《表2 SSMMDL与其他方法的分类性能》
3)将所提方法SSMMDL与MMDL,LC-KS-VD,D-KSVD、稀疏表示分类器(sparse representation based classifier,简称SRC)[21]进行对比,以进一步验证所提方法的优越性。设置φhigh=φlow=0,即所有新样本全部进行标记,SSMMDL与其他几种字典学习方法的对比结果如图6和表2所示。可以看出,笔者所提方法的识别率优于其他方法,尤其当有标记样本数较少时,所提方法更显示了优越的性能。MMDL是一种有监督的最大间隔字典学习,仅利用有标记样本实现字典和分类器的同步学习,因此分类性能低于SSMMDL。D-KSVD和LC-KSVD2均为监督方法,利用有标记样本进行训练和分类,因此分类性能尚可。由于SRC是一种无监督方法,分类性能最差。而从运行效率角度,尽管所提方法的运行时间比其他3种方法耗时稍多,但完全可以满足在线监测的要求。通过上述的对比分析可知,基于SSMMDL的半监督字典学习算法体现了一定的优越性。
图表编号 | XD00113706000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.01 |
作者 | 王维刚、陶京、刘占生 |
绘制单位 | 东北石油大学机械科学与工程学院、东北石油大学机械科学与工程学院、哈尔滨工业大学能源科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |