《表1 不同特征选择算法对识别的影响》

  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

《基于深度学习和最大相关最小冗余的火焰图像检测方法》

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

此外，随着所选特征数量的增加，火焰图像的识别准确率先呈上升趋势后逐渐趋于稳定，但中间也出现了下降波动。分析其原因是，利用MRMR特征选择算法对串行特征进行排序后，串行特征向量增多，其中包含的冗余噪声特征信息也在增加，对SVM的识别造成了干扰。同时随着所选特征数量不断增加，模型的计算时间逐渐增长，因此进行有效的特征选择，可提高CNN融合特征的识别效果。综合考虑融合特征维度对火焰图像的识别准确率和计算时间的影响，选取S′k=16作为火焰图像CNN融合的特征维度。表1统计了两种算法中最优特征子集的各性能对比，可得到所提特征选择算法的各性能优于基于方法1的特征选择算法，且所选的最优特征子集数量远少于方法1。