《表3 分类统计表：基于改进自组织神经网络的遥感图像分类研究》
提示：宽带有限、当前游客访问压缩模式
在完成对BP神经网络的仿真训练之后，利用Kappa系数来评价其精度。按照上述评价方法，均匀地选取各类地物的15个样本点（像元），结果如表3。
| 图表编号 | XD0030458100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.28 |
| 作者 | 王晨安、李浩、李靖 |
| 绘制单位 | 河海大学地球科学与工程学院、河海大学地球科学与工程学院、河海大学地球科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表7 3类算法分类结果：基于卫星遥感图像的农作物分类算法》2020.09.01
- 《表3 基于卷积神经网络的遥感影像作物分类混淆矩阵》2021.02.25
- 《表2 客观指标比较：基于改进的3D-CNN的高光谱遥感图像地物分类》2021.01.01
- 《表3 实验环境参数：遗传算法优化确定BP神经网络的遥感图像分类》2020.06.15
- 《表1 分类误差矩阵表：基于激光光谱遥感图像处理的地理信息系统研究》2020.01.15
- 《表3 基于深度学习的遥感图像分类专题实践内容（简要示例）》2020.06.25
- 《表4 测试样本信息：基于卷积神经网络的京杭大运河遥感影像水质分类算法研究》2020.02.10
- 《表2 场景数据集：基于尺度注意力网络的遥感图像场景分类》2020.03.10
- 《表1 精度评定结果：遥感图像分类中的遗传算法LVQ神经网络运用》2020.01.01
- 《表3 分类结果对比表：基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法研究》2019.12.25
- 《表3 分类精度评价：基于偏微分方程的遥感成像雷达距离图像分类方法》2019.11.26
- 《表5 分类结果：基于SSDAE深度神经网络的钛板电涡流检测图像分类研究》2019.04.01
- 《表4 分类精度评价：基于改进的三维卷积神经网络的高光谱遥感影像分类技术研究》2019.06.10
- 《表2 分类精度评价：基于改进的三维卷积神经网络的高光谱遥感影像分类技术研究》2019.06.10
- 《表2 改进前后纹理特征在NWPU-RESISC45建筑物遥感图像上的分类准确率比较》2019.04.28
- 《表3 耗费时间：基于相似性测度和极限学习机的遥感图像分类研究》2019.01.20
- 《表2 BP神经网络参数：基于改进自组织神经网络的遥感图像分类研究》2019.02.28
- 《表1 分类统计表：基于改进自组织神经网络的遥感图像分类研究》2019.02.28
- 《表2 分类比例：基于改进的LVQ神经网络图像边缘提取研究》2018.06.15
- 《表5 网络改进效果：基于密集连接网络的遥感图像检测方法》2019.11.25