Page 99 - 2023年第54卷第2期

后的数据特征大部分都分布在一定范围，若只采用最大池化的方式，其他的一些特征可能会被遗漏，
这里在通路 ３中使用平均池化，以维持局部特征的完整性；通路 ４中的卷积核的数量最少，且只使用
一层卷积层，以构造更简单的网络结构进一步加强特征的提取。每一个通路的最后添加 Ｆｌａｔｔｅｎ层，将
多个卷积核处理之后的多维特征数据一维化，以实现卷积层到全连接层的过渡。最后在融合层输出层
将各通路提 取 的 特 征 融 合 输 入 到 全 连 接 层 中，通 过 Ｓｏｆｔｍａｘ层 输 出 得 到 各 类 别 的 概 率 分 布， 其 中
Ｓｏｆｔｍａｘ层为使用 Ｓｏｆｔｍａｘ函数作为激活函数的全连接层，用于多分类问题的输出层。为了防止出现过
拟合现象，在各通路的最后使用随机丢弃神经元（ Ｄｒｏｐｏｕｔ）的方法，以提高模型泛化能力。

图 ２ ＭＳ１ＤＣＮＮ模型网络结构图

２．２ 方法流程 基于 ＭＳ１ＤＣＮＮ的管道泄漏检测方法流程如图 ３所示，主要由数据集构建、模型训练
及超参数优化、模型测试三部分组成。主要步骤如下：
（ １）数据集构造。构造泄漏水压数据集，对数据集进行预处理之后，将其划分为训练集，验证集，
测试集，其中训练集和验证集用于模型的训练，测试集用于模型性能的测试；
（ ２）模型训练及超参数优化。初始化模型权重和偏置，以一定批次将训练集样本分批输入模型中
进行训练，通过向前传播得出模型预测值与期望值的误差，然后进行反向传播，计算误差梯度，更新
模型的权重和偏置，当所有批次样本训练完成，则为完成一轮训练，同时使用验证集对模型进行验
证，结合每一轮训练过程中训练集及验证集的准确率判断模型的预测分类性能，直至完成所有迭代次
数。若达到迭代次数时，模型训练结果仍不理想，则可对超参数（迭代次数、批次数和学习率等）不断
调整，重复以上步骤得到最优超参数。
（ ３）模型测试。确定最优超参数之后，将模型训练过程的最优模型参数保存，最后使用测试集测
试模型性能，输出测试集分类准确率。对于测试集中的每一个样本，Ｓｏｆｔｍａｘ层输出的概率分布中最大
值的索引所代表的值即为最后的预测分类结果。

３ 模型验证

为对 ＭＳ１ＤＣＮＮ模型进行验证，基于瞬变流模型构建管道泄漏数据集，使用样本数据对 ＭＳ１ＤＣＮＮ
模型中的超参 数不 断优 化，并 使用模 型评 价指标 对 模 型 预 测 分 类 效 果 进 行 评 估。本 文 模 型 是 基 于

— ２ ２ ３ —