《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。