matlab智能卷积神经网络垃圾分类识别

% 训练集、测试集,随机划分数据集 [trains,tests]=splitEachLabel(datas,0.7,'randomized'); % trains.Labels tests.Labels 标签 % trains.Files tests.Files 路径+文件名 % 调整图像大小,以便适应网络的输入 trainImg=augmentedImageDatastore([224,224],trains); testImg=augmentedImageDatastore([224,224],tests); %% 网络 %% % 设计网络 layers = [ imageInputLayer([224 224 3]) % 输入层 convolution2dLayer(3,8,'Padding','same') % 卷积层 batchNormalizationLayer % 批量归一化 reluLayer % 激活层 maxPooling2dLayer(2,'Stride',2) % 池化层 convolution2dLayer(3,16,'Padding','same') % 卷积层 batchNormalizationLayer % 批量归一化 reluLayer % 激活层 maxPooling2dLayer(2,'Stride',2) % 池化层 convolution2dLayer(3,32,'Padding','same') % 卷积层 batchNormalizationLayer % 批量归一化 reluLayer % 激活层 fullyConnectedLayer(18) % 全连接层 fullyConnectedLayer(12) % 全连接层 fullyConnectedLayer(6) % 类别数量一定要相同 softmaxLayer % 分类层 classificationLayer] （1）上面是卷积网络结构各个层，数据集分为训练集和测试集，其中训练集比重为70%，测试集比重为30%。为了方便分类识别，对输入图像进行尺寸统一，都为[224,224]，通道数使用3个通道。接着就到卷积网络模块的设计，需要查清楚各个层的作用即可，并且每层都有对应的卷积核大小。 （2）利用设计好的网络进行训练，得到对应的模型； （3）对模型进行测试，即可得到准确率以及对应类别。