大规模的模拟和传感器设备阵列与现今日益庞大的计算资源相结合,产生了海量的复杂高维数据集,这些数据集应用在众多领域的研究中。与此同时,计算机视觉与模式识别领域的研究者们取得了许多重大突破,尤其是卷积神经网络近年来在该领域取得的成就尤为突出。文章将高维数据应用于深度卷积神经网络中,通过实验与分析比对,证明高维数据应用于卷积神经网络中的可能性。 特征选取挑战赛中5个数据集之一的Arcene数据集[7]。Arcene数据集的任务是使用大量的质谱数据分辨目标是否患有癌症。Arcene数据集一共包含有900条数据训练集、验证集、测试集分别来自3个不同的来源。其中训练集、验证集各100条数据，测试集700条数据，但未给出标注。选取ml-benchmarks中的已标注的100条数据作为测试集。其中，每条数据有10000个特征。如图4所示，这是Arcene数据集中一条数据展开成100×100大小矩阵所转化成的灰度图片。与实验阶段一不同图16层卷积网络图2UCI可穿戴计算体态分类数据集选取特征组成的4×4灰阶第13期2018年7月No.13July，2018的是，通过肉眼已经无法看出其中存在的模式。图3ResNet50-mini训练情况图4ARCENE数据组成的100×100的灰阶2.2.2训练卷积神经网络将数据集中的测试集、本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/验证集与验证集合并，并随机划分为270条数据为训练集，30条数据为测试集。本阶段实验选取的模型为4层卷积神经网络，结构如图1所示，训练中使用的优化算法为Adam算法，损失函数为多类交叉熵（categoricalcrossentropy）函数。高维数据集在-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机如图5所示，ARCENE数据集在6层卷积神经网络上的训练情况可以看出，虽然一开始损失很大，但是随着训练的时间开始快速下降，100个Epoch训练后分类准确度达到69.99%。2.3实验结果在实验阶段一中，KNN在UCI可穿戴体态分类数据集上进行多分类任务准确度可以达到99.54%，而卷积神经网络ResNet50-mini在这一任务上的表现则为99.56%。阶段二中，KNN在ARCENE数据集上的表现为53.33%，而6层卷积神经网络在这一任务上可以达到69.99%的准确度。实验结果如表3所示，无论在ResNet50-mini这样深度较大的神经网络或是一个6层卷积神经网络，对高维数据集的分类任务都有着优异的表现。表3实验结果对比数据集KNN/%卷积神经网络/%UCI可穿戴体态分类99.5499.56ARCENE53.3369.99图56层卷积神经网络100个Epoch的训练情况3结语经过两个阶段的实验，可以直观地看出深度卷积神经网络在提取高维数据集特征以及处理分类任务上有着优异的表现，取得了普通浅层机器学习模型难以达到的成绩。通过浅层机器学习模型来处理这一类高维数据集的分类问题是有一定难度的，通常需要消耗大量的时间来预处理数据或使用一?高维数据集在-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/