12、基于多视图和多特征学习的信息融合方法研究

基于多视图和多特征学习的信息融合方法研究

在当今的数据分析和机器学习领域，如何有效地融合多视图和多特征的信息一直是一个重要的研究课题。本文将介绍两种相关的方法：生成式多视图多特征学习（MVMFL）和层次化多视图多特征融合（HMMF），并对它们的实验结果进行详细分析。

生成式多视图多特征学习（MVMFL）

• 实验结果

  • 合成数据集 ：通过不同的模型设置，如 (J, Kj) 组合，对合成数据集进行分类实验。从表 4.3 可以看出，MVMFL 在各种设置下都取得了显著的分类准确率。例如，在 (3, 3) 模型下，准确率达到了 95.60%，明显优于其他对比情况，这充分显示了其层次融合结构的重要性。
    | (J, Kj) | Model | Accuracy |
    | ---- | ---- | ---- |
    | (2,3) | (2,1) | 82.30% |
    | | (6, 1)1 | 85.45% |
    | | (2,3) | 89.35% |
    | (3,2) | (3, 1)1 | 87.35% |
    | | (6, 1)2 | 89.00% |
    | | (3,2) | 92.85% |
    | (3,3) | (3, 1)2 | 91.85% |
    | | (9,1) | 92.40% |
    | | (3,3) | 95.60% |
    | (3,4) | (3, 1)3 | 87.55% |
    | | (12, 1)1 | 88.30% |