《表4 训练与测试时间：基于优化的LSTSVM的多模态生理信号情感识别》
提示：宽带有限、当前游客访问压缩模式
（s）
为进一步分析分类器的性能，记录了分别用训练数据和测试数据对3种分类器进行训练和测试所需要的时间，如表4所示。
| 图表编号 | XD0017018100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2018.03.06 |
| 作者 | 金纯、陈光勇 |
| 绘制单位 | 重庆邮电大学无线移动通信理论与技术重点实验室、重庆金瓯科技发展有限责任公司、重庆邮电大学无线移动通信理论与技术重点实验室 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 蠕变持久试验结果：基于优化残差网络的多模态音乐情感分类》2020.12.01
- 《表3 分类结果矩阵结构：基于多种生理信号的情绪识别研究》2020.07.30
- 《表1 提取的特征：基于多种生理信号的情绪识别研究》2020.07.30
- 《表1 训练集与测试集：基于音频与歌词双重模态的音乐情感分类方法设计》2020.05.25
- 《表2 与其余方法的比较：基于彩色和深度信息的多模态人脸识别》2020.04.15
- 《表2 网络部分训练样本：基于经验模态分解的小型断路器振动信号分析》2020.08.25
- 《表2 基于语音信号与声门波信号的情感对的识别率（%）》2020.05.05
- 《表1 基于支持向量机的单一生理信号识别精度》2020.02.25
- 《表3 基于支持向量机的多生理信号融合的识别精度》2020.02.25
- 《表4 基于决策树的多生理信号融合的识别精度》2020.02.25
- 《表2 基于决策树的单一生理信号识别精度》2020.02.25
- 《表1 基于脑电信号的情感识别相关研究》2020.04.01
- 《表4 训练时间：基于脑电信号与集成分类器的心理负荷评估》2019.11.15
- 《表6 同类研究对比：基于改进的卷积神经网络脑电信号情感识别》2019.11.15
- 《表2 训练与测试数据：自适应边缘优化的改进YOLOV3目标识别算法》2019.07.05
- 《表3 不同平台训练时间：基于AlexNet模型的雷达信号调制类型识别》2019.05.01
- 《表3 分组分类正确率%：基于DBN的多模态音乐情感分类研究》2019.02.25
- 《表4 正确率对比%：基于DBN的多模态音乐情感分类研究》2019.02.25
- 《表1 音频特征构成：基于DBN的多模态音乐情感分类研究》2019.02.25
- 《表1 测试集识别结果：基于深度学习的学习者情感识别与应用》2019.02.01