3.1 cnn 卷积神经网络原理
卷积神经网络是包含卷积计算深度前馈神经网络，是一种开发相对更早，比
较成熟的的神经网络，卷积神经网络模仿视觉神经，能对数据矩阵可视化处理，
基于视觉进行卷积特征提取，可以接受和响应不同的特质，典型的卷积神经网络
模型，包含输入层，卷积层，池化层，全连接层和回归层，卷积层能够提取输入
数据的平移不变特征，在学习数据充足时侯有比较稳定的表现 。对于一般的大
规模分类问题，卷积神经网络可用于构建阶层分类器（hierarchical classifier） ，
也可以在精细分类识别（fine-grained recognition）中用于提取矩阵的判别特征
以供其它分类器进行学习 。对于后者，特征提取可以人为地将数据的不同部分
分别输入卷积神经网络 ，也可以由卷积神经网络通过非监督学习自行提取，所
以，卷积神经网络 CNN，在处理数据识别分类或者回归分析方面，有独特的优
势。本文通过输入孔隙率和平均孔径，输出抗压强度
输入层输入的是一维数据，既孔隙率和平均，采用全链接模式，归一化才用
‘zerocenter’归一化模式，输入层的主要功能是导入数据，并对数据进行标准
化，然后把数据输出到卷积层。归一化函数公式如下：
Dst(i,j) =
𝑠𝑟𝑐
(
𝑖,𝑗
)
―
min
(
𝑠𝑟𝑐
(
𝑥,𝑦
)
)
∗
(𝑚𝑎𝑥
―
𝑚𝑖𝑛)
max
(
𝑠𝑟𝑐
(
𝑥,𝑦
)
)
―
min
(
𝑠𝑟𝑐
(
𝑥,𝑦
)
)
+ min
其中，min，max 代表归一化的上下限，dst 为归一化的结果，src 为待归一
化数据
卷积层承接输入层输出的数据，就数据进行特征提取，其中包含设定的多个
卷积核，及对应的权重系数和偏差量，卷积核的每个神经元都与输入层接近的神
经元相链接，或者和上一层的相近神经元相链接，链接区域的大小取决于卷积核
的大小，类似人眼的感受视野，在卷积神经网络迭代学习过程中，按规则扫描输
