之间的关联系数。
[0042] 2)关联度计算
[0043] 将上述关联系数通过求平均值的方式计算出关联度。关联度如公式(2)计算可得。
[0044] 若化层为多个神经元时，要取得上一层特征图对输出每个神经元影响最大的特征 图，所W要求出上一层特征图对输出每个神经元关联度的均值。
[0045] 3)关联度排序
[0046] 对上一步取得的关联度从大到小排序，即得到灰关联度排序，而关联度排在尾部 的特征图对网络输出影响较小，可W认为该特征图是可W忽略的，此时给定一个e，小于e的 特征图即可省略。W此方法达到优化网络隐层特征图数、提高网络性能的效果。
[0047] W此类推，求出前面几层的特征图个数，直到网络达到最优。
[004引优点及效果：
[0049]本发明为解决卷积神经网络网络结构中隐层特征图个数设定的难题，提出了一种 灰色关联分析法，本发明W交通标志的二值图像作为实验对象，使用卷积神经网络对交通 标志进行识别，利用灰色关联分析法，计算出每层特征图之间的关联度，根据关联度排序， 关联性较小的，在网络中影响偏小，可W考虑将其删除，另外关联性较大的，在网络中影响 偏大，将其保留，从而确定网络结构中隐层特征图个数。在识别过程中引入灰色关联分析法 W自动选择对识别结果影响更大的隐藏层特征图从而优化网络结构，所W使用本方法所确 定的特征图中每个特征图对输出结果影响都很大，相比实验设定特征图个数提高了效率。 [(K)加]附表说明：
[0051] 表1为S4层隐层特征图个数第一次调整时的相关关联度。
[0052] 表2为S4层隐层特征图个数第二次调整时的相关关联度。
[0053] 表3为S2层隐层特征图个数第一次调整时的相关关联度。
[0054] 表4为S2层隐层特征图个数第二次调整时的相关关联度。
[0055] 表5为六组初始结构优化表。
【附图说明】：
[0056] 图1-图4为卷积层特征图（交通标志)的实验结果示意图。
[0057] 图1为在第一层卷积层特征图个数1到3时第二层卷积层特征图个数对结果的影响 示意图。其中，Xl为在第一层卷积层特征图个数为1时第二层卷积层特征图个数1到20时错 误率曲线。x2为在第一层卷积层特征图个数为2时第二层卷积层特征图个数1到20时错误率 曲线。x3为在第一层卷积层特征图个数为3时第二层卷积层特征图个数1到20时错误率曲 线。
[0058] 图2为在第一层卷积层特征图个数4到6时第二层卷积层特征图个数对结果的影 响。其中，x4为在第一层卷积层特征图个数为4时第二层卷积层特征图个数巧Ij20时错误率 曲线。巧为在第一层卷积层特征图个数为5时第二层卷积层特征图个数1到20时错误率曲 线。x6为在第一层卷积层特征图个数为即寸第二层卷积层特征图个数1到20时错误率曲线。
[0059] 图3为在第一层卷积层特征图个数7到別寸第二层卷积层特征图个数对结果的影 响。其中，x7为在第一层卷积层特征图个数为7时第二层卷积层特征图个数1到20时错误率 曲线。x8为在第一层卷积层特征图个数为別寸第二层卷积层特征图个数1到20时错误率曲 线。
[0060] 图4为在第一层卷积层特征图个数9到10时第二层卷积层特征图个数对结果的影 响。其中，x9为在第一层卷积层特征图个数为9时第二层卷积层特征图个数1到20时错误率 曲线。XlO为在第一层卷积层特征图个数为10时第二层卷积层特征图个数1到20时错误率曲 线。
[0061] 参考文件为本发明所采用的交通标志图像库，举例其中几张图像，包括交通标志 彩色图像(文件1)、灰度化后直方图均衡化和统一像素大小后的图像(文件2)、交通标志二 值化的图像(文件3)。
【具体实施方式】：
[0062] 下面结合具体的实施方式对本发明做进一步的说明：
[0063] 交通标志数据库采用的是由德国神经计算研究所收集的，挑选其中主要的10类标 志图像，训练图像5000张，测试图像1000张。
[0064] 本发明设及一种利用灰色关联分析法确定卷积神经网络隐层特征图个数的方法， 其目的是通过确定网络中隐层特征图个数从而设计出一个最优结构的卷积神经网络。通过 对交通标志图像库进行实验，证明该方法的可行性。确定后的网络与其他网络相比识别率 高，与其他方法相比有确定时间快的特点，最终实现使用卷积神经网络对交通标志的有效 识别。
[0065] -种利用灰色关联分析法确定卷积神经网络隐层特征图个数的方法，其特征在 于:CNN网络中，上一层特征图存在与下一层特征图关联性较小的样本数据，导致系统识别 率差。灰色关联分析法具有挖掘数据之间内部关系的特点，能够很好的提取运些关联性较 小的数据。在识别过程中引入灰色关联分析法选出对识别结果影响更大的隐藏层特征图从 而优化网络结构，所W使用本方法所确定的特征图中每个特征图对输出结果影响都很大， 相比实验设定特征图个数提高了效率。
[0066] 本发明在网络训练过程中基于灰色关联分析法自动选择对识别结果影响更大的 隐藏层特征图，并W交通标志为对象进行识别及算法优化研究，提高了设定网络结构的效 率，仿真结果表示该方法有效。
[0067] 具体实施方法如下:建立标准交通标志图像库;将彩色图像灰度化，并将图像做直 方图均衡化处理和像素统一大小;将灰度图像二值化，建立交通标志二值图像库;设定卷积 神经网络的网络结构层数及其他相关参数；训练卷积神经网络;灰色关联分析法优化卷积 神经网络隐层特征图个数;利用最优的网络结构训练卷积神经网络，并对灰色关联分析法 进行鲁棒性测试。
[0068] 利用灰色关联分析法确定卷积神经网络隐层特征图个数的方法，实现步骤如下：
[0069] (1)建立交通标志图像数据库:本发明方法针对交通标志进行识别，采用的是由德 国神经计算研究所收集的，选用其中图片较多的10种，主要分为W下几步：
[0070] 1)下载标准德国交通标志的彩色图像，建立相应的彩色图像数据库；
[0071] 2)利用公式gray = 0.299R+0.587G+0.114B对交通标志图像进行灰度计算，建立相 应的灰度图像数据库，并对灰度图像数据库做像素统一大小处理和直方图均衡化处理；
[0072] 3)对灰度图像进行二值化，建立交通标志数据库；
[0073] (2)设定卷积神经网络的网络结构层数及其他相关参数：
[0074] 1)卷积核大小和网络结构层数设定:卷积核算子是卷积时使用到的权值，可W用 一个矩阵MXN表示，该矩阵与使用的图像区域大小相同，大部分在使用时是对称的，如M = N，其行、列都是奇数，一般N=3、5、7。
[0075] 网络结构层数是除输入层和输出层之外的卷积层数和子采样层数的总和。神经网 络的层数在一定范围内增加，能有效提高识别率，但层数过多，不仅网络结构复杂，同时会 使识别率降低。结合输出特征图简单有代表性的特点，由训练样本的尺寸和卷积核的大小 可决定网络结构层数。
[0076] 2)权值初始化:权值初始化是卷积核神经元和最后两层之间的权值矩阵的初始 化。权值初始化对训练速度、输出精度是有影响的，初始值范围太大会导致无法训练，所W 权值初始值是在[-1,1]之间随机取值，在后面的反向传播过程中进行优化，直到达到最优 解。
[0077] 3)批量样本数的设定:为了减少训练次数，提高实验效率，可W采用分组的方式进 行训练，批量样本数是每组中所含图像的个数。
[0078] 在总实验样本一定的条件下，批量样本数