《表4 BLS-LRF对NORB数据集的增量学习算法》

  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

BLS-LRF算法不仅对以上无增量学习算法有效，面对增量学习算法同样有效。为了证明BLS-LRF网络在增量学习中的有效性，将BLS的增量学习算法和BLS-LRF的增量学习算法进行比较，这里只讨论动态增加增强节点。首先BLS的初始结构为100×10的特征节点和2 000个增强节点，对增强节点更新5次，每次增加1 000个增强节点，结果如表3所示。BLS-LRF的初始结构为4×4的感知域、3个特征映射图、池化大小为3、10×10的特征节点和200个增强节点，同样对增强节点更新5次，但每次增加100个增强节点，结果如表4所示。经过表3和表4的对比可以得出，BLS-LRF不但每次动态更新的精度高于BLS，并且每次动态更新所需要的时间相比于BLS缩短了3～5倍，由此可以看出BLS-LRF对于增量学习算法也具有一定的促进作用。