《表4 串行和并行网络的故障识别准确率》
提示：宽带有限、当前游客访问压缩模式
本串行网络模型仅应用1条深层次的CNN和LSTM捕获塑料光纤故障特征。将训练的串行网络模型进行测试，故障识别准确率如表4所示。
| 图表编号 | XD00225359700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.25 |
| 作者 | 周玉婷、韦泽训、曲春梅 |
| 绘制单位 | 四川邮电职业技术学院通信工程学院、四川邮电职业技术学院通信工程学院、四川邮电职业技术学院通信工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 测试阶段准确率：基于并行子网的塑料光纤通信故障识别模型》2020.09.25
- 《表2 故障识别准确率：基于卷积神经网络的采煤机截割部传动系统故障识别》2020.10.01
- 《表1 串行、并行算法力更新频率比较》2021.03.01
- 《表1 并行与串行效率对比》2020.05.16
- 《表4 Web应用串行/并行种群平均执行时间与比例》2020.05.01
- 《表3 T1组模式串行和GPU并行子试验模块计算耗时和加速比》2020.04.15
- 《表1 串行实验的耗时：点云重建的并行算法》2020.03.15
- 《表2 并行DHA算法与串行DHA算法的实现时间》2020.04.15
- 《表4 DMR算法采用串行和并行方式所用时间》2019.10.01
- 《表3 串行与并行时间对比表》2019.10.20
- 《表6 并行模型和串行模型的训练时间和分类精度的对比》2019.10.01
- 《表2 基于并行与串行算法的激电反演的计算时间和CPU占用率对比》2019.10.01
- 《表2 并行网格生成和串行网格生成对比》2019.06.18
- 《表3 CK+识别率对比：构建并行卷积神经网络的表情识别算法》2019.02.16
- 《表2 图像网络训练参数：构建并行卷积神经网络的表情识别算法》2019.02.16
- 《表4 CK+时间对比：构建并行卷积神经网络的表情识别算法》2019.02.16
- 《表1 神经网络参数：构建并行卷积神经网络的表情识别算法》2019.02.16
- 《表1 双相机图像边缘检测串行和CUDA并行耗时》2019.01.16
- 《表4 WOLA并行结构DFT滤波器组与串行WOLA结构在FPGA实现时的时延对比》2018.03.01
- 《表1 双网络并行模型与其他模型的缺陷识别准确率对比表》2019.11.28