《表2 不同学习模块的m AFS在EEG数据集上准确率比较(单位:%)》
4个UCI时序数据集的实验结果如图4所示,该结果仅适用于m AFS全连接网络作为学习模块(记作m AFS-fc)。在3个回归任务中,全连接网络学习器已经在所有对比方法中实现了最低的MAE误差,尤其是对比Gui和Roy方法有显著提升。m AFS在EEG数据集上表现不佳,但其结果并不是本结构所能达到的最佳结果。通过更换性能更强的学习模块,即卷积网络和循环神经网络后,特征选择效果有了巨大提升。具体实验结果如表2所示,在EEG数据集上使用卷积网络作为学习模块(记作m AFS-conv)的m AFS结构比m AFS-fc提升了22%的分类准确率,并实现了远高于其它所有对比方法的准确率。
图表编号 | XD00193783400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.15 |
作者 | 胡紫音、桂宁 |
绘制单位 | 浙江理工大学信息学院、中南大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |