Page 33 - 2025年第56卷第9期

上述网络模型均采用自编码器主体结构，利用转置卷积操作将压缩特征解码升维，主要差异在于
运用了不同网络算法进行编码。采用经典的 ResNet18 网络 ［26］ 作为编码器时，其网络参数规模、训练时
间、验证集均方根误差和召回率均较差，表明该编码器在本项任务中的数据特征学习能力、网络参数
量和计算成本均不理想。采用 Inception 编码器时，其网络参数量显著减小，训练时间缩短，验证集均
方根误差和召回率均有所改善，表明 Inception 网络在本任务中以更低的计算成本完成了更有效的特征
学习。当 Inception 编码器中引入 LSTM 算法后，网络参数量和训练时间增加，由于时序特征的考虑，
模型准确性进一步提升，与预期效果相符。将 LSTM 算法替换为 GRU 算法后，由于 GRU 模块的体量更
小，因此网络参数量有所下降，但仍高于单独 Inception 编码器，可能是由于模型中保留的传统隐含层

拖慢了计算速度。Autoencoder-Inception-GRU 在参数量更大的情况下训练时间还略短于 Autoencoder-
Inception 模型，从而获得了最快的计算速度；该模型的召回率也最高，展示了较优的特征学习能力。
5.3 样本重构能力 为进一步研究 Autoencoder-Inception-GRU 模型的样本重构能力，将上述计算过
程中不同模块的输出特征用主成分分析法降维投影至二维平面，如图 4 所示。在编码过程中，输入样

本经 CNN 模块计算后在特征空间中的分布范围更加聚集，表明实现了信息压缩和特征提取；经 Incep⁃
tion 模块运算后，样本点在特征空间中的分布范围再次显著减小，表明大部分无效信息被剔除，仅少
量关键特征得到保留，实现了输入样本的低维向量特征表示；而样本经 GRU 模块输出后，时序依赖关
系被考虑，新增了长短期时间特征，样本点在特征空间的分布范围有所扩大，但相比最初输入仍然实
现了数据的有效压缩，达到了编码器的预期功能。

图 4 Autoencoder-Inception-GRU 模型各模块输出特征可视化
在解码过程中，多层传统卷积提供了足够的参数以保障非线性解码映射的实现，转置卷积将数据
特征逐步升维，表现为样本点在特征空间中分布范围的扩大。对比网络输入和输出，可以发现实际样
本点和预测样本点在特征空间中的投影范围高度重合，表明 Autoencoder-Inception-GRU 模型学习到了
原始样本的关键特征，并能够实现样本数据的精确重构，通过进一步的重构误差检测，可实现高坝泄
流运行状态的有效监测和预警。

6 工程应用

6.1 多种类数据集下的模型应用 基于原型监测工况一的实测数据，按第 4 节所述提取特征，构建了

声 压 、 振 动 和 图 像 单 类 型 、 两 两 融 合 和 全 部 特 征 融 合 共 7 个 数 据 集 。 由 于 表 2 中 Autoencoder-
— 1137 —