摘要
目前,深度学习算法尤其是卷积神经网络,在网络流量分类问题中取得了不错的效果,但是该方法在进行流量分类时普遍存在耗时的问题.针对该问题,设计一种全局自适应的卷积神经网络结构(Global Adaptive stride Convolutional Neural Network,GACNN),采用跨步卷积层替换卷积层和池化层,并分别使用自适应的全局最大池化层和自适应的跨步卷积层代替经典卷积神经网络中的全连接层,以减少卷积神经网络的权重和连接数从而提高分类效率.实验结果表明,文章所设计的神经网络结构在提升分类精度的同时提升了数倍的测试速度.与此同时,设计的结构具有动态自适应功能,能够应对混合维度数据的输入.
维普
万方数据