·1126· 智能系统学报 第15卷 提高网络模型的识别率。综合上述实验结果可 增加了模型的计算复杂度，延长了训练时间，而 得，神经网络模型学习需要大量数据支持，对数 残差连接思想简化了网络层级间的运算，降低了 据集进行数据增强能有效避免过拟合现象，而对 训练时间，同时保障了识别准确率。结合两种算 数据的预处理能够减少无效特征的学习从而增加 法思想形成的本文网络模型结构，在GTSRB数 识别准确率；Squeeze-and-Excitation block思想是 据集上的实验结果表明其识别准确率可以达到 一个特征重标定的计算模块，为提高识别准确率 99.26%,并且有着较优的训练时长。 Conv1:96×5×5,2,0 Conv1:96×5×5.2.0 Pool1:3×3.2.0 Conv1:96×5×5.2.0 Pool1:3×3.2.0 Conw2:256×5×5.2.2 Conv1:96×5×5,2,0 Pool1:3×3.2.0 Conv2:256×5×5,2,2 Conv3:384×5×5,2,2 Pool1:3×3,2,0 Conv2:256×5×5,2,2 Cov3:384×5×5,2,2 Pool3:3×3,2,0 Conv2:256×5×5,2,2 Pool2:3×3,2,0 Pool3:3×3,2,0 Conv4:384×3×3,1,1 Pool2:3×3,2,0 Conv3:384×3×3,1,1 Conw4:384×3×3,1,1 Conv5:384×3×3,1,1 Conw3:384×3×3,1,1 Conv4:384×3×3,1,1 Cov5:256×3×3,1,1 Conv6:256×3×3,L,1 Conv4:256×3×3,L,1 Conv5:256×3×3,1,1 Conv6:256×3×3,1,1 Conv7:256×3×3,L,1 Pool4:3×3,2,0 Pool5:3×3,2,0 Pool6:3×3,2,0 Pool7:3×3,2,0 fc1:4096×1,dropout fe6:4096×1,dropout fc7:4096×1,dropout fc8:4096×l,dropout fc2:43×l×1,dropout fe7:43×1×l,dropout fc8:43×l×l,dropout fe9:43×1×1,dropout (a)6层结构及参数 (b)7层结构及参数 (c)8层结构及参数 (d)9层结构及参数 图11网络结构模型及参数设置图 Fig.11 Network structure model and parameter setting 90 0.008 88 ,6层网络 签0.006 86 层网 004 84 8层网络 0.002 9层网络 4 2 5 实验次数 实验次数 (a)准确率 (b)损失值 ◆6层网络 图3不同网络深度下的准确率以及损失值（德国标准 0.007 0.006 8 层网 数据库) 0.005 ◆一9层网绍 Fig.13 Accuracy and loss values of different network 0.004 0.003 depths(GTSRB) 0.002 0.001 0 Conv1:64×3×3,2,1 2 实验次数 Pool 1: ×3.2.0 (b)损失值 Conv2:64×3×3,2,1 图12不同网络深度下的准确率以及损失值（比利时数 Conv3:64×3×3,1,1 据库) ------------- Fig.12 Accuracy and loss values of different network SE 1 Conv4:64×3×3,1,1 Conv5:64×3×3,1,1 res 1 depths (BelgiumTSC) =---=------- Conv6:128×3×3,2,1 Conv7:128×3×3,1,1 92.0 SE 2 Conv8:128×3×3,1,I res2 Conv9:128×3×3,1,1 90.0 Pool2:3×3.2.0 88.5 fe18:43×1×1 87.5 2 3 实验次数 图14本文网络结构模型及参数设置 (a)准确率 Fig.14 Network structure model and parameter setting提高网络模型的识别率。综合上述实验结果可 得，神经网络模型学习需要大量数据支持，对数 据集进行数据增强能有效避免过拟合现象，而对 数据的预处理能够减少无效特征的学习从而增加 识别准确率；Squeeze-and-Excitation block 思想是 一个特征重标定的计算模块，为提高识别准确率 增加了模型的计算复杂度，延长了训练时间，而 残差连接思想简化了网络层级间的运算，降低了 训练时间，同时保障了识别准确率。结合两种算 法思想形成的本文网络模型结构，在 GTSRB 数 据集上的实验结果表明其识别准确率可以达到 99.26%，并且有着较优的训练时长。 Conv 1: 96×5×5, 2, 0 Pool 1: 3×3, 2, 0 Conv 2: 256×5×5, 2, 2 Pool 2: 3×3, 2, 0 Conv 3: 384×3×3, 1, 1 Conv 4: 256×3×3, 1, 1 Pool 4: 3×3, 2, 0 fc 1: 4096×1, dropout fc 2: 43×1×1, dropout Conv 1: 96×5×5, 2, 0 Pool 1: 3×3, 2, 0 Conv 2: 256×5×5, 2, 2 Pool 2: 3×3, 2, 0 Conv 3: 384×3×3, 1, 1 Conv 5:256×3×3, 1, 1 Pool 5: 3×3, 2, 0 fc 6: 4096×1, dropout fc 7: 43×1×1, dropout Conv 4: 384×3×3, 1, 1 Conv 1: 96×5×5, 2, 0 Pool 1: 3×3, 2, 0 Conv 2: 256×5×5, 2, 2 Pool 3: 3×3, 2, 0 Conv 4: 384×3×3, 1, 1 Conv 6: 256×3×3, 1, 1 Pool 6: 3×3, 2, 0 fc 7: 4096×1, dropout fc 8: 43×1×1, dropout Conv 5: 256×3×3, 1, 1 Conv 3: 384×5×5, 2, 2 Conv 1: 96×5×5, 2, 0 Pool 1: 3×3, 2, 0 Conv 2: 256×5×5, 2, 2 Pool 3: 3×3, 2, 0 Conv 4: 384×3×3, 1, 1 Conv 6: 256×3×3, 1, 1 Pool 7: 3×3, 2, 0 fc 8: 4096×1, dropout fc 9: 43×1×1, dropout Conv 3: 384×5×5, 2, 2 Conv 7: 256×3×3, 1, 1 Conv 5: 384×3×3, 1, 1 (a) 6 层结构及参数 (b) 7 层结构及参数 (c) 8 层结构及参数 (d) 9 层结构及参数 图 11 网络结构模型及参数设置图 Fig. 11 Network structure model and parameter setting 准确率/% 实验次数 90 88 86 84 82 0.007 0.006 0.005 0.004 损失值 实验次数 0.003 0.002 0.001 0 1 2 3 4 5 1 2 3 4 5 6 层网络 7 层网络 8 层网络 9 层网络 6 层网络 7 层网络 8 层网络 9 层网络 (b) 损失值 (a) 准确率 图 12 不同网络深度下的准确率以及损失值 (比利时数 据库) Fig. 12 Accuracy and loss values of different network depths (BelgiumTSC) 92.0 91.0 90.0 88.5 87.5 1 2 3 实验次数 4 5 准确率/% 6 7 8 9 (a) 准确率 实验次数 0.008 损失值 (b) 损失值 0.006 0.004 0.002 0 1 2 3 4 5 6 7 8 9 图 13 不同网络深度下的准确率以及损失值 (德国标准 数据库) Fig. 13 Accuracy and loss values of different network depths (GTSRB) Conv 1: 64×3×3, 2, 1 Pool 1: 3×3, 2, 0 Conv 2: 64×3×3, 2, 1 Conv 3: 64×3×3, 1, 1 Conv 4: 64×3×3, 1, 1 Conv 5: 64×3×3, 1, 1 Conv 6: 128×3×3, 2, 1 Conv 7: 128×3×3, 1, 1 res 1 Conv 8: 128×3×3, 1, 1 Conv 9: 128×3×3, 1, 1 res 2 Pool 2: 3×3, 2, 0 fc 18: 43×1×1 SE 1 SE 2 图 14 本文网络结构模型及参数设置 Fig. 14 Network structure model and parameter setting ·1126· 智 能 系 统 学 报 第 15 卷