《表3 Tri-DE-ELM与DE-ELM-SSC的准确率比较》

  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

《DE-ELM-SSC~+半监督分类算法》

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

文献[10]已在相同真实数据集上进行了大量实验，验证了Tri-DE-ELM算法的分类准确率高于ELM、DE改进后的DE-ELM、Tri-training优化后的Tri-ELM算法。因此为验证DE-ELM-SSC的有效性，比较了DE-ELM-SSC与Tri-DE-ELM算法的分类准确率。测试数据集的分类准确率结果如表3所示。从表3可知，在Wdbc、Mushroom和Australian数据集上，DE-ELM-SSC的分类准确率大于Tri-DE-ELM的；在Vote和Cancer数据集上，DE-ELM-SSC的分类准确率等于Tri-DE-ELM的。主要因为DE-ELM-SSC算法在Wdbc、Mushroom和Australian数据集上选择了与数据集自身相适应的进化策略de/rand/1、de/best/1和de/best/2；这些策略应用于ELM算法后，增强了ELM算法的寻优能力，进一步提高了基分类器的分类准确率，从而使最终算法取得了更高的分类正确率。由于DE-ELM-SSC在Vote和Cancer数据集上选出的进化策略与Tri-DE-ELM的一致（均为de/rand/1），因此它们的分类准确率相同。总之，选择适合不同目标数据集的进化策略，能增强网络参数寻优效果，实现分类性能的提升。