实验过程与效果
2.1体验者数据识别过程
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形[22]。本研究利用CNN在体验者数据集上进行要素提取与模型训练[23]，相对准确地提取出图片中的特征要素，并通过准确率测试检验识别效果，随后输出对应要素的占比情况，将体验者的感受清晰、真实地展现出来。
选取ResNet-101和DenseNet-161两个CNN模型进行识别效果预测试，结果显示两者的总准确率分别为69.31%和83.34%，故选取识别效果更佳的DenseNet-161作为训练模型。随后，对所选模型进行参数优化设置：1）图像尺寸为256×256像素；2）批量大小（batchsize）为64张；3）优化器选取Adam；4）学习率（learningrate）为0.001；5）损失函数为交叉熵（crossentropyloss）；6）学习轮数中单独场景为60轮，总场景为100轮。
实验总共分为4步。第1步，将处理后的数据输入到DenseNet-161模型中进行要素特征提取，通过更新参数、卷积迭代等措施进行误差修正，得到最终识别模型。第2步，利用测试数据集对模型识别效果进行检验，得到准确率等评价指标。第3步，输出要素分类占比的识别结果（图4）。第4步，根据分类识别结果，进行数据分析和策略探讨。
2.2体验者数据识别准确率
CNN中的召回率（R）、精确率（P）能够相对客观地评价出识别效果。召回率表示样本中的正例有多少被预测正确，精确率表示预测为正确的样本中有多少是真正的样本。根据识别结果输出的混淆矩阵（图5）可以计算出整体的召回率均值达到87.13%，根据各要素识别率可知（表1），整体数据的识别效果较好。
2.3体验者数据一致性检验
根据混淆矩阵与Lapp，指标计算式四，得出DenseNet-161模型的分类精度指标Kappa系数为0.84。根据Kappa系数评价标准可知，Kappa系数为0.81~1.00的一致性评价结果为“几乎完全一致”，表明实验数据可用。
