《表4 UMIST数据上的最佳分类性能及相应的标准差和特征数Tab.4 Optimal recognition rate as well as corresponding standard devia

  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

《基于低秩表示的判别特征提取算法》

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

从图1~2可以看出，LRDP的性能几乎总是优于其它的算法.对各个P值，各个算法在特征数比较少时，分类性能随着特征数的增加而快速上升，当特征数达到一定值后，性能上升变得缓慢甚至有少许下降，说明随着特征数的增加，判别信息的增加变得不明显，其原因为受到冗余特征的负面影响.随着P值的增加，即训练样本数的增加，各个算法的性能都有一定的提高，说明训练样本的特征是判别信息的主要来源.从表3~4可以看出，LRDP最佳性能总是优于其它算法（包括MFA）.