《表4 各算法在三种数据集上的运行时间(训练时间/测试时间)》
s
为了验证本文算法的优越性,将其与基于深度提取空间特征的卷积神经网络方法进行对比,结果如表3所示,可见,本文算法在识别精度及Kappa系数上均高于其他方法。各算法在各数据库上的运行效率如表4所示。从训练时间上分析,本文算法的训练时间虽然比RBF-SVM增加,但相比CNN等相关算法却大幅降低;从测试时间上分析,本文算法比RBF-SVM、CNN有所增加,但3DCNN花费的时间更多。可见,本文算法极大地提高了分类精度,其在时间上的微小损失完全在可接受的范围内。
图表编号 | XD00133388500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 覃阳、肖化、骆开庆 |
绘制单位 | 华南师范大学物理与电信工程学院、华南师范大学物理与电信工程学院、华南师范大学物理与电信工程学院 |
更多格式 | 高清、无水印(增值服务) |