《表2 Le Net-5卷积神经网络模型的预测结果》
提示：宽带有限、当前游客访问压缩模式
由以上结果可以看出，无论是使用全连接神经网络还是使用Le Net-5卷积神经网络，融合了One-hot编码与PSSM矩阵两个序列特征的结果优于单个特征。
| 图表编号 | XD00160336200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.01 |
| 作者 | 薛广富 |
| 绘制单位 | 景德镇陶瓷大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 两种模型检测结果：基于卷积神经网络的农作物叶片病害诊断》2021.03.15
- 《表5 不同压缩方法在Le Net-5 on MNIST上的压缩效果》2021.01.01
- 《表4 多尺度预测结果：基于卷积神经网络的实时车辆检测》2021.03.01
- 《表1 测试结果性能对比：基于多尺度卷积神经网络的短期电力负荷预测》2020.11.01
- 《表3 模型效率对比：基于多尺度卷积神经网络的短期电力负荷预测》2020.11.01
- 《表2 基于卷积网络算法的短期预测结果记录表》2021.01.10
- 《表3 Le Net-5模型预测结果》2020.05.28
- 《表1 Le Net-5网络参数设置》2020.05.28
- 《表1 不同卷积核大小的模型预测实验结果》2020.08.25
- 《表1 改进的Le Net-5网络结构参数》2020.05.28
- 《表2 灰色关联分析：利用卷积神经网络模型预测致密储层微观孔隙结构》2020.03.01
- 《表3 主成分分析：利用卷积神经网络模型预测致密储层微观孔隙结构》2020.03.01
- 《表2 边界框预测信息：基于卷积神经网络的环视车位检测研究》2020.02.25
- 《表3 不同卷积神经网络模型的结果对比》2020.02.25
- 《表2 不同卷积网络模型的检测结果》2020.01.10
- 《表2 成矿预测要素：基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例》2019.12.15
- 《表2 卷积神经网络文本分类模型分类结果统计》2019.05.25
- 《表1 4种预测结果：基于改进的卷积神经网络的肺结节良恶性分类》2019.07.16
- 《表2 模型结果对比：融合卷积神经网络和重启随机游走的实体链接方法》2018.02.01
- 《表2 回归模型特征：基于卷积神经网络的机票低价预测》2019.10.01