Page 127 - 2024年第55卷第8期

图 ７ 典型 ＧＲＵ结构示意

如图 ８所示。ＣＮＮ通过卷积操作，实现对数据特征的提取，卷积公式 Ｆ（ｔ）定义为：
＋ ∞
Ｆ（ｔ） ＝ ∫ ｆ（ τ ）·ｇ（ｔ －τ ）ｄ τ （１６）
－ ∞
式中：Ｆ（ｔ）为 ｔ时刻的卷积结果；ｆ（ τ ）为输入信号；ｇ（ τ ）为卷积核函数。
ＣＮＮ采用了稀疏连接与权值共享等优化策略，能够在不丢失数据特征的前提下，实现对数据的降
维并减少网络参数，从而加快模型的运算速度。因此，本文针对小尺度泄漏难以提取特征、实验数据
量大、维度多等问题，在 ＬＳＴＭ、ＢｉＬＳＴＭ及 ＧＲＵ模型的基础上引入了 ＣＮＮ模型，构建卷积长短期神
经网络（ ＣＮＮ － ＬＳＴＭ）、卷积双向长短期记忆网络（ＣＮＮ － ＢｉＬＳＴＭ）以及卷积门控循环单元（ＣＮＮ － ＧＲＵ）
泄漏检测模型，以弥补 ＬＳＴＭ、ＢｉＬＳＴＭ及 ＧＲＵ模型难以快速有效提取大数据集的数据特征的缺陷。

图 ８ 典型 ＣＮＮ结构示意

４．２ 模型结构及运算流程 以 ＣＮＮ － ＧＲＵ模型为例，其具体的模型结构及运算流程如下：首先，将两
个压力传感器测量得到的压力信号作为输入参数，泄漏?非泄漏状态作为输出参数（标签）构建实验数
据集，并利用 Ｚ － ｓｃｏｒｅ标准化对实验数据进行预处理，以增强实验数据的泄漏特征；其次，将实验数
据集按照 ９∶１的比例划分为训练集和测试集两部分，训练集数据用于训练网络模型，测试集数据用于
验证模型的泛化性；再次，待模型参数初始化完成后，训练集数据将进行卷积和池化操作，并在完成
池化操作后进入 ＧＲＵ层，卷积层和池化层之间采用 ＲｅＬＵ激活函数进行连接，公式如下：
ＲｅＬＵ（Ｒ） ＝ { Ｒ，Ｒ ≥０ （１７）
０，Ｒ＜０
式中 Ｒ为完成卷积操作后的数据。
训练集数据在 ＧＲＵ层中完成训练后，依次进入丢弃层、全连接层和 ｓｏｆｔｍａｘ层，并在通过损失函
作 为 损 失 函 数
数进行精 度 计 算。其 中，ｓｏｆｔｍａｘ层 用 于 求 解 数 据 分 类 的 概 率。 采 用 均 方 误 差 ε ＭＳＥ
（式（１８）），根据精度计算结果，采取负反馈算法更新各层的权值和阈值，并开始新一轮迭代训练；同
时，在每一次迭代训练时，令一定比例（丢弃层设定）的网络节点的权值和阈值不更新，以提升模型泛
化性。

０
— １ ０ ５ —