基于深度学习的数据特征提取与分类

摘要

针对传统人工特征提取方法泛化能力弱、难以满足复杂数据分类需求的问题，本文提出一种基于深度学习的特征提取与分类方法。该方法通过构建多层卷积神经网络实现端到端特征自适应学习，利用卷积和池化操作提取层次化特征表示；采用多尺度特征融合策略整合不同层次语义信息，增强模型表征能力；设计全连接分类器完成特征到类别间的映射，并基于交叉熵损失函数优化网络参数。在多个公开数据集上的实验结果表明，所提方法分类准确率达95.6%,较传统方法提升14.1个百分点，充分验证了深度特征提取的有效性和先进性。

关键词

深度学习 / 特征提取 / 卷积神经网络 / 数据分类 / 模型优化