袁传新等：卷积神经网络在矿区预测中的研究与应用 ·1601· 负样本分别标注为I和O.使用Numpy数值计算 库以矩阵的形式读取每一个文本，对矩阵的每一 11.0 个数值x1,更新数值x=(一min)/MAX,更新后的 0.8 数据如图3所示 0.6 0.4 0.2 10.8 0.7 0.6 0.5 10 20 30 dim d/m 40 0.2 50 0 0.1 图4同一陡坡矩阵的两种标淮化结果 40 Fig.4 Example of processed data 30 0 10 2 20 30 10 dm 1l2×I12,使用opencv的cvtColor函数将单通道数 d/m 40 50 0 值矩阵转换为3通道， 图3处理后的数据示例 本文算法的实现基于python语言，使用Numpy Fig.3 Example terrain of processed data 数值计算库和Opencv计算机视觉库进行数据读 此种做法针对本文实验数据存在两点优点， 入和预处理，基于深度学习高阶API Keras搭建了 一是如前文所述，计算所有矩阵最大值与最小值 4种神经网络结构，实验结果的展示使用python 差值，取最大差值MAX为分母，解决了使用原始 的Matplotlib模块 方法平地和崎岖地形分不开问题；二是取得每一 33实验结果与分析 个矩阵的最大值max1和最小值min,使用MAX 对24000个地形矩阵数值矩阵进行区分类， 和(max1min)的最大值Max为分母，防止对于新 19200个作为训练集，4800个作为测试集，其中训 数据处理后出现矩阵大于1的情况.如图4所示， 练集划分20%作为验证集.本文使用多种网络结 橙色表示使用min-max方法数据标准化的结果， 构对训练集进行训练，并对几种取得较好结果的 任何矩阵都被拉伸至范围0~1，会混淆平地和陡 模型效果图进行展示 坡，影响各矩阵相对坡度特征；蓝色表示使用统一 从图5来看，左图训练集和验证集的L0ss值逐 参数MAX标准化的结果，保留了各矩阵原有的相 渐下降，右图训练集和验证机Accuracy逐渐上升， 对坡度特征不变. 且两图曲线均呈收敛态势，说明Conv-3训练模型 另外，VGGnet16要求数值矩阵的大小至少为 对已有数据是有效的.从Loss曲线可以看出在训练 48×48,且必须为3通道.为了网络模型的要求，并 到65轮后验证集Loss开始高于训练集Loss且差 保证原始矩阵反应的地形特征不变，在进行对比 值有扩大的趋势，产生过拟合，说明在65轮时模型 实验时本文使用双线性插值将数值矩阵扩大为 取得最好效果，此时准确率为0.8246，Loss为0.415. 0.65 (a) 0.84 (b) 0.82 0.60 0.80 0.55 30.76 0.50 0.74 -Train -Train -Validation 0.72 -Validation 0.45 0.70 0.40 0.68 0 20 40 60 80 100 0 20 40 60 80 100 Epochs Epochs 图5Conv-3的损失曲线(a)和准确率(b) Fig.5 Conv-3 loss (a)and accuracy (b)负样本分别标注为 1 和 0. 使用 Numpy 数值计算 库以矩阵的形式读取每一个文本，对矩阵的每一 个数值 x1，更新数值 x1= (x1−min)/MAX，更新后的 数据如图 3 所示. 此种做法针对本文实验数据存在两点优点， 一是如前文所述，计算所有矩阵最大值与最小值 差值，取最大差值 MAX 为分母，解决了使用原始 方法平地和崎岖地形分不开问题；二是取得每一 个矩阵的最大值 max1 和最小值 min1，使用 MAX 和（max1−min1）的最大值 Max 为分母，防止对于新 数据处理后出现矩阵大于 1 的情况. 如图 4 所示， 橙色表示使用 min−max 方法数据标准化的结果， 任何矩阵都被拉伸至范围 0～1，会混淆平地和陡 坡，影响各矩阵相对坡度特征；蓝色表示使用统一 参数 MAX 标准化的结果，保留了各矩阵原有的相 对坡度特征不变. 另外，VGGnet 16 要求数值矩阵的大小至少为 48×48，且必须为 3 通道. 为了网络模型的要求，并 保证原始矩阵反应的地形特征不变，在进行对比 实验时本文使用双线性插值将数值矩阵扩大为 112×112，使用 opencv 的 cvtColor 函数将单通道数 值矩阵转换为 3 通道. 本文算法的实现基于 python 语言，使用 Numpy 数值计算库和 Opencv 计算机视觉库进行数据读 入和预处理，基于深度学习高阶 API Keras 搭建了 4 种神经网络结构，实验结果的展示使用 python 的 Matplotlib 模块. 3.3    实验结果与分析 对 24000 个地形矩阵数值矩阵进行区分类， 19200 个作为训练集，4800 个作为测试集，其中训 练集划分 20% 作为验证集. 本文使用多种网络结 构对训练集进行训练，并对几种取得较好结果的 模型效果图进行展示. 从图 5 来看，左图训练集和验证集的 Loss 值逐 渐下降，右图训练集和验证机 Accuracy 逐渐上升， 且两图曲线均呈收敛态势，说明 Conv-3 训练模型 对已有数据是有效的. 从 Loss 曲线可以看出在训练 到 65 轮后验证集 Loss 开始高于训练集 Loss 且差 值有扩大的趋势，产生过拟合，说明在 65 轮时模型 取得最好效果，此时准确率为 0.8246，Loss 为 0.415. 0 10 20 30 d1 /m d2 /m h/m 40 50 0 10 20 30 40 50 0.1 0 0.2 0.3 0.4 0.6 0.5 0.8 0.7 图 3    处理后的数据示例 Fig.3    Example terrain of processed data 0 10 20 30 d1 /m d2 /m h/m 40 50 0 10 20 30 40 50 0 0.2 0.4 0.6 0.8 1.0 图 4    同一陡坡矩阵的两种标准化结果 Fig.4    Example of processed data 0.65 Train Validation 0.84 0.60 0.82 0.55 0.80 0.50 0.78 0.45 0.76 0.40 0 20 40 Epochs Loss Epochs (a) (b) Accuracy 60 80 100 0.74 0.72 0.70 0.68 0 20 40 60 80 100 Train Validation 图 5    Conv-3 的损失曲线（a）和准确率（b） Fig.5    Conv-3 loss (a) and accuracy (b) 袁传新等： 卷积神经网络在矿区预测中的研究与应用 · 1601 ·