使用卷积神经网络(CNN,Convolutional Neural Network)来对分布式光纤传感系统所采集到的扰动信号进行识别的方法已经非常常见。该方法借助卷积神经网络强大的特征提取能力,相比于传统的机器学习方法,无需手动提取事件信号中的特征。但是神经网络避免不了调参的环节,于是本文提出了一种改进的灰狼算法(GWO,Gray Wolf Optimizer)来实现对网络参数的自动调节。灰狼算法最重要的是目标函数的选取,本文以训练集上的准确率作为目标函数,将神经网络训练过程中的卷积核大小、批处理数量以及每一个卷积层和第一个全连接层的输出维度作为待优化的参数,这些参数不断迭代从而尽可能地找到目标函数取最大值时所对应的参数组合。训练结果显示,卷积神经网络使用通过改进后的灰狼算法优化的参数在测试集上的识别准确率可达96%,而优化前的准确率为94%,说明改进后的灰狼算法用于参数优化确实可以提高神经网络训练的准确性。
暂无评论