1.一种利用DCGAN提高基于CNN图像识别性能的方法，其特征在于：包括以下步骤：(1)定义DCGAN中生成模型和判别模型的结构；

(2)建立学习率加速策略；

(3)生成样本检测；

(4)构建基于CNN的图像识别框架；

(5)性能优化；

其中，步骤(1)中所述的生成模型包括数据转化层和反卷积层，所述数据转化层和反卷积层的激活函数为LeakyReLu函数；

所述的判别模型包括卷积层和全连接层，所述卷积层和全连接层之间激活函数为ReLu函数，所述全连接层末端二分类函数为Sigmoid或SoftMax函数；

其中，步骤(2)具体包括以下步骤：(21)设置学习率，所述学习率初始值范围为[0.9,1.0],其反向传播更新权值和偏置值遵循如下计算公式：

W＝W‑α·[损失函数对权值求偏导的值]其中，W表示更新权值或偏置值，α为学习率；

(22)通过迭代逐步减少学习率，在每次循环中调用反向传播机制来调整权值和偏置值，进而求取损失函数的最小值，将学习率衰减幅度放入迭代操作中，其学习率衰减策略减遵循如下公式：

其中：decay_rate大小取0.1到1.0范围，epochi为第i次迭代训练，α0为初始学习率，取值范围为0.1到1.0；

其中，步骤(4)中的识别模型采用4层卷积层和3层全连接层的神经网络，输出的结果包括四类，分别为有雨有风类、有雨无风类、无雨有风类和无雨无风类。

2.根据权利要求1所述的一种利用DCGAN提高基于CNN图像识别性能的方法，其特征在于：步骤(1)包括建立网络损失函数，所述的网络损失函数包括网络总体损失函数、生成模型损失函数和判别模型损失函数，上述函数表达式定义如下所示：所述网络总体损失函数表达式如下：所述生成模型损失函数表达式如下：LOSS(G)＝‑(log(D2(G(z))))；

所述判别模型损失函数表达式如下：LOSS(D)＝‑(log(D1(x))+log(1‑D2(G(z))))；

其中：D(x)为根据数据x的判别函数，G(z)为根据噪声z的生成函数， 表示x来源于数据概率分布，同理 中z来源于噪声分布，D1(x)与D2(x)运算方式等价。

3.根据权利要求1所述的一种利用DCGAN提高基于CNN图像识别性能的方法，其特征在于：步骤(2)包括使用mini‑batch梯度下降的方式优化网络参数，所述的网络参数包括批量大小batch，迭代次数epoch，学习率α，需要调整的权重和偏置值W和b，以及优化梯度下降法时所要增加的动量因子m和v。