《表1 NORB数据集测试精度对比》
根据文献[11]可知,BLS网络选取100×10的特征节点和9 000个增强节点是对NORB数据集测试精度最优的节点设置。ELM-LRF参数设置为4×4的感知域、10个特征映射图和池化大小为3。BLS-LRF参数设置为10×10的特征节点、900个增强节点、4×4的感知域、3个特征映射图和池化大小为3。测试结果如表1所示,3个网络结构进行对比可以看出,BLS-LRF的测试精度是最高的,并且训练和测试的总时间是最短的。而BLS网络的测试精度虽然和BLS-LRF的差不多,但是训练和测试所花费的总时间却是BLS-LRF的两倍。为了更好地体现BLS-LRF的有效性,采用现在主流算法和该网络进行对比,其中包括两种栈式自编码算法SAE和SDA[21]、深度置信(DBN)、多层感知算法(MLP)[22]、深度玻尔兹曼机(DBM)、多结构极端学习机(MLELM)[23]及多感知极端学习机(HELM)[24],以上算法的实验均在Intel-i7 2.4 GHz CPU,16 GB RAM Matlab环境下运行,实验的分类结果引用于文献[24]。实验结果如表2所示,从测试精度来看,尽管本文提出的方法精确度90.08%不是最好的,仅次于HELM的91.28%。从训练时间来看,本文提出的方法所用时间是18.46 s,是所有算法里所用时间最短的。因此综合来看,BLS-LRF算法对NORB数据集分类是有效且快速的。
图表编号 | XD00163007800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 李国强、徐立庄 |
绘制单位 | 燕山大学电气工程学院、燕山大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |