三个卷积神经网络的结果融合

### 实现多个卷积神经网络结果融合 为了提高预测准确性并增强模型鲁棒性，可以考虑将不同架构的卷积神经网络(CNN)的结果进行融合。一种常见的方式是在各个独立训练好的CNN基础上构建集成学习方案。 #### 方法一：平均投票法 最简单直接的办法是对每个测试样本分别输入到三个预训练完毕的不同结构CNN中得到分类概率分布向量，之后取这三个输出向量对应位置数值求算术均值得到最后决策依据[^1]。 ```python import numpy as np def ensemble_mean_vote(models, X_test): predictions = [] for model in models: pred_proba = model.predict(X_test) predictions.append(pred_proba) avg_pred = np.mean(predictions, axis=0) final_prediction = np.argmax(avg_pred, axis=-1) return final_prediction ``` #### 方法二：加权投票法 如果已知某些特定类型的CNN在网络设计或参数调优方面表现更好，则可以根据实际情况赋予这些优秀个体更高的权重系数w_i (i表示第几个子模型)，从而计算带权平均值作为最终判定标准[^2]。 ```python def weighted_ensemble_vote(models, weights, X_test): assert len(models) == len(weights), 'Number of models and weights must match' predictions = [] for i, model in enumerate(models): pred_proba = model.predict(X_test) weighted_pred = pred_proba * weights[i] predictions.append(weighted_pred) w_avg_pred = sum(predictions) final_prediction = np.argmax(w_avg_pred, axis=-1) return final_prediction ``` #### 方法三：堆叠泛化(Stacking Generalization) 这是一种更为复杂的元学习策略，即将初级基础估计器产生的中间表征再次送入另一个更高层次的学习算法里继续训练，形成两层甚至多级联结模式。此方法能够充分利用低阶特征提取能力较强的小型网络优势的同时引入高级抽象表达力更强的大规模深层网络特性[^3]。 ```python from sklearn.ensemble import RandomForestClassifier from keras.models import Model def stacking_generalization(base_models, meta_model, X_train, y_train, X_val): first_level_predictions = [] for base_model in base_models: pred = base_model.predict(X_train) first_level_predictions.append(pred) stacked_features = np.hstack(first_level_predictions) meta_model.fit(stacked_features, y_train) val_preds = [model.predict(X_val) for model in base_models] stacked_val_features = np.hstack(val_preds) final_predictions = meta_model.predict(stacked_val_features) return final_predictions ```