【深度学习之回归预测篇】基于卷积神经网络（CNN）的数据回归预测

卷积神经网络(Convolutional Neural Networks, CNN)是包含卷积计算且具有深度结构的前馈神经网络，主要由三部分组成：卷积层、池化层和全连接层，其基本型的完整架构展示具体结构如图1所示。

1) 卷积层

在CNN中卷积层位于关键位置，其主要功能是对输入数据进行特征提取。借助卷积运算，卷积层能够有效捕获数据中的重要特征，并加强原始信号中的关键特征，同时有效减少特征的维度。卷积核根据预先设定的参数在特征图上执行扫描运算，从而生成输出特征，其中二维卷积神经网络的卷积过程如图2所示。

卷积层存在两个主要缺陷：1) 数据边界的限制导致边缘信息丢失，边缘数据仅对少数输出数据有影响，而中间数据影响更多，使得边缘信息难以充分利用； 2) 随着卷积层数增多，输出数据尺寸逐渐缩小，限制了深度卷积神经网络的应用。填充技术解决这两个问题，通过在输入数据边界外填充某些特定的值(一般是 0)，增大输入数据尺寸，保持输出数据尺寸不缩减，提高边界数据对输出的影响，采用填充技术后卷积运算过程如图3所示。