Page 32 - 2025年第56卷第9期

图 3 给出了数据融合的详细过程。首先对流态图像采取图像分割和灰度化操作，精简信息，保留
关键的流态特征；然后分别抽取一定长度的振动位移和空气声压数据，采用短时傅里叶变换计算信号
的时频图；再将流态特征图像和两类时频图缩放为相同大小的二维矩阵；最后将上述三类二维数据在
拼接为三维矩阵拼接，并采用归一化处理缩小数据间差异，实现特征级融合。由上述计算流程可知，
该方法对于一维时序数据和二维空间信息数据的特征级融合具有普遍适用性。

图 3 数据融合流程图

5 泄洪安全监测方法性能评价

5.1 数据集构建 为检验所提监测预警方法的性能，由上述原型观测工况一的实测数据构建数据集。
在工况一的持续观测数据中提取 10 692 个声压和振动数据区段，如第 4 节所述计算每个数据区段的时
频图（257×257）。为了分析方便，图像数据暂未考虑，每个分析样本由声压和振动共 9 个时频图（通
道）构成。所得数据集大小为 257×257×9×10692，按 8∶1∶1 划分为训练集、验证集和测试集。
5.2 模型性能评价 模型性能评价试验所用的处理器型号为 Intel（R）Core（TM）i7-13700K 3.40 GHz，

GPU 型号为 Intel（R）UHD Graphics 770，显存 16 GB。试验依托 MATLAB R2023a 深度学习框架进行，

批处理大小设置为 4，采用 Adam 梯度下降算法，初始学习率和学习率衰减因子分别为 0.001 和 0.85，
最大训练轮次为 50，每轮次训练开始前随机打乱样本顺序，每 500 次迭代验证一次，隐含层设置为输
出所有时间步状态，Dropout 层丢弃概率设置为 0.2。所提出的模型经过 7100 次迭代，达到最大训练轮
次，模型收敛，召回率达 99.16%。
为 了 进 一 步 评 估 模 型 性 能 ， 分 别 引 入 Autoencoder-ResNet18（即 将 Inception 和 GRU 模 块 替 换 为
ResNet18 网络）、Autoencoder-Inception（即删除 GRU 模块）和 Autoencoder-Inception-LSTM（即将 GRU 模
块替换为 LSTM 网络）等模型进行网络训练，训练结果如表 2 所示。

表 2 模型参数及训练结果

模型名称 网络参数规模 训练时间/s 验证集均方根误差 召回率/%
6
Autoencoder-ResNet18 79.0×10 22745 524.76 95.64
Autoencoder-Inception 41.8×10 6 19209 456.86 98.44
6
Autoencoder-Inception-LSTM 51.4×10 20835 396.57 99.06
Autoencoder-Inception-GRU 48.7×10 6 18773 410.32 99.16

— 1136 —