高述勇 周粉粉 符朝兴 孟含

摘要： 针对训练样本数量和迭代次数对卷积神经网络识别率的影响，本文以经典LeNet卷积神经网络为研究对象，以Mnist样本集为样本，利用Matlab软件研究了样本数量和迭代次数与网络识别率的关系。通过调整训练样本数量和迭代次数，对比不同训练结果对网络错误率的影响，得出在迭代次数、学习率及批数据大小不变的情况下，训练样本数目对网络识别错误率的影响存在阈值，当训练样本数目大于阈值时，样本数目增加，错误率降低很小；在训练样本数目、学习率及批数据大小不变的情况下，随着迭代次数的逐渐增加，网络识别的总体错误率呈现先缓慢下降后快速下降，之后又缓慢下降的趋势，在迭代次数少的情况下，迭代次数和误差率变化规律具有随机性。该研究对中小样本数量的卷积神经网络提供了理论参考。

关键词： 卷积神经网络； 识别率； 样本数目； 迭代次数

中图分类号： TP183； TP391.413文献标识码： A

收稿日期： 20170523； 修回日期： 20170830

作者简介： 高述勇（1992），男，硕士研究生，主要研究方向为智能设计。

通讯作者： 符朝兴，男，博士，副教授，主要研究方向为车辆振动及控制。Email： cx_f@163.com随着人工智能的迅速发展，卷积神经网络[16]作为图像识别的重要算法成为研究热点。卷积神经网络的训练结果依赖于样本数量和迭代次数等因素，大样本神经网络的训练已经比较成熟，但多数实际工程领域不满足大样本的条件要求[711]，导致识别率较低。在样本数量不足的情况下，杨世元等人[12]讨论了一种基于支持向量机（support vecort machine，SVM）技术的FLANN构造新方法，在实验数据较少的小样本条件下仍然具有更高的鲁棒性和修正精度；……