Page 98 - 《应用声学》2023年第3期

536 2023 年 5 月

ᝫጷ૯ܿ 样本) 的混淆矩阵。测试数据集的整体识别准确率
1.6 ᰎ᝽૯ܿ
ᝫጷюᆸဋ 为 0.919，其中0类的准确率为0.86，1类的准确率为
1.4 ᰎ᝽юᆸဋ 0.92，2类的准确率为0.90，3类的准确率为0.96，4类
૯ܿ & юᆸဋ 1.0 的准确率为 0.90，5 类的准确率为0.98。从混淆矩阵
1.2
中可以清楚地看出，大部分分类是正确的，而那些预
0.8
0.6 测错误的通常只差一个类。因此，类别的边缘有可
能被错误分类。
0.4
2 4 6 8 10 2.2 不同格式背散射波信号进行超声波衰减分类
ᝫጷᣃ஝
识别的性能验证
图 6 RF 波模型分类识别网络训练曲线图 在实际无损检测过程中，除了 RF 波形式的超
Fig. 6 RF wave model classification recognition 声波信号外，还经常利用正全波形式的超声波信号
network training curve 进行检测。因此本文利用正全波形式的高温合金
本文研究的高温合金超声波衰减 -背散射样本 超声波衰减 -背散射数据集对材料超声波衰减分类
数据集数量相对较小，因此最后训练所得的模型可 识别网络模型进行训练。利用背散射(正全波信号)
能会是过拟合的；同时，在量化评价一个模型的预 数据集的训练集总共 7602 个样本对材料超声波衰
测性能时，训练过程中的所记录的准确率及损失函 减分类识别网络模型进行训练。学习率从0.0001 开
数仅能作为参考，主要用于训练过程中监测的训练 始。单个批量中包含8个样本，每轮训练批量数量为
情况，而通过训练过程发现泛化模式才是机器学习 300个，总共进行10轮训练，最终在训练集上准确率
的根本问题。因此需要确定模型真正发现了一种泛 达到0.845。图8为正全波模型训练的损失和准确率
化模式，而不是简单记住进行训练时所用到的数据。 的曲线图，训练至第10轮时模型损失和准确率已相
通常会利用未被用于训练的数据集作为测试集，通 对稳定。
过网络模型在测试集上的准确率来验证网络模型
ᝫጷ૯ܿ
的泛化能力，测试集在模型上的准确率越高，意味着 1.6 ᰎ᝽૯ܿ
ᝫጷюᆸဋ
实际任务中可以取得更好的效果。 1.4 ᰎ᝽юᆸဋ
为验证采用 RF 信号形式训练数据集进行训练 1.2
所得模型的泛化能力，本文利用 RF 信号形式测试 ૯ܿ & юᆸဋ 1.0
数据集对模型泛化能力进行实验。常用于量化基 0.8
于分类的机器学习框架泛化性能的标准方法是通 0.6
过混淆矩阵。图 7 为 RF 波测试数据集 (总共 960 个 0.4
2 4 6 8 10
ᝫጷᣃ஝
0 0.86 0.14 0.00 0.00 0.00 0.00
图 8 正全波模型分类识别网络训练曲线图
1 0.03 0.92 0.06 0.00 0.00 0.00
Fig. 8 Positive full-wave model classification
ᄾࠄѬዝ 2 3 0.00 0.03 0.90 0.07 0.00 0.00 recognition network training curve

为验证采用正全波形式训练数据集进行训练
0.00
0.00
0.04
0.96
0.00
0.00
所得模型的泛化能力，本文利用正全波形式测试
4 0.00 0.00 0.00 0.03 0.90 0.07
数据集对模型泛化能力进行实验。图9 为正全波形
5 0.00 0.00 0.00 0.00 0.02 0.98 式测试数据集 (总共 960 个样本) 的混淆矩阵。测试
数据集的整体识别准确率为 0.808，0 类的准确率为
0 1 2 3 4 5
ᮕ฾Ѭዝ 0.51，1类的准确率为0.93，2类的准确率为0.85，3类
图 7 RF 波数据集测试集进行预测所得的混淆矩阵 的准确率为 0.82，4 类的准确率为 0.79，5 类的准确
Fig. 7 Confusion matrix obtained from prediction of 率为0.96。相比于采用RF信号进行训练的模型，在
RF wave data set and test set 采用相同超参数进行训练的情况下，利用正全波信