《表1 不同模式识别模型的性能对比》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测》
从表1可以看出,DWT-ELM模型的精确率、召回率和F1-Score分别为94.0%,94.0%,0.94,较DWT-SVM模型的性能提高了约3%。这可能是由ELM模型比SVM模型具有更好的泛化能力和鲁棒性造成的。传统1-D CNN模型性能又较DWT-ELM模型提高了约2%,表明1-D CNN在其分类器(BPNN)性能劣于ELM的情况下,仍能取得较好的分类效果,证明了深度学习方法比传统机器学习方法具有更好的特征提取性能。而1-D CNN-ELM模型与1-D CNN模型相比性能更好,说明ELM分类器的引入有效地提高了传统CNN模型的分类准确率和模型泛化性能。
图表编号 | XD00154638300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 杨正伟、张鑫、李庆盛、缪楠、王志强、李彩虹、袁文浩、马云霞、周智 |
绘制单位 | 山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、淄博市中西医结合医院、淄博市中西医结合医院 |
更多格式 | 高清、无水印(增值服务) |