《表1 Wi Fi-PDR和CNN活动识别辅助PDR特征点误差对比》
提示：宽带有限、当前游客访问压缩模式
表1中所示，为图6所示路径经过的八个特征点处的定位误差。从表中可以看出，在特征点处该算法比Wi FiPDR算法误差更小，且其平均定位精度提高了33.5%。
| 图表编号 | XD00129821300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.20 |
| 作者 | 冯描芬、余敏、薛峰 |
| 绘制单位 | 江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 Artificial＿CNN和Auto＿CNN模型增强数据前后平均识别率的对比》2020.09.15
- 《表1 超参数设置：基于深度神经网络Mask R-CNN胆囊癌辅助识别系统临床应用价值研究》2021.03.01
- 《表1 三种模型在不同数据集特征点识别率对比表》2021.03.01
- 《表6 3组对比实验结果：基于特征融合CNN模型的ECG信号识别方法研究》2020.11.15
- 《表2 识别算法对比结果：基于联合特征和XGBoost的活动语义识别方法》2020.11.10
- 《表1 用户签到数据示例：基于联合特征和XGBoost的活动语义识别方法》2020.11.10
- 《表2 估计误差对比：基于特征地图的煤矿辅助运输车辆定位方法》2020.05.01
- 《表3 误差方差对比：基于CNN和SVR相结合的电力负荷预测分析》2020.02.20
- 《表2 模型的准确率比较：基于数据融合的CNN方法用于人体活动识别》2020.02.16
- 《表1 实验的具体参数值：基于数据融合的CNN方法用于人体活动识别》2020.02.16
- 《表1 4种算法特征点识别对比》2019.12.01
- 《表3 总体识别率对比表：一种轻量化的CNN活动识别方法研究》2019.09.01
- 《表3 误差对比结果：基于CNN-LSTM的QAR数据特征提取与预测》2019.10.01
- 《表1 定位实验误差m：基于PDR辅助的视觉室内定位算法的研究》2019.08.15
- 《表6 速度及功耗对比：基于FPGA和CNN的汉字识别系统的设计与实现》2019.09.10
- 《表1 平均误差：基于互补滤波融合WiFi和PDR的行人室内定位》2019.05.25
- 《表1 TC＿CNN与S＿CNN在不同迭代次数下误差和时间对比》2019.02.16
- 《表2 CNN和经典方法识别率对比图Tab.2 Comparison of recognition rates between CNN and classical methods》2018.04.28
- 《表1 CNN和经典方法识别率对比图Tab.1 Comparison of recognition rates between CNN and classical methods》2018.04.28
- 《表4 CNN特征识别正确率》2018.05.20