《表4 不同降维方式对算法性能的影响》
注:加粗字体表示最优结果。
对特征向量的降维,本文选择使用白化处理的PCA降维方法,为了验证WPCA的降维效果,分别用原特征向量、PCA降维后的特征向量和WPCA降维后的特征向量进行性能对比实验,结果如表4所示。从表4可以看出,无论哪种降维方法都对原特征向量(码本大小为70,block和滑动步长分别为10和5)进行了大幅度降维(降维后的维度默认为训练样本数),不仅使得识别速度有所提升,还有效地防止了分类训练的过拟合。另外,白化处理降低了PCA降维处理后的特征向量之间的相关性,减少了特征的冗余,同时使得所有特征向量具有相同的方差,降低了噪声对识别的影响。因此,WPCA不仅可以对特征向量有效地降维,还可以提高特征向量的鲁棒性,提高算法的整体识别效果。
图表编号 | XD0098405300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.16 |
作者 | 路强 |
绘制单位 | 合肥工业大学计算机与信息学院、工业安全与应急技术安徽省重点实验室 |
更多格式 | 高清、无水印(增值服务) |