Page 31 - 《应用声学》2021年第4期

第 40 卷 第 4 期 逄岩等： 基于 Gammatone 滤波器组时频谱和卷积神经网络的海底底质分类 515

3.2 实验结果与分析 测试准确率最终逐步稳定在 99% 左右。采用 SGD
为了充分验证利用构建的 CNN 模型分类底质 优化器，初始学习率 0.01 时，训练损失和测试准确
图像信号 GFB 时频谱所达到的底质分类效果，在 率变化情况与 Adam 优化器时的变化情况类似；而
实验中分别利用随机梯度下降(Stochastic gradient 初始学习率为 0.001 时，训练损失和测试准确率收
descent, SGD) 优化器和Adam优化器对CNN 模型 敛速度相对较慢，但在训练过程中训练损失和测试
准确率变化平稳，两种初始学习率条件下的测试准
进行优化，同时对分类结果进行比较分析。此外，通
确率最终也逐步稳定在 99% 左右。总体而言，本文
过设置初始学习率为 0.01 和 0.001 验证上述优化器
提出的方法取得了较高的分类准确率，整体分类结
在不同学习率条件下的学习和分类能力。两种优化
果如表2所示。
器在不同初始学习率下训练损失与测试准确率变
化过程和测试准确率随训练次数变化结果分别如
表 2 本文方法在不同初始学习率下的分类结果
图7和图8所示。
Table 2 Classification results of this method
通过实验结果可知，采用Adam优化器，初始学 under different initial learning rates
习率为 0.01 时，训练损失和测试准确率虽然在训练
优化器 初始学习率 准确率/% 平均准确率/%
过程中发生明显起伏，但在训练样本训练 10次以后
0.01 99.3
达到收敛；初始学习率为 0.001 时，训练损失和测试 Adam 0.001 99.3
99.15
准确率在全部样本训练 10次后同样达到收敛，同时 SGD 0.01 99.3
0.001 98.7
二者变化相对理想平稳；两种初始学习率条件下的

1.4 Ѻݽߦ˸஍ဋ0.01 Ѻݽߦ˸஍ဋ0.01
Ѻݽߦ˸஍ဋ0.001 1.0 Ѻݽߦ˸஍ဋ0.001
1.2
0.8
1.0
ᝫጷ૯ܿ 0.8 ᝫጷ૯ܿ 0.6
0.6
0.4
0.4
0.2
0.2
0 0
0 200 400 600 800 0 200 400 600 800
ᤖ̽ᝫጷ൓஝ ᤖ̽ᝫጷ൓஝
(a) Adam͖ӑ٨ᝫጷ૯ܿ (b) SGD͖ӑ٨ᝫጷ૯ܿ
100 100

80 80
฾តನవюᆸဋ/% 60 ฾តನవюᆸဋ/% 60

40
Ѻݽߦ˸஍ဋ0.01 40 Ѻݽߦ˸஍ဋ0.01
20 Ѻݽߦ˸஍ဋ0.001 20 Ѻݽߦ˸஍ဋ0.001

0 0
0 200 400 600 800 0 200 400 600 800
ᤖ̽ᝫጷ൓஝ ᤖ̽ᝫጷ൓஝
(c) Adam͖ӑ٨฾តನవюᆸဋ (d) SGD͖ӑ٨฾តನవюᆸဋ
图 7 两种优化器不同初始学习率下训练损失与测试准确率对比
Fig. 7 Comparison of training loss and test accuracy of two optimizers with different initial learning rates