《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》

  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

《一种多视图深度融合的连续性缺失补全方法》

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

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。