《表4 使用PCA降维方法的分类正确率》
提示：宽带有限、当前游客访问压缩模式
我们使用PCA对高光谱图像进行降维，并将其第一主成分作为图像纹理分类对象。表4中给出了在SVM分类器下的混合分类正确率。
| 图表编号 | XD00126078600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.01 |
| 作者 | 唐艳慧、赵鹏、王承琨 |
| 绘制单位 | 东北林业大学信息与计算机工程学院、东北林业大学信息与计算机工程学院、东北林业大学信息与计算机工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 聚类中心个数与PCA降维后的累积贡献率》2020.10.15
- 《表2 conv13特征、fc2特征和conv13+fc2特征上未降维和降维后的分类正确率》2021.01.16
- 《表2 在4种情况下不同降维方法的分类精度》2021.02.01
- 《表6 不同特征降维方法的SVM分类精度表》2020.11.25
- 《表1 维数r、m不同取值时PCA-SLPP的分类正确率,》2018.12.01
- 《表3 分类准确率：基于PCA-C4.5算法的高血压预诊系统研究》2020.04.15
- 《表2 PCA降维对算法的影响》2020.06.01
- 《表1 PCA和PCA＿ScatterMatrix方法在数据集2上获得最高分类正确率时所选取的主成分序号》2020.03.31
- 《表2 聚类平均准确率：结合神经网络的文本降维方法》2020.03.25
- 《表4 各降维方法的备件分类准确率对比》2020.01.01
- 《表1 本文方法与LLE、LPP和PCA方法在分类准确率性能方面的比较》2019.11.20
- 《表1 常见电池分类：正确使用电池的方法》2019.05.31
- 《表2 分类正确率 (KPCA, LE, LLE, LTSA, MDS, PCA，本文算法)》2019.06.01
- 《表1 PCA与ISOMAP降维后SVM准确率》2019.07.01
- 《表1 部分测试结果：机器学习中的PCA降维方法研究及其应用》2019.01.01
- 《表4 YJ-MICPCA和PCA算法取相同维度时的分类准确率 (单位:%)》2019.06.01
- 《表2 PCA降维后调节参数前后SVM分类结果对比》2019.01.20
- 《表1 PCA降维前后分类器预测结果》2019.01.20
- 《表1 不同降维方法的准确率 (%)》2019.04.01
- 《表2 AD—PCA分类正确率》2018.11.20