神经网络的六西格玛：基于田口方法的优化

卷积神经网络（CNN）中超参数的优化仍然是一个具有挑战性且计算成本高昂的过程，通常需要大量的试错方法或穷举网格搜索。本研究引入了田口实验设计方法的应用，这是一种传统上用于质量工程的统计优化技术，以系统性地优化用于职业拳击动作识别的 CNN 超参数。使用 L12(211) 正交阵列，在十二种实验配置中系统地评估了八个超参数，包括图像大小、颜色模式、激活函数、学习率、缩放、打乱、垂直翻转和水平翻转。为了解决机器学习优化的多目标性质，开发了五种不同的方法，使用信噪比分析同时优化训练准确率、验证准确率、训练损失和验证损失。该研究采用了一种新颖的对数缩放技术，以统一相互冲突的指标，并在田口框架内实现全面的多质量评估。结果表明，结合加权准确率指标和对数变换损失函数的方法 3 实现了最佳性能，训练准确率为 98.84%，验证准确率为 86.25%，同时保持最小的损失值。田口分析显示，学习率是最具影响力的参数，其次是图像大小和激活函数，为 CNN 优化中的超参数优先级排序提供了明确的指导。