Page 139 - 《应该声学》2022年第2期

第 41 卷 第 2 期 高子洋等： 卷积神经网络的缺陷类型识别分析 307

表 5 一维卷积和二维卷积模型对识别准确率的影响 3.2 数据增强对识别准确率的影响
Table 5 The influence of one-dimensional 表6展示了不同网络结构在原始数据集和数据
convolution and two-dimensional convolution 增强后总数据集下的表现差异，迭代次数为 100 次。
models on identification accuracy
LeNet5、VGG16、ResNet 在原始数据集上一维卷积
模型识别准确率分别为 90%、93.33%、90%，二维卷
一维 二维
网络类型 积模型识别准确率分别为 96.67%、100%、96.67%，
准确率/% 训练时间/s 准确率/% 训练时间/s
LeNet5 95.56 10.47 99.33 263.8 对比在增强后数据集上各网络的表现，可以看到
VGG16 98.89 49.37 100 494.1 数据增强后各网络结构的识别准确率均有明显的
ResNet 97.78 50.28 100 521.5 提升。

表 6 数据增强对识别准确率的影响
Table 6 The influence of data augmentation on identification accuracy

(单位: %)
网络类型 LeNet5-1D VGG16-1D ResNet-1D LeNet5-2D VGG16-2D ResNet-2D
原始数据集 90.00 93.33 90.00 96.67 100 96.67
增强后数据集 95.56 98.89 97.78 99.33 100 100

3.3 迭代次数对识别准确率的影响 3.4 Dropout 和 Batch Normalization 对识别
每一次迭代都要对参数进行修正，迭代次数代 准确率的影响
表着对数据的拟合程度，迭代次数越多说明对数 不同的优化方法 (Dropout 和 Batch Normal-
据拟合得越好，但是迭代次数过多又会造成过拟 ization) 对识别准确率及训练时间的影响如表 8 所
合。针对原始数据集，使用不同网络结构在一维卷 示。使用 LeNet5 结构在扩充后的数据集上进行训
积上迭代不同轮次，对比识别准确率。从表 7 可以 练，结果表明当使用 Dropout 时准确率为 97.78%，
看出，LeNet5 在训练 100、200、300 轮次时的准确率 训练时间为 11.4 s，使用 Batch Normalization 时准
分别为 90%、93.33%、96.67%，准确率一直上升，说 确率为 100%，训练时间为 13.67 s，两者都不使用
明网络还没有完全拟合，随着迭代次数的增加网络 时准确率仅为 95.56%，训练时间为 10.47 s。图 7 展
识别准确率更高。VGG16 在训练 100、200、300 轮 示了 3 种模式在训练过程中验证集准确率和损失
次时的准确率分别为93.33%、96.67%、90%，ResNet 函数随着迭代次数的变化，可以看出 Batch Nor-
在训练 100、200、300 轮次时的准确率分别为 90%、 malization 在训练过程中验证集准确率增长速度最
93.33%、86.67%，这两个网络在训练 300 轮次的时
快，损失值最低，说明收敛速度更快。综合来看，使
候准确率都出现了降低，说明这个时候网络已经过
用 Dropout 或 Batch Normalization 虽然在训练时
拟合。由此可见，在网络训练的时候迭代次数并不
间上都有了一定的增加，但是准确率也有一定的提
是越多越好，特别是复杂网络，选择合适的迭代次数
升，Batch Normalization表现尤为突出。
很重要。
表 8 Dropout 和 Batch Normalization 对识
表 7 迭代次数对识别准确率的影响
别准确率的影响
Table 7 The influence of iteration number
Table 8 The influence of Dropout and
on identification accuracy
Batch Normalization on identification ac-
(单位: %)
curacy
网络类型 100 epoch 200 epoch 300 epoch
准确率/% 训练时间/s
LeNet5-1D 90.00 93.33 96.67
使用 Dropout 97.78 11.4
VGG16-1D 93.33 96.67 90.00
使用 Batch Normalization 100 13.67
ResNet-1D 90.00 93.33 86.67 都不使用 95.56 10.47