《表4 RNN结构比较：基于CNN和RNN联合网络的心音自动分类》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于CNN和RNN联合网络的心音自动分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通常研究者在使用RNN时很少添加额外的结构，本文尝试在RNN模块中添加一些常见的有效单元，并验证它们是否可以提升模型的效果。本文主要比较了添加batch norm、dropout以及不添加的两种结构，batch norm有利于模型各层之间的解耦，加速训练过程并提升分类准确率；而dropout单元在训练时可随机屏蔽一些神经元，起到正则化的作用从而避免模型过拟合。它们在全连接网络中作用显著，但在RNN上的效果学界还未有定论。从表4的结果可以看出，在添加较少计算量的情况下，这些结构确实可在本文的RNN模块上起作用，它们减弱了模型的过拟合，同时提高了模型准确率。关于这些结构是否对于其它的RNN模型都起作用，值得研究者们继续探讨研究。