《表5 少量样本分类结果：基于多层感知器和运动轨迹的海上目标类型识别》
提示：宽带有限、当前游客访问压缩模式
将测试集输入训练好的多层感知器进行分类，分类结果如表5所示，考虑到人工制作标签可能存在错误，多层感知器分类结果令人满意，可用于样本初步分类。
| 图表编号 | XD00161991600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.20 |
| 作者 | 赵璐、马野、李晓芳 |
| 绘制单位 | 海军大连舰艇学院学员五大队、海军大连舰艇学院导弹与舰炮系、海军大连舰艇学院导弹与舰炮系 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 鞍部识别结果统计：融合卷积神经网络与多层感知器的鞍部识别方法》2021.02.01
- 《表2 多层感知器神经网络训练、测试、保持样本结果分类》2020.09.25
- 《表1 结果对比：基于多层感知机的密封继电器PIND信号识别》2020.04.01
- 《表1 方向种类识别结果：基于鱼侧线感知原理和深度学习的水下平动目标方向识别》2020.06.20
- 《表7 多数样本分类结果：基于多层感知器和运动轨迹的海上目标类型识别》2020.03.20
- 《表4 多层感知器结构：基于多层感知器和运动轨迹的海上目标类型识别》2020.03.20
- 《表2 清洗后数据示例：基于多层感知器和运动轨迹的海上目标类型识别》2020.03.20
- 《表1 原始数据示例：基于多层感知器和运动轨迹的海上目标类型识别》2020.03.20
- 《表1 联合特征向量构成：基于眼动预测与多层邻域感知的显著目标检测算法》2020.06.10
- 《表4 模型识别帧率：基于S4-YOLO的海上目标检测识别方法》2020.08.10
- 《表2 先验框比较：基于S4-YOLO的海上目标检测识别方法》2020.08.10
- 《表1 模拟实验结果：基于多层感知器神经网络的智能分类算法》2020.03.10
- 《表2 感知器和多层感知器知识点双语教学案例设计》2019.10.10
- 《表4 分类准确率对比：基于多层感知机的蛋白质变性温度预测》2019.08.01
- 《表1 相关性分析：基于神经网络多层感知器的外围护结构多目标优化影响指标选取研究》2019.04.25
- 《表1 分类精度：一种运动目标轨迹提取方法》2019.07.20
- 《表5 分类准确率：基于智能手机感知的人体运动状态深度识别》2019.06.01
- 《表3 CNN结构：基于智能手机感知的人体运动状态深度识别》2019.06.01
- 《表5 测量结果：基于双目相机的直线运动轨迹快速测量算法》2019.03.10
- 《算法3 定位边界点O：基于3D运动轨迹解析与隐马尔可夫模型的动作识别算法》2018.11.01