《表1 BP神经网络准确率比较》
提取 ⇩《应用于禽蛋壳体裂纹声检测的嵌入式神经网络方法》
为了验证在PC训练好的权重和偏置导入到ARM平台不会影响网络模型的预判结果。首先,在计算机端利用Tensor Flow框架进行BP神经网络模型训练,输入的鸡蛋裂纹特征参数有:尾部动态变化、总能量、x向频谱重心、y向频谱重心、中低频能量。训练结束后将得到权重和偏置导入到ARM平台。在ARM平台上建立与计算机端一致的BP神经网络,然后传入预测集数据运行神经网络进行测试并对ARM实验系统和PC实验系统神经网络的测试准确率进行比较结果如表1所示。
图表编号 | B16662127613666 |
---|---|
出版时间 | 2020.12.25 |
作者 | 邱志敏、魏云龙、林钰森 |
研究主题 | 应用于禽蛋壳体裂纹声检测的嵌入式神经网络方法 |
出版单位 | 福州大学物理与信息工程学院、福州大学物理与信息工程学院、华南理工大学电子与信息学院 |
更多格式 | JPG/无水印(增值服务) |
定制格式 | Excel格式(增值服务) |
传媒
查看“表1 BP神经网络准确率比较”的人还看了
-
- 表1 BP神经网络与递归STA/LTA-BP神经网络识别结果
- 综合集成高精度智能微震监测技术及其在深部岩石工程中的应用
-
- 表3 基于神经网络的图嵌入方法
- 基于知识图谱问答系统的技术实现
-
- 表9 神经网络测试结果:基于BP神经网络的汽车外观设计评价方法
- 基于BP神经网络的汽车外观设计评价方法
-
- 表8 神经网络训练结果:基于BP神经网络的汽车外观设计评价方法
- 基于BP神经网络的汽车外观设计评价方法
-
- 表3 基于云遗传-BP神经网络与其他BP神经网络预测能力对比
- 基于云遗传BP神经网络的黄淮海旱作区土壤有机质预测精度分析
-
- 表3 结果准确性对比:面向嵌入式的卷积神经网络硬件加速器设计
- 面向嵌入式的卷积神经网络硬件加速器设计