《表3 Tri-DE-ELM与DE-ELM-SSC的准确率比较》
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。
图表编号 | XD00190602600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 庞俊、黄恒、张寿、舒智梁、赵宇海 |
绘制单位 | 武汉科技大学计算机科学与技术学院、智能信息处理与实时工业系统湖北省重点实验室、武汉科技大学计算机科学与技术学院、武汉科技大学计算机科学与技术学院、武汉科技大学计算机科学与技术学院、东北大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |