《表5 本文模型与胶囊网络的对比》
提示：宽带有限、当前游客访问压缩模式
从图9中可以看到，在UNSW-NB15数据集中融合率有了轻微的上升，说明模型提高了关注局部特征的比重。
| 图表编号 | XD00196925100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.25 |
| 作者 | 张兴兰、尹晟霖 |
| 绘制单位 | 北京工业大学信息学部、北京工业大学信息学部 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 LSTM模型结构：基于改进胶囊网络的文本分类》2020.09.10
- 《表3 本文网络模型与经典网络模型对比》2021.01.10
- 《表5 本文提出的模型、SAW、TOPSIS对比分析》2021.01.01
- 《表5 本文模型评估结果与实际结果的对比》2020.12.01
- 《表4 模型对比的准确率：可变融合的随机注意力胶囊网络入侵检测模型》2020.11.25
- 《表6 本文模型与参照模型的对比》2020.06.10
- 《表5 本文网络与其他网络训练效果对比》2020.04.10
- 《表2 本文算法性能评价：基于胶囊网络的智能交通标志识别方法》2020.04.10
- 《表4 本文方法与其他分割网络的对比（CamVid数据集）》2020.01.25
- 《表3 本文方法与其他分割网络的对比（Cityscapes数据集）》2020.01.25
- 《表1 经典BP神经网络与本文模型的仿真结果对比》2020.04.15
- 《表5 GLONASS系统RBF神经网络模型与灰色模型的对比》2019.12.01
- 《表1 BP神经网络与本文提出算法的结果对比》2019.09.15
- 《表5 神经网络模型的期望输出与实际输出对比》2019.07.15
- 《表5 本文模型所得方案与人工编制方案对比分析》2019.06.28
- 《表3 本文模型与已存在模型的预测性能对比》2019.04.01
- 《表8 使用299×299像素图像本文网络与其他卷积神经网络分类性能的对比》2019.01.10
- 《表7 使用384×384像素图像本文网络与其他卷积神经网络分类性能的对比》2019.01.10
- 《表5 本文网络与其他卷积神经网络的比较》2019.01.10
- 《表5 不同网络模型的模型大小与训练时间的对比》2019.12.01