《表3 用提取特征进行模型训练和测试的分类识别结果》
提示：宽带有限、当前游客访问压缩模式
用提取的特征进行模型训练和测试，分类识别结果如表3所示．
| 图表编号 | XD00195584200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.23 |
| 作者 | 韦娟、顾兴权、宁方立 |
| 绘制单位 | 西安电子科技大学通信工程学院、西安电子科技大学通信工程学院、西北工业大学机电学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 遗传算法优化先验模型加权肤色特征提取方法在KNN分类器下的5种姿态识别准确率》2020.09.20
- 《表3 多分类问题下模型的测试结果（训练集和测试集均为黄色皮肤图像）》2020.12.15
- 《表2 多分类问题下模型的测试结果（训练集和测试集均为白色皮肤图像）》2020.12.15
- 《表6 使用CASIA MFSD数据集对模型进行训练,并在REPLAY ATTACK数据集上进行测试,和使用REPLAY ATTACK数据集对模型进行训练,并在CASIA MFSD数据集上进行测试(%)》2021.03.20
- 《表3 在交叉数据集之间进行训练和测试的消融实验结果》2021.03.20
- 《表3 对正常状态和分合闸机构故障（替换弹簧2）进行训练的识别效果》2021.02.10
- 《表3 分类识别结果：体表胃电的特征提取方法研究》2020.04.15
- 《表4 利用多层感知器进行大豆产地分类的训练子集、测试子集、保持子集结果》2020.07.28
- 《表2 模型的训练时长：基于卷积神经网络特征提取的轻量级包装袋分类模型》2020.08.25
- 《表2 XGBoost侵权识别模型训练结果表（包含训练集和测试集）》
- 《表1 对不同特征融合进行模型训练所得的实验结果》2020.05.01
- 《表2 基于SBM和两种先验模板进行特征提取时的支持向量机分类结果》2019.10.01
- 《表2 用单一特征和多特征进行分类时准确率》2019.05.05
- 《表4 Hu不变矩特征提取后SVM进行分类的结果》2019.08.30
- 《表2 预训练模型提取特征与时域/频域特征相结合的分类结果》2019.07.15
- 《表2 用不同特征稀疏表示子分类器测试样本的分类识别率Tab.2 The subclassifier is used to denote the classification recognition rate of the sample in》2018.09.15
- 《表7 提取GC特征与传统特征进行分类识别Table 7 The GC feature values and traditional feature values are extracted for classifying and recog》2018.06.01
- 《表5 单独提取各频段组功率谱密度、不对称系数特征进行分类识别Table 5 The power spectral density and asymmetric coefficient feature values of each frequ》2018.06.01
- 《表6 单独提取各频段组能量、香农熵特征进行分类识别Table 6 The energy and shannon entropy feature values of each frequency band group are extracte》2018.06.01
- 《表4 单独提取各频段组GC特征进行分类识别Table 4 The GC feature values of each frequency band group are extracted separately for classifying》2018.06.01