Page 36 - 2025年第56卷第9期

入训练好的模型，以得到重构样本；然后将输入样本和重构样本带入式（3），即可计算出验证集中所
有样本的欧氏距离；进一步地，取所有样本欧氏距离的最大值，乘以 0.95 的系数，作为欧氏距离阈值
进行异常判定；同理可得平均误差百分比的异常阈值。由图可知，两个重构误差函数的效果和所起的
作用有所差别。欧氏距离阈值具有较优异的正常和异常样本区分性能，上述模型获得较理想的分类准
确率主要依靠该项指标，相对而言其对应的正常样本识别率偏低，而异常样本识别率很高。平均误差
百分比阈值对应的异常样本识别率很低，而正常样本识别率明显更高，甚至略好于欧氏距离的正常样
本识别率。因此，平均误差百分比可以对欧氏距离的分类准确率起到微弱的互补作用，对召回率（甚
至也包括精确率）在小范围内起到提升效果。

图 5 含异常样本数据集的重构误差分布情况

必须指出的是，文献［7］中异常流态的图像由模拟了不同底板和边墙破坏程度的某工程明流泄洪
洞水力学模型试验测试得到，异常空气声压数据为室内磁致伸缩仪所产生的空化声信号，一方面与工
况一测试的其它两类数据不匹配，另一方面数据本身能够在多大程度上模拟工程实际异常信号还存有
较大疑问。因此，本小节的泄流监测预警任务与实际情况可能存在较大差异，所得到的较理想的模型
性能表现仅作为参考，相关内容还需进一步研究。

7 结论

本文通过原型监测试验，构建了振动位移-空气声压-流态图像数据库，提出了多源异构数据的特
征级融合方法；根据自编码器结构，构建了深度学习网络模型，并嵌入 Inception 和 GRU 模块，提出了
Autoencoder-Inception-GRU 单分类异常识别模型；基于原型数据库，对所提出模型的性能进行了详细
分析，结果表明该模型的网络参数量、训练时间和召回率等指标均优于同类模型，能够有效学习数据

— 1140 —