《表1 模拟数据集性能比较》

  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

《参数字典稀疏表示的完全无监督域适应》

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:1) TSC算法要求数据的维度必须不小于类别数，否则无法运行；2) FCM和SLMC仅在目标域上学习，其他算法均在两个域上学习；3) STC、TSC和TFCM算法代码均由文献[31]作者分享。

通过观察表1知，WUDA在两个模拟数据集上的性能明显优于其他算法。值得注意的是，在双月分布中，WUDA的RI和NMI指标均为100%，并且较于其他算法的聚类性能有着显著的差别，主要得益于WUDA是在输出（标记）空间上实现聚类，受输入样本的分布情况影响较小。因此，本文方法不仅能应用于传统的高斯分布数据，也对类似于双月分布的非传统分布的数据适用。另外，对比SLMC和WUDA，易知WUDA通过学习源域中的“知识”提高了目标域的聚类性能，从而验证了本文算法的可行性。