《表2 各方法在MNIST数据集上的准确率比较》

  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

《多粒度融合的模糊规则系统图像特征学习》

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

注：对比实验中KPCA因为构造核矩阵的维度太大，超出内存，故没有对比结果。Le Net-5、DBM和Re Net的实验结果分别引用自文献[20]、文献[42]、文献[43]的结果。

在MNIST数据集上，除了使用了人脸数据集上相同的对比算法外，为了有效地评估本文方法MGFIFL-FR的性能，还对比了一些深度神经网络的方法。其中CNN（6-2-16-2）是一个简单的神经网络结构，包含两个卷积层、两个池化层和两个输出层。其中目标函数选择均方误差，激活函数选择sigmoid函数，优化算法选择随机梯度下降算法，训练迭代次数epochs为100。Le Net＿5[20]一个用于数字识别的经典CNN框架。DBM（deep Boltzmann machines）[42]是一种包含多个隐含层的玻尔兹曼机。Re Net[43]是一个基于递归神经网络的深度网络结构。表2给出了这些方法在MNIST数据集上的准确率，可以看出本文算法MGFIFL-FR明显优于经典的TSK-FS和基于子空间学习等方法，与深度神经网络的方法相比，性能也具有一定的竞争力。