《表3 不同结构卷积神经网络的分类效果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络和火山岩大数据的构造源区判别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将11种构造环境的火山岩进行集中训练，从每种火山岩数据集中随机抽取75%的数据构成训练数据集，剩下25%的部分构成测试数据集。由双构造环境分类结果可知，由较少参数构成的简单神经网络模型不足以准确区分部分构造源区火山岩。将所有构造环境的数据混合，会迅速提高分类难度。本文测试发现神经网络中卷积层的卷积核数量为100时，训练后总体分类准确度不到80%，增加卷积核的数量，会对分类效果有明显的提升，扩大卷积核的边长也对训练结果有影响，但并非随边长增加一定会提升分类效果。不同结构的卷积神经网络的训练和测试效果见表3。通过不断摸索尝试，卷积核尺寸设定为4×4，个数设定为10 000时，全体数据的分类准确度可以提高到95.5%，达到12种卷积神经网络模型参数组合中的最优水平，其中训练数据分类准确度可以达到99.8%，测试数据分类准确度可以达到82.6%，测试数据top2分类准确度达93.3%。理论上更加复杂的卷积神经网络可能会进一步提升分类效果，但是实际上训练数据的准确度已经达到99.8%，难以对模型提供更多的改进信息，此外由于计算平台的计算能力和存储能力有限，本文没有进一步提高卷积神经网络的复杂度。