《表2 高阶谱方法识别率：基于卷积神经网络的水声目标分类技术》
提示：宽带有限、当前游客访问压缩模式
UDM-NMF方法:即基于非负矩阵分解的全局基矩阵字典模型，利用非负矩阵分解方法提取水声目标的特征，基于全局基矩阵字典对水声目标进行识别，分类结果如表2所示。
| 图表编号 | XD0034656900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.20 |
| 作者 | 吕海涛、巩健文、孔晓鹏 |
| 绘制单位 | 海军航空大学、海军航空大学、海军航空大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 识别精度：基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究》2021.01.25
- 《表1 网络分类整体性能：基于功率谱密度图和卷积神经网络的心律失常分类研究》2020.05.25
- 《表4 卷积神经网络结构：基于流形光谱降维和深度学习的高光谱影像分类》2020.03.01
- 《表1 目标识别数据集：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表2 脉象分类结果：基于递归图和卷积神经网络的脉象分析识别》2020.04.01
- 《表2 参数说明：基于卷积神经网络的水表字符识别方法研究》2020.02.01
- 《表3 支路网络对比：基于分离卷积的战场目标聚集行为识别》2020.03.28
- 《表4 常见数据增强技术：卷积神经网络在雷达自动目标识别中的研究进展》2020.01.01
- 《表2 实验结果混淆矩阵：用于水声目标信号时频特征提取与识别的深度卷积神经网络》
- 《表3 网络识别性能评价：用于水声目标信号时频特征提取与识别的深度卷积神经网络》
- 《表1 数据说明：用于水声目标信号时频特征提取与识别的深度卷积神经网络》
- 《表1 模拟数据示例：基于卷积神经网络的雷达目标航迹识别研究》2019.09.01
- 《表1 电磁散射计算参数：基于卷积神经网络的高分辨率雷达目标识别》2019.08.25
- 《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1 模型评估结果：基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法》2019.02.25
- 《表1 实验结果对比：基于并行卷积神经网络的军事目标图像分类技术》2019.04.20
- 《表1 测试集辨识识别率：基于卷积神经网络的水声目标分类技术》2019.02.20
- 《表1 分类结果：基于卷积神经网络的人脸表情识别》2018.01.01
- 《表1 网络性能比较：应用深度卷积神经网络的机场及机场内飞机目标识别技术》2018.03.15