《表2 基于MINST数据库的分类结果比较》

  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

《宽度学习的教育价值及其意义》

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

每种算法的测试精度和训练时间，如表2所示。实验结果说明，宽度学习系统的测试准确度为98.74%，它优于MLP、SAE、SDA和单层FRBM。虽然准确度略低于RBM、DBN、MLELM和HELM，但宽度学习模型却因其平坦的扩展结构而相对简单得多。此外，与RBM和DBN等非常受欢迎的深度学习方法相比，宽度学习是这其中最高效的方法。在保持相当准确性的前提下，宽度学习的训练过程仅在29.6968秒内就已经完成，比RBM网络快千倍。通过增加输入数据和增强节点来测试增量宽度学习算法，结果也证明了所涉及的算法的高效性。此外，与其他MLP训练方法相比，宽度学习系统在分类精度和学习速度方面具有良好的性能。与数百个迭代的高性能电脑下几十小时或几天的训练相比，宽度学习系统可以在几分钟内很容易地构建，即使在普通计算机中也是如此。宽度学习系统在训练速度方面明显优于现有的深层结构神经网络。与深度学习方法相比，宽度学习结构简单，性能强大，完全适用于大数据时代。