一种针对卷积神经网络的特征升维分析方法.pdfVIP

第26卷第1期信息工程大学学报Vol.26No.1

2025年2月JournalofInformationEngineeringUniversityFeb.2025

DOI：10.3969/j.issn.1671-0673.2025.01.007

一种针对卷积神经网络的特征升维分析方法

12113

潘永昊，张苒苒，于洪涛，黄瑞阳，金柯君

（1.信息工程大学，河南郑州450001；2.31015部队，北京100840；3.66389部队，河北邯郸056000）

摘要：针对卷积神经网络模型与输入数据紧密耦合的特性导致特征重要性难以区分的问题，提

出一种从网络模型的输出结果中分析输入特征重要性的特征升维分析方法。首先，在高维欧氏

空间中对输入网络模型的样本特征依次分配一个标准正交基，对输入样本特征进行升维表示；

其次，在高维欧氏空间中对卷积神经网络进行计算扩展，并对升维表示的特征进行计算；最后，

在计算结果中可由标准正交基与输入样本特征的对应关系，分析得出各个输入样本特征在输出

结果中的影响权值。实验表明该方法分析得出的权重能够有效反映输入特征对卷积神经网络

的影响力。

关键词：卷积神经网络；特征升维；权重分析；高维欧式空间

中图分类号：TP393文献标识码：A文章编号：1671-0673（2025）01-0044-07

AFeatureDimensionalityAugmentationAnalysisMethodforCNN

12113

PANYonghao,ZHANGRanran,YUHongtao,HUANGRuiyang,JINKejun

(1.InformationEngineeringUniversity,Zhengzhou450001,China;2.Unit31015,Beijing100840,China;

3.Unit66389,Handan056000,China)

Abstract:Toaddressthedifficultyindistinguishingfeatureimportanceduetotheclosecouplingbe⁃

tweenconvolutionalneuralnetworksmodelsandinputdata,afeaturedimensionalityaugmentation

methodtoanalyzetheimportanceofinputfeaturesfromtheoutputresultsofthenetworkmodelispro⁃

posed.Firstly,astandardorthogonalbasisissequentiallyassignedtothesamplefeaturesoftheinput

networkmodelinahig