[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

说明书

本发明涉及人工智能技术领域，具体公开了一种基于交叉验证法的CNN模型识别准确率优化方法，包括如下步骤：采集数据并对数据进行预处理得到数据集；将数据集K折划分，K∈N；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；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；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；将训练模型过后的识别结果可视化。本发明得到的模型识别准确率更为可靠，小数据集处理中能够避免因数据量少而产生的模型过拟合问题，可深入挖掘不同划分集合所蕴含的信息，对数据有更高的利用度，可以有效提高CNN识别模型的数据处理效率。

技术领域

本发明涉及人工智能技术领域。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)最初是由Yann Lecun等人提出的一种具有多层结构的神经网络。由于CNN的层间采用局部连接且权值相互共享，使其可提取输入值的局部特征，还具有参数量较小，模型复杂度低的特点。另外，CNN可输入不同维度的数据，既可以是一维序列，也可以是二维图像。因此近几年CNN被广泛应用于各领域的模式识别任务中。目前，提升CNN模型识别准确率主要通过对数据进行处理以及对模型进行改进，如：增加数据量、更改输入数据大小、增加网络深度、增加训练轮次等。

但在实际情况中，由于不同领域的数据特征不同，多数情况下数据无法互通使用，因此在使用深度学习技术实现模式识别前需首先构建其特有的数据集，但所构建的数据集常会面临数据量少的情况。这种情况会使得在识别过程中难以提供足够的信息给模型学习，从而产生过拟合现象或令模型陷入局部最优值，最终对模型识别准确率产生较大影响。因此要提出了一种基于交叉验证法的CNN模型识别准确率优化方法，来改善以往提升模型识别准确率方法无法适应小数据集的情况。

发明内容

为了解决现有的卷积神经网络中存在的上述问题，本发明提供了一种基于交叉验证法的CNN模型识别准确率优化方法。

本发明为实现上述目的所采用的技术方案是：一种基于交叉验证法的CNN模型识别准确率优化方法，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。

优选的，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。

优选的，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。

优选的，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；