《表1 NORB数据集测试精度对比》

  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

《局部感受野的宽度学习算法及其应用》

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

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。