《表1 两种全连接层性能对比》
提示：宽带有限、当前游客访问压缩模式
基于ELM超限学习机的全连接网络可以利用最小二乘直接确定参数，不需要迭代，所以无法和图4进行对比。表1给出了这两种算法经过实际风机叶片数据集调优之后各项指标的对比结果。
| 图表编号 | XD0052860400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.20 |
| 作者 | 刘艳霞、丁小燕、方建军 |
| 绘制单位 | 北京联合大学城市轨道交通与物流学院、河北省科学院地理科学研究所地理信息开发应用研究中心、北京联合大学城市轨道交通与物流学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 CNN全连接层输出结果》2020.10.10
- 《表2 全连接层节点数对模型性能的影响》2020.07.25
- 《表6 不同全连接层数设置对应预测实验结果》2020.11.25
- 《表3 全连接层中不同数目的神经元下的网络识别效果》2020.10.01
- 《表2 全连接层神经元个数改变后的手势识别率对比》2018.02.01
- 《表5 不同全连接层输出维度》2020.07.05
- 《表3 全连接层权重衰减系数对比试验》2020.02.20
- 《表1 不同的全连接层大小的DSC结果》2020.07.10
- 《表2 全连接神经网络和卷积神经网络模型对比》2020.06.30
- 《表2 改变全连接层的时域波形图特征的语音识别率》2020.06.20
- 《表1 改变全连接层的语谱图特征的语音识别率》2020.06.20
- 《表4 不同全连接层运行时间》2020.01.16
- 《表4 不同全连接层数对结果的影响》2020.02.25
- 《表4 全连接层中神经元数量和隐藏层数的分类性能和损失性能》2019.12.10
- 《表2 全连接层参数微调测试及对应识别精度》2019.10.25
- 《表2 全连接层神经元数量对精度影响》2019.09.01
- 《表3 RBM与全连接层间特征提取准确性的数据对比》2019.06.20
- 《表2 全连接神经网络与GoogLeNet识别性能对比》2019.06.01
- 《表2 AlexNet和VGG-M提取的不同卷积层特征和全连接层特征汇聚组合的检索结果》2019.07.20
- 《表1 两种方法性能对比》2018.04.20