Page 90 - 2023年第54卷第5期

图 ５ ＰＣＣＰ断丝信号识别模型构建方法
代表正类，１代 表负类；主 对角线 方向 为预测准 确的 样 本。
将样本 中 正 类 预 测 为 正 类 的 为 真 正 类 （ＴｒｕｅＰｏｓｉｔｉｖｅ，ＴＰ），
将样本中 负 类 预 测为 正类 的为假 正类 （ＦａｌｓｅＰｏｓｉｔｉｖｅ，ＦＰ），
将样本中负类预测 为负 类的 为真负 类 （ＴｒｕｅＮｅｇａｔｉｖｅ，ＴＮ），
将样本中正类预测为负类的为假负类 （ ＦａｌｓｅＮｅｇａｔｉｖｅ，ＦＮ）。
本文采 用 召 回 率 （Ｒｅｃａｌｌ）、精准率 （Ｐｒｅｃｉｓｉｏｎ）、Ｆ１＿ｓｃｏｒｅ和
ＡＵＣ（Ａｒｅａｕｎｄｅｒｃｕｒｖｅ）来评价模型性能。召回率、精准率和
Ｆ１＿ｓｃｏｒｅ的计算方法如式 （６）—（８）所示。ＡＵＣ是 ＲＯＣ（Ｒｅ
ｃｅｉｖｅｒＯｐｅｒａｔｉｎｇＣｈａｒａｃｔｅｒｉｓｔｉｃ ）下的面积，曲线的横坐标是假
正类率，纵坐标是真正类率。准确率（Ａｃｃｕｒａｃｙ）也可以利用
混淆矩阵中的数值表达，如式（９）所示。
ＴＰ 图 ６ 混淆矩阵
Ｒｅｃａｌｌ ＝ （６）
ＴＰ ＋ ＦＰ
ＴＰ
Ｐｒｅｃｉｓｉｏｎ ＝ （７）
ＴＰ ＋ ＦＮ
２·Ｐｒｅｃｉｓｉｏｎ·Ｒｅｃａｌｌ
Ｆ１＿ｓｃｏｒｅ ＝ （８）
Ｐｒｅｃｉｓｉｏｎ ＋ Ｒｅｃａｌｌ
ＴＰ ＋ ＴＮ
Ａｃｃｕｒａｃｙ ＝ （９）
ＴＰ ＋ ＴＮ ＋ ＦＰ ＋ ＦＮ

４ ＰＣＣＰ断丝信号识别结果分析

４．１ 模型参数选取 在利用深度模型重构断丝信号特征过程中，不同模型对于输入数据的尺寸是有要
求的，因此需要对输入的断丝声谱信号进行尺寸调整。对于 ＲｅｓＮｅｔ模型，ＰＣＣＰ断丝信号声谱图尺寸
大小为 ２２４ × ２２４ × ３，对于 Ｉｎｃｅｐｔｉｏｎ － ｖ４和 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２模型，ＰＣＣＰ断丝信号声谱图尺寸为 ２９９ ×
２９９ × ３ 。其中 ２９９和 ２２４表示图像的宽和高，３表示图像的 ３个颜色通道。
在智能模型构建过程中，ＫＮＮ断丝识别类型数设为 ３。同 时 对 ＳＶＭ、 ＥＴ和 ＭＬＰ进 行 了 参 数
寻优。在 ＳＶＭ 的参数中，分别对核函数、惩罚参数以及 ｇａｍｍａ参数进行寻优；在 ＥＴ的参数中，

— ５ ９ —
２