1.一种图像分类卷积神经网络结构的构建方法，由构建卷积神经网络结构、卷积神经网络训练和测试步骤组成，其特征在于所述的构建卷积神经网络结构步骤如下：

(1)获得训练样本图像和测试样本图像并对其进行预处理

(a)从图像数据集中选取50400～73257张训练样本图像和6000～26032张测试样本图像；

(b)对50400～73257张训练样本图像进行预处理

包括图像灰度化、图像减均值步骤：

图像灰度化：用(1)式对被训练的样本图像进行灰度化处理，将彩色图像转为灰度图像：

I＝W1×R+W2×G+W3×B (1)

式中I为灰度化后的图像，R为彩色图像的红色分量，G为彩色图像的绿色分量，B为彩色图像的蓝色分量，W1为彩色图像的红色分量的权重，W2为彩色图像的绿色分量的权重，W3为彩色图像的蓝色分量的权重；

图像减均值：用(2)式对已被灰度化的训练样本图像进行减均值处理：

式中Z为减均值后的图像，vi为n个图像中的第i个图像的像素矩阵，n为50400～73257整数个图像；

(c)对6000～26032张测试样本图像进行预处理

测试样本图像的预处理与对训练样本进行预处理步骤(b)相同；

(2)设定卷积神经网络初始结构

设定卷积神经网络初始结构：输入层(1)是50400～73257张大小为28×28或32×32的训练样本图像，输入层(1)后连接含有20个特征图的卷积层(2)，含有20个特征图的卷积层(2)后连接含有20个特征图的池化层(3)，含有20个特征图的池化层(3)后连接含有64个特征图的卷积层(2)，含有64个特征图的卷积层(2)后连接含有64个特征图的池化层(3)，含有64个特征图的池化层(3)后连接含有500个特征图的卷积层(2)，含有500个特征图的卷积层(2)后连接全连接层(4)，全连接层(4)后连接输出层(5)；

(3)引入激活函数

在每个卷积层(2)后引入ReLu激活函数为：

yi＝max{xi,0} (3)

式中xi为与前一层输出相连的第i个权值矩阵与当前层输入的内积，即卷积结果，yi为第i个特征图的输出，20≤i≤500；

(4)确定池化方法

卷积神经网络中的池化层(3)选用最大池化方法或均值池化方法或随机池化方法进行池化；

(5)确定滤波器

在3×3～9×9方阵之间、以图像宽度28或32为步长，在20～500内进行网格搜索，得到滤波器，为卷积层(2)的权值矩阵，滤波器的大小在3×3～9×9方阵之间，个数在20～500之间；

(6)确定卷积层(2)个数

在含有20个特征图的池化层(3)后增加一层卷积层(2)，其滤波器大小和个数与含有20个特征图的卷积层(2)的滤波器大小和个数相同，通过式(4)得到该卷积层(2)特征图的大小，在含有64个特征图的池化层(3)后增加或不增加一层卷积层(2)，若增加一层卷积层，其滤波器大小和个数与含有64个特征图的卷积层(2)的滤波器大小和个数相同，通过式(4)得到该卷积层(2)特征图的大小，卷积层(2)个数为3～5层，选择使得卷积神经网络对所选测试样本图像6000～26032张分类效果最好时的卷积层(2)个数，得到图像分类卷积神经网络结构：

o＝I*－m+1 (4)

式中I*为本层输入矩阵的长，m为滤波器的像素矩阵长，o为卷积层(2)特征图的像素矩阵长；

所述的卷积神经网络的训练和测试步骤为：

(1)用K-Means聚类方法获得含有20个特征图的卷积层(2)的权值矩阵

(a)从训练集中随机选取N个m×m矩阵大小的图像块，N为所选取图像块有限的正整数，m为含有20个特征图的卷积层(2)的滤波器的像素矩阵长，m为3～9；

(b)用式(5)对步骤(a)中所选取的N个图像块中的每一个图像块进行归一化处理：

式中x*为m×m矩阵大小的图像块，μ为N个图像块的平均值，σ为N个图像块的标准差，x表示经过归一化后的结果；

(c)以式(6)为目标函数，对上步得到的图像块进行10次K-Means聚类方法，取其中目标函数值最小的一次所得到的20个聚类中心，作为含有20个特征图的卷积层(2)的滤波器初始化值：

式中k为20是聚类个数，s表示图像块的类别数，xj为第i类别中的图像块，为第i类的样本均值，i为1～20的整数；

(2)将预处理后的50400～73257张训练样本图像输入图像分类卷积神经网络结构，经过前向传播和反向传播两个步骤反复循环更新网络的权值矩阵，直至达到30～70次数，训练过程结束，得到训练好的卷积神经网络；

(3)将预处理后的6000～26032张测试样本图像输入到训练好的卷积神经网络进行测试，得到验证后的图像分类卷积神经网络结构。

2.根据权利要求1所述的图像分类卷积神经网络结构的构建方法，其特征在于：所述的构建卷积神经网络结构步骤的确定滤波器步骤(5)中，滤波器的大小分别为9×9、5×5、4×4，以图像宽度32为步长，滤波器的个数分别为20、64、500，得到滤波器，为卷积层(2)的权值矩阵。

3.根据权利要求1所述的图像分类卷积神经网络结构的构建方法，其特征在于所述的卷积神经网络的训练和测试步骤的用K-Means聚类方法获得含有20个特征图的卷积层(2)的权值矩阵步骤(1)中的(a)步骤为：从训练集中随机选取N个m×m矩阵大小的图像块，N为所选取的400000图像块，m为含有20个特征图的卷积层(2)的滤波器的像素矩阵长。

请联系平台。