本发明涉及一种增强cnn模型分类性能的方法，具体地说，涉及一种利用多元离散数据融合时序数据增强cnn模型分类性能的方法。本发明属于人工智能，特别是人工智能系统中大数据处理。
背景技术：
1、人工智能的分类性能一直是人工智能领域探索的核心问题。人工智能分类一般是指利用人工智能技术对数据或信息进行分类和处理的过程。分类是人工智能技术领域重要的技术手段，它通过对数据或信息进行分类、聚类、特征提取等操作，将数据或信息划分为不同的类别或群体，以便于后续的数据分析和处理，完成相应的操作，cnn模型(卷积神经网络)是一种常用的人工智能分类方法。在人工智能软件与系统领域，增强深度学习cnn模型分类性能的方法通常有数据填充方法，如零填充法(zero-padding)、边界值填充法(borderpadding)、复制填充法(reflect padding)、重复填充法(replicate padding)。这些增强cnn模型分类性能的方法各不相同，各有优缺点，有时候使用其中的一种填充方法效果很好，但是有时候效果又不理想，其共性的缺点是：通用性差，无法保障训练性能的稳定性；数据利用不充分，分类准确性和f1值不高。如何提出更加理想的填充方法提高cnn模型分类性能是学术界一致探索的问题。
技术实现思路
1、鉴于上述原因，本发明的目的是提供一种利用多元离散数据融合时序数据增强cnn分类性能的方法。
2、为实现上述目的，本发明采用以下技术方案：一种利用多元离散数据融合时序数据增强cnn分类性能的方法，包括：
3、s1、收集多元离散数据和时序数据；
4、s2、构建cnn模型数据组；
5、数据组一：
6、将步骤s1收集的时序数据作为基础数据，将步骤s1收集的多元离散数据中的一种离散数据作为结果数据，将步骤s1收集的剩余的其它种离散数据作为扩充数据；
7、数据组二：
8、将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据，该新的基础数据作为数据组二的基础数据；将数据组一的结果数据作为数据组二的结果数据；
9、s3、构建基于数据组一的cnn模型一；构建基于数据组二的cnn模型二；
10、s4、对cnn模型一和cnn模型二进行并行训练；
11、s5、对训练后的cnn模型一和cnn模型二分别进行测试和评估；对于模型分类准确率<50％、f1值＜50％的情况，通过修改cnn模型卷积层层数和/或全连接层层数和/或数据归一化层的位置和数量和/或丢弃层的位置和数量和/或激活函数，以及调优超参数，返回步骤s3重新进行模型构建，重复执行步骤s3-s5直到cnn模型二比cnn模型一的性能提升≥5％结束。
12、优选地，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为周围扩展填充方式；所述周围扩展填充方式是将数据组一中的扩充数据分别填充在数据组一基础数据的周围，增加的每圈离散数据分别对应数据组一扩充数据中的一种离散数据。
13、优选地，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为中心插入扩展填充方式；所述中心插入扩展填充方式是在数据组一基础数据的中心部分，将数据组一中的扩充数据分别以数据组一基础数据区域的中心为中心，沿x轴和y轴方向分别插入数据组一基础数据中，插入的每行、每列离散数据分别对应数据组一扩充数据中的一种离散数据。
14、优选地，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为交叉插入扩展填充方式；所述交叉插入扩展填充方式为将数据组一中的扩充数据沿x轴方向和/或y轴方向间隔地插入数据组一基础数据中，插入的每行和/或每列离散数据分别对应数据组一扩充数据中的一种离散数据。
15、优选地，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为综合扩展填充方式；所述综合扩展填充方式为将数据组一中的扩充数据通过周围填充、中心插入、交叉插入方式插入数据组一基础数据中，新增加的每圈、每行、每列离散数据分别对应数据组一扩充数据中的一种离散数据。
16、与传统的增强cnn模型分类性能的方法相比，本发明充分利用多元离散数据，将其与时序数据相融合对原始数据进行填充，实现数据多层次扩充，增大数据量，提升cnn模型数据分类的准确性和f1值，进而提升cnn模型的实际应用价值。本发明可应用于所有具有时序特征和多元离散数据特征的数据处理场景，应用范围广。本发明解决了传统cnn模型填充方法通用性不够广泛、数据利用不足、分类性能不理想的问题。
1.一种利用多元离散数据融合时序数据增强cnn分类性能的方法，其特征在于：包括：
2.根据权利要求1所述的利用多元离散数据融合时序数据增强cnn分类性能的方法，其特征在于，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为周围扩展填充方式；
3.根据权利要求1所述的利用多元离散数据融合时序数据增强cnn分类性能的方法，其特征在于，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为中心插入扩展填充方式；
4.根据权利要求1所述的利用多元离散数据融合时序数据增强cnn分类性能的方法，其特征在于，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为交叉插入扩展填充方式；
5.根据权利要求1所述的利用多元离散数据融合时序数据增强cnn分类性能的方法，其特征在于，将数据组一中的扩充数据填充到数据组一基础数据中形成新的基础数据的方式为综合扩展填充方式；
