刘梦雅，毛剑琳

(昆明理工大学 信息工程与自动化学院，云南 昆明 650500)

近年来，深度学习的发展使得机器学习取得了重要突破。其中，卷积神经网络 (CNN)在图像处理等方面的研究成果十分瞩目。它不但可以像人类视觉系统一样逐层提取得到图像的深层特征，提高网络的识别率；而且它提取到的特征具有较强的平移不变性，解决了由于图像变换引起的特征提取不准确的问题[1]。由于存在很多优点，目前卷积神经网络在虹膜识别、人脸识别、图像识别、语音识别等许多方面有着广泛的应用。

Lee等人[2]使用分层生成模型改进卷积神经网络来处理高维图像，大幅提高了准确率；Alex等[3]在处理图像识别问题时，构建了一种大型深层卷积神经网络，经测试发现，识别率得到了明显提高。目前提出的很多改进算法都取得了良好的识别效果，但对训练数据量的要求仍然较大，如果数据量较小就会导致卷积神经网络前几层得不到充分训练。为解决这一问题，权值的初始化操作是一个改进方向，文献[4]提出利用稀疏自动编码器学习输入图像的特征以初始化卷积神经网络的卷积核，之后文献[5]提出采用 PCA 改进初始权值的方法，但效果不佳，所以滤波器初值的优化仍然比较困难。

此外，卷积核的大小、池化模型以及特征图的个数都会影响CNN的运行速度和识别率。文献[6]比较了卷积核大小为19、15、11、7、3共5种情况下的实验结果，并得出结论：卷积核较小的情况更能拟合原始变化趋势，但是时间消耗巨大。……