《表1 不同参数的更新次数对比》

  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

《深度学习在农作物图像识别中的应用研究》

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，采用反馈机制的对比散度（RCDF）方法，参数数量的增加，对应更新次数始终在185次附近，当参数在15个以上的时候，更新数稳定在185次。而采用原来的对比散度（KCD）方法，当参数变化时，更新次数波动性较大，说明该对比散度算法的执行效率是不稳定的。从表2可以看出，采用改进后的、基于冲量机制的CNN算法，其总体识别率与Le Net-5算法相当，但是与算法KNN和MNN相比，测试集识别率要高出近30个百分点。