[发明专利]一种基于交叉验证法的CNN模型识别准确率优化方法

权利要求书

1.一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，包括如下步骤：

S1.采集数据并对数据进行预处理得到数据集；

S2.将数据集K折划分，K∈N；

S3.将K折划分后的数据集进行特征构建与融合，将数据集转换为特征向量或矩阵；

S4.构建CNN模型，将转换后的特征向量或矩阵输入，对CNN模型进行优化；

S5.将K折划分后的数据集导入优化后的CNN模型中进行训练并调节参数；

S6.将训练模型过后的识别结果可视化。

2.根据权利要求1所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S1中，对音频数据进行去噪和分离处理，对文本数据进行移除停止词处理，对图片数据进行归一化处理。

3.根据权利要求1所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S2中，将数据集均分成K个不重叠的子集，将子集文件名称的第一个字符设置为数字序号，序号为1到K，K∈N。

4.根据权利要求1所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S4包括：

S401：构建了一个包含输入层、卷积层、池化层、全连接层和输出层的9层结构的CNN识别模型；

S402：将转换后的特征向量或矩阵作为卷积层的输入，在每一个卷积层后对输出数据进行批正则化处理；

S403：通过激活函数对卷积层输出数据进行激活；

S404：通过最大值法使池化层池化，在全连接层前添加Dropout函数；

S405：使用归一化指数激活函数计算样本对应输出层的n个类别的概率；

S406：使用损失函数对输出层的输出结果进行分类；

S407：使用Adam梯度下降法对CNN模型进行优化。

5.根据权利要求4所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S401中，9层结构的CNN模型包括1个输入层、3个卷积层、3个池化层、1个全连接层和1个输出层。

6.根据权利要求4所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S403中，激活函数为Leaky ReLU。

7.根据权利要求4所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S406中，损失函数为交叉熵。

8.根据权利要求3所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S5中，从预先划分的K个不重叠的子集中，每次选用其中的K-1个子集进行训练，另一个子集做测试，并将10％的训练集数据划分为验证集，重复K次，将K次训练结果的均值作为最终对算法准确率的估计。

9.根据权利要求1所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S5中，通过学习率衰减策略来提升CNN模型性能，所述学习率衰减策略设置每20个epoch衰减一次，衰减后变为原来学习率的0.1倍。

10.根据权利要求1所述的一种基于交叉验证法的CNN模型识别准确率优化方法，其特征在于，所述步骤S6中，训练模型后将识别结果通过热力图显示出来。