[发明专利]一种基于卷积神经网络二氧化钛晶格相的分类方法

权利要求书

1.一种基于卷积神经网络二氧化钛晶格相的分类方法，其特征在于：该方法包括如下步骤：

步骤一、采集数据集：采集透射电子显微镜下二氧化钛不同晶格相的图片，并进行人工标注，即标记出图片所属的晶格相，一个标记好的图片称为样本；所有样本包含的晶格相的总的类别个数记为num_classes；将采集到的所有二氧化钛不同晶格相的数据统称为数据集；

步骤二、对步骤一采集到的数据集进行分割；

1)、第一种分割方法，传统的数据分割方法：将步骤一采集到数据集的70％作为训练集，20％作为验证集，10％作为测试集；

2)、第二种分割方法：将步骤一采集到数据集80％作为训练集，20％作为测试集，对训练集做K折交叉验证；

步骤三、通过步骤二分割后的数据集建立卷积神经网络模型，卷积神经网络模型的基本结构由输入层，卷积层，填充层，池化层，dropout层，全连接层，softmax层组成，通过softmax层计算得到最终结果；

步骤四、通过步骤二分割后的验证集优化卷积神经网络模型参数；

步骤五、多模型融合；

1)、建立多个步骤三中的卷积神经网络模型，其中模型的卷积核和填充层参数选择是不同的，对数据集进行预测，保存并记录结果；

2)、对多个模型的最终结果进行加权平均，每个模型的权重通过其在测试集的表现上来确定；

步骤六、测试最终结果；

步骤二所述的K折交叉验证方法，K折交叉验证代表的是，初始采样的数据分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，把得到的K个结果进行平均，最终得到结果；

步骤三所述的建立卷积神经网络的具体方法是：

1)、建立输入层，输入数据来源于步骤二分割后的训练集，图片分辨率为32*32，为黑白图像，转换成灰度张量为[32,32,1]，深度为1；

2)、建立卷积层，称之为filter层，利用多个卷积核与步骤三1)中灰度张量进行卷积，从而起到提取图像特征的作用；

3)、建立填充层，由于在步骤三2)卷积之后原张量的size变小了，所以人为建立一个填充层，把经过步骤三2)卷积后的张量的size填充成和原张量相同；

4)、建立池化层，用于提取经过步骤三3)填充后的灰度张量的特征并缩小数据，池化层设置为在size[2,2]的矩阵中取最大值；

5)、建立dropout层，用于不断的调整神经网络的节点，设置概率使经过步骤三4)池化后的灰度张量随机失活，从而过滤冗余信息；

6)、建立多个卷积层，充分提取经过步骤三5)dropout层处理后的灰度张量的特征；

7)、建立全连接层，把经过步骤三6)多个卷积层处理后的灰度张量变成一个size为[N,num_classes]的矩阵；

8)、通过softmax函数计算经过步骤三7)全连接层处理后的矩阵，输出最终分类结果；

步骤四所述的优化卷积神经网络模型参数：

1)、不断调节步骤三2)中卷积核的个数，模型输入步骤二分割后的验证集，通过模型实验结果来选择最佳个数；

2)、不断调节步骤三5)中dropout层的失活概率，模型输入步骤二分割后的验证集，通过模型实验结果来选择最佳概率。