1.一種基于特征融合Alexnet壁畫圖像分類方法，其特征在于，具體分類方法步驟如下：

(1)AlexNet模型的建立

所述AlexNet模型由5個卷積層和3個全連接層組成，且采用雙通道結(jié)構(gòu)，卷積層和池化層是模型提取特征的關(guān)鍵部分，卷積層是由m個卷積核組成的特征映射層，卷積操作公式如下：

池化層在卷積操作之后進行，池化操作公式如下：

(2)基于特征融合AlexNet壁畫圖像分類框架的建立

分類框架由一個3層雙通道的特征融合層和一個3層的全連接層組成，具體建立方法如下：

S1輸入層將原始圖像以224×224×3的形式作為輸入；

S2中間的堆疊層設(shè)置為具有相同層數(shù)和卷積核數(shù)量的兩個通道channel1和channel2，分通道來提取圖像抽象特征傳遞給分類器，Channel1的卷積核大小分別為11、5、3，Channel2的卷積核大小為11、3、5，各通道的卷積核數(shù)目分別為96、256、384，步長為4、1、1，每層池化核大小設(shè)置為3×3，步長為2；

S3同樣采用三個全連接層，并在全連接處使用Dropout層；

(3)壁畫分類流程

S1圖像預處理

輸入：樣本集I；

step1：對于樣本集中的每一張圖片，進行縮放，水平垂直翻轉(zhuǎn)變換，加噪和明暗度變換等預處理操作；

step2：得到擴展后的數(shù)據(jù)集；

step3：通過隨機函數(shù)將擴展后的數(shù)據(jù)集圖片劃分為65％的訓練集和35％的測試集；

輸出：訓練集E和測試集T；

S2模型訓練

輸入：訓練集E；

step1：初始化權(quán)重值和偏置值等參數(shù)，設(shè)置學習率和的大小以及次數(shù)等超參數(shù)的數(shù)值；

step2：開始訓練，對訓練集中每個batch的每一張圖片計算誤差，反向反饋傳播，更新參數(shù)值；

step3：重復step2，直到迭代次數(shù)滿足停止條件，轉(zhuǎn)到step4；

step4：得到訓練好參數(shù)的網(wǎng)絡(luò)模型；

輸出：訓練好的網(wǎng)絡(luò)模型；

S3模型測試

輸入：測試集T；

step1：將測試集中的所有樣本輸入到訓練好的網(wǎng)絡(luò)模型中進行預測。

step2：統(tǒng)計預測結(jié)果，得到分類準確率。

輸出：分類準確率。