《表2 SVM分类结果：基于多分类SVM的石榴叶片病害检测方法》
提示：宽带有限、当前游客访问压缩模式
支持向量机分类器的总体性能概括为表2，图7为支持向量机性能分析。从图7可以看出，支持向量机对石榴叶片病斑的分类效果显著。
| 图表编号 | XD00223135900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.25 |
| 作者 | 王燕妮、贺莉 |
| 绘制单位 | 西安建筑科技大学信息与控制工程学院、西安建筑科技大学信息与控制工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 仿真试验分类结果：基于SVM方法的色纺花式纱面料自动分类》2020.08.01
- 《表2 粉煤灰性能指标：基于电压振幅与SVM的输电线路故障分类方法》2020.06.01
- 《表2 SVM多分类算法检测精度情况》2020.04.25
- 《表2 数据筛选方法：基于SVM事故分类的连环追尾事故影响因素分析》2020.04.28
- 《表2 基于SVM分类器上各特征合成方法的比较》2020.06.15
- 《表3 基于SVM分类方法精度验证分析(1)》2020.03.01
- 《表2 基于SVM、PNN、LVQ和ELM方法的母猪姿态分类试验结果》2020.07.01
- 《表1 各分类方法正确率：基于改进SVM的恐怖袭击事件分类研究》2020.06.15
- 《表2 实地样本数据：基于改进SVM算法的典型作物分类方法研究》2020.07.25
- 《表1 训练实验参数：基于SVM多分类的超分辨图像细粒度分类方法》2020.03.20
- 《表3 分类器效果对比：基于模糊SVM模型的入侵检测分类算法》2020.02.01
- 《表5 SVM分类结果：基于时频特征的抹香鲸Click与传统声呐信号的分类方法》2019.09.01
- 《表4 不同样本基于SVM分类方法的病害分类精度表》2019.10.25
- 《表2 SVM分类结果：基于SVM的豆类作物病害识别研究》2019.08.01
- 《表2 形状特征参数值：基于多特征的SVM多分类PCB焊点缺陷检测方法》2019.06.25
- 《表3 分类准确率：基于多特征的SVM多分类PCB焊点缺陷检测方法》2019.06.25
- 《表1 焊点样本：基于多特征的SVM多分类PCB焊点缺陷检测方法》2019.06.25
- 《表2 基于BT-SVM组合的新型动态加权多分类算法、随机森林和GBDT模型对比表》2019.01.10
- 《表3 谎言检测结果：基于SVM和GMM组合分类器的谎言识别方法》2019.02.20
- 《表2 语音的分割情况：基于SVM和GMM组合分类器的谎言识别方法》2019.02.20