《表6 各实验运行时间：基于语谱图与改进Dense Net的野外车辆识别》

  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

《基于语谱图与改进Dense Net的野外车辆识别》

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

由表5可知，无论是传统MFCC+GMM分类方法还是神经网络方法，使用波束形成对传声器阵列信号进行操作之后，其识别率明显要高于Sig1方式。这说明对传声器阵列信号进行波束形成能够实现信号增强，有效地利用了传声器阵列信号的空时特性；对于同一数据集，使用的DenseNet方法与改进Dense Net方法均明显优于传统方法，Dense Net方法的识别率为95.133%，改进Dense Net方法的识别率平均为97%左右，传统方法为90%左右。这说明相对于传统方法，Dense Net方法能够更好地提取出包含干扰噪声的声音信号特征，减少干扰噪声对识别结果的影响；同时，相对于原有的DenseNet网络结构，加入center loss的DenseNet识别准确率也有所提高，平均提高了2%。这说明加入center loss使得同类特征之间较为紧凑，得到了较好的识别结果。其中在改进的DenseNet方法中，改进DenseNet+CBF方法的识别率最高，为97.70%。不同方法的运行时间如表6所示。