34、基于傅里叶变换的图像分类与多变量分支模糊决策树数据流挖掘策略

基于傅里叶变换的图像分类与多变量分支模糊决策树数据流挖掘策略

1. 基于傅里叶变换的图像分类

1.1 SVHN数据集实验

SVHN数据集用于测试的样本有一定数量，还有额外的样本可作为额外训练数据。该数据集不进行数据增强，每个样本大小为32×32像素。与MNIST相比，它的任务更具挑战性，因为图像是RGB格式，且感兴趣数字的旁边可能有干扰数字。

对三种网络（在傅里叶变换图像上训练的CVCNNs、在原始图像上训练的CVCNNs和RVCNNs）在该数据集上进行训练，测试集的误差结果如下表所示：
| 卷积层核大小 | 复DFT的CVCNNs误差 | 原始图像的CVCNNs误差 | RVCNNs误差 |
| — | — | — | — |
| 3, 2 | 8.66% | 10.97% | 12.17% |
| 3, 4 | 8.42% | 10.61% | 11.21% |
| 5, 3 | 7.94% | 9.40% | 10.45% |
| 5, 5 | 8.16% | 9.10% | 9.91% |
| 5, 3, 3 | 8.69% | 8.81% | 9.27% |

从表中可以看出，在原始图像上训练的CVCNNs比相同输入下的RVCNNs效果更好，而在傅里叶变换图像上训练的CVCNNs性能最佳。

1.2 CIFAR - 10数据集实验

CIFAR - 10数据集包含32×32像素的RGB图像，分为10个类别。训练使用完整的50,000张图像训练集，仅在输入网络前进行随机翻转，不进行其他数据增强操作。

三种网络在该数据集上的