
式中：ｊ ＝ １，２，…，ｎ；δ ｊ
ｊ ｊ
和偏置，ｈ（ｘ）为全连接层所使用的激活函数。
（ ４）在多分类问题中，输出层一般使用 Ｓｏｆｔｍａｘ函数作为输出神经元的激活函数，对于每一个神经
元来说，Ｓｏｆｔｍａｘ函数的输出值的计算公式如下：
ｅ
δ ｊ
） ＝ （５）
Ｆ（ δ ｊ
ｎ
∑ ｅ
δ ｋ
ｋ ＝１
为经
式中 Ｆ（ δ ｊ ）为每一个类别的最后输出的概率值，且大小在［０，１］之内，所有的概率值之和为 １。δ ｊ
过全连接层及相应层激活函数之后输出的第 ｊ个值，若只有一个全连接层，则全连接层的输出神经元
的个数 ｎ对应为输出层中输出神经元的总数，即预测目标的类别数。

图 １ 一维卷积神经网络

２．１．２ 多尺度一维卷积神经网络结构设计 传统一维卷积神经网络使用的单一尺度卷积核所提取的特
征信息不够完整 ［２４］ ，难以捕捉到泄漏信号中的多尺度特征，为提高网络对泄漏特征的学习性能，本文
尝试构建 ＭＳ１ＤＣＮＮ模型来改善。多尺度的卷积核具有不同的卷积视野，可以在不增加计算复杂度的
情况下，对细粒度的多尺度特征进行学习，从而提高模型的特征学习效率；同时研究考虑使用多通
路，然后将多个分支通路提取的特征融合，可望得到更加丰富完整的泄漏信息。
构建的 ＭＳ１ＤＣＮＮ模型网络结构和流程如图 ２所示，包括输入层、特征提取处理层和融合输出层。
首先将预处理之后不同时刻的瞬态水压数据直接输入至输入层中，然后以相同维度输出并作为特征提
取处理层的输入。特征提取处理层由 ４个单通路卷积分支组成，不同通路采用不同的结构设计，通路
１至通路 ４中使用的卷积核个数依次减少，以提取不同维度的泄漏特征，图中 ｎ× １ 、ｎ× １ 、ｎ× １ 、ｎ× １
１ ２ ３ ４
对应为各通道卷积核尺寸。通路 １由两个连续的一维卷积层叠加组成，使用最多的卷积核个数以获取
更为整体的特征；通路 ２在通路 １的基础上在每个卷积层后面连接一个最大池化层，提取卷积操作后
识别率更高的特征，以获得相对局部的特征信息；由于输入的数据特征之间相差较大，通过预处理之

２
— ２ ２ —