Page 214 - 《软件学报》2021年第12期

3878 Journal of Software 软件学报 Vol.32, No.12, December 2021

的优越性.
本文提出的以二维网状 PSD 特征为输入 Casc_CNN_CNN 模型的测试集平均分类准确率达到了 92.37%,32
名被试者详细的预测精度如图 4 所示.

Fig.4 Statistics chart of Casc_CNN_CNN model test set classification accuracy results
图 4 Casc_CNN_CNN 模型测试集分类精度结果统计图

第 18 名被试者的分类准确率达到了 97.19%,为所有被试者中最高.图 5 为其训练过程曲线,下方曲线表示
训练平均误差 loss,上方曲线表示训练准确率 acc.

Fig.5 Casc_CNN_CNN model sub18 training process diagram
图 5 Casc_CNN_CNN 模型 sub18 训练过程示意图
通过观察图 5 可以得知:训练过程中,随着迭代次数 iteration 的增加,平均误差 loss 虽然出现过 3 次骤然上
升后又急速下降的情况,但整体依然呈现下降并不断向零趋近的态势;训练准确率 acc 整体上向 1 趋近,最终在
0.99 附近达到收敛.Iteration 从 0 增至 3500 期间,loss 初始值从 0.7 附近开始,随着 iteration 的变大而以螺旋梯度
−4
下降的方式不断向 0 逼近.而 acc 以将近每 iteration 增加 1.86×10 的速度,以螺旋梯度上升的方式,从 0.3 升至
0.95.在这一过程中,acc 的增速在 iteration 等于 1800~2500 左右出现过 3 次幅度较大的减小.随着 acc 曲线斜率
的降低,loss 值虽然不断减小,但其下降趋势也逐步放缓.本文作者分析认为,该现象的出现有两个原因:一是由
于超参数 batch_size 设置偏小,在模型较为复杂的情况下,每轮迭代需要更新的参数较多,如果输入数据不足,则
会导致 loss 函数震荡而不收敛的情况;二是由于超参数 learning rate 设置的偏大,虽然在训练开始时模型的性能
得到了快速的提升,但随着 iteration 的增加,模型难以快速找到最优解,从而导致了 loss 震荡而不收敛情况的出
现.而当迭代至 3600、4200、5500 轮左右时,模型都出现了 loss 突然增大和 acc 突然减小的情况,但作者认为,