《表6 性能特征数值：一种半监督学习的代码自动生成性能评估方法》
提示：宽带有限、当前游客访问压缩模式
其中n为代码索引位置．生成代码位置越靠后，s值就越小。与代码自动生成过程相关的所有性能特征数值化后如表6所示．
| 图表编号 | XD00213661300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.03.01 |
| 作者 | 张晓江、姜瑛 |
| 绘制单位 | 昆明理工大学云南计算机技术应用重点实验室、昆明理工大学信息工程与自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 超参数分析：基于生成对抗网络的自动细胞核分割半监督学习方法》2020.10.10
- 《表5 方案6分类精度：一种基于联合特征的地表覆盖变化自动检测方法》2020.10.25
- 《表6 方案7分类精度：一种基于联合特征的地表覆盖变化自动检测方法》2020.10.25
- 《表7 程序员行为特征与代码自动生成工具行为特征在不同性能类别中的影响程度实验数据》2021.03.01
- 《表8 代码自动生成性能评估结果》2021.03.01
- 《表1 代码自动生成性能基本特征》2021.03.01
- 《表4 部分原始性能数据：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表5 词向量聚类结果：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表1 模型参数：一种基于半监督学习的多维条件下电能表误差插值方法》2021.02.15
- 《表2 模型结果比较：一种基于半监督学习的多维条件下电能表误差插值方法》2021.02.15
- 《表1：一种基于多用户协同的网络定位性能评估方法》2020.05.30
- 《表3 性能测试结果：一种基于预警信息的漏洞自动化快速防护方法》2020.01.01
- 《表1 常见有监督学习算法性能特征对比表》2019.12.25
- 《表3 算法准确率比较：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 模型测试结果：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 地面控制点坐标：一种求解单像空间后方交会的监督学习方法》2019.08.05
- 《表3 检测性能对比：一种基于图像感知哈希的海量恶意代码分类方法》2019.06.01
- 《表1 测试环境：一种用于阴极保护数值模拟的高性能计算方法》2019.04.15
- 《表1 性能测试结果：一种基于深度相机的机器人室内导航点云地图生成方法》2018.03.25