《表3 实验的对比结果：基于NSCT和支持向量机的SAR图像识别》
提示：宽带有限、当前游客访问压缩模式
为了验证本文提出的算法的效果，选取了三组算法作为对比实验，分别为HOG+SVM算法，LEP+SVM算法和HOG+LEB+SVM算法。识别的结果如表3所示。
| 图表编号 | XD0068610800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.06.25 |
| 作者 | 高志帮、刘以安 |
| 绘制单位 | 江南大学物联网工程学院、江南大学物联网工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同核函数的对比：基于改进孪生支持向量机的齿廓图像边缘失真分类研究》2020.10.01
- 《表3 状态识别结果：基于主成分分析和支持向量机的高压断路器机械状态识别方法》2020.09.16
- 《表2 BPSO参数设置：基于特征选择和模糊支持向量机的刀具磨损状态识别》2020.11.02
- 《表3 PSO参数设置：基于特征选择和模糊支持向量机的刀具磨损状态识别》2020.11.02
- 《表4 不同模型对比：基于特征选择和模糊支持向量机的刀具磨损状态识别》2020.11.02
- 《表2 图像场景代表意义：基于支持向量机的长波红外目标分类识别算法》2021.02.20
- 《表2 图像场景代表意义：基于支持向量机的长波红外目标分类识别算法》2021.02.20
- 《表3 模型分类结果：基于支持向量机的长波红外目标分类识别算法》2021.02.20
- 《表3 算法准确率对比：基于隐马尔可夫模型和支持向量机的地图匹配算法》2020.10.25
- 《表1 去噪效果对比：基于小波特征和支持向量机的非侵入式负荷识别》2020.11.01
- 《表3 实验结果：基于支持向量机的XSS入侵检测系统研究》2020.05.01
- 《表2 不同方案结果：基于支持向量机的表面肌电信号和加速度融合跌倒识别方法》2020.01.30
- 《表3 基于支持向量机的多生理信号融合的识别精度》2020.02.25
- 《表1 基于支持向量机的单一生理信号识别精度》2020.02.25
- 《表5 基于支持向量机的复合绝缘子缺陷识别结果》2019.12.25
- 《表3 三次实验结果：互联网环境下基于改进支持向量机的高校教学评价研究》2019.10.01
- 《表3 超声扫描参数：基于遗传算法优化支持向量机的超声图像缺陷分类》2019.09.22
- 《表1 青稞病斑识别结果：基于支持向量机的青稞病害识别研究》2019.09.01
- 《表3 部分样本数据：基于支持向量机的中小企业自主创新能力评价指标识别》2019.05.25
- 《表4 语义特征集：基于支持向量机的新闻事件类型识别》2019.04.25