《表1 不同方法补全评价:一种多视图深度融合的连续性缺失补全方法》
图4显示多视图补全5种中间方法不同参数选择对连续性缺失补全的表现。图4(a)、4(b)、4(c)分别展示反转距离控制中衰减因子α、双向简单指数平滑中衰减因子β、用户协同过滤和基于能量扩散的协同过滤中相似集k不同取值下对补全的表现。当α=1时,补全连续性缺失平均相对误差达到最小;当β=0.95时,平均相对误差达到最小;当k=7时,平均相对误差达到最小。深度神经网络融合学习框架6层隐藏层分别为64、128、256、256、64和32个神经单元。采用的优化算法为适应性估计优化算法(Adaptive moment estimation,Adam),其中学习速率为0.000 1。
图表编号 | XD0044338700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.20 |
作者 | 毛莺池、张建华、陈豪 |
绘制单位 | 河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学水利水电学院、华能澜沧江水电股份有限公司 |
更多格式 | 高清、无水印(增值服务) |