《表2 分类结果比较：基于深度置信网络的心电信号分类研究》
提示：宽带有限、当前游客访问压缩模式
性能比较以S和V为主，如表2所示。由表2可知，本文所提出的方法具有较好的分类性能，尤其是S类（Se 90.3%，Sp 99.8%，Acc 99.4%）。
| 图表编号 | XD0096241700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.05 |
| 作者 | 瞿文凤 |
| 绘制单位 | 西华大学计算机与软件工学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 实验结果：基于深度残差网络的水果图像分类算法研究》2020.12.25
- 《表1 数据集信息：一种深度置信提升网络集成分类模型》2021.01.15
- 《表1 样本基本特征：基于卷积深度置信网络的配电网故障分类方法》2019.11.10
- 《表3 实验结果对比：基于CNN与GRU降噪自编码的心电信号分类方法》2020.04.15
- 《表1 心拍类别分布：基于金字塔卷积结构的深度残差网络心电信号分类方法研究》2020.08.25
- 《表2 分类结果：基于改进深度置信网络的电力系统暂态稳定评估研究》2020.03.20
- 《表1 分类结果准确率：基于深度置信网络的多特征融合音乐分类算法》2020.02.20
- 《表2 样本集合的分类：基于集成深度置信网络的精细化电力系统暂态稳定评估》2020.03.25
- 《表1 数据统计结果：基于深度记忆网络的特定目标情感分类研究》2019.12.15
- 《表2 实验参数设置：基于深度记忆网络的特定目标情感分类研究》2019.12.15
- 《表1 分类混淆矩阵：基于卷积神经网络的心电信号分类研究》2019.08.13
- 《表1 分类混淆矩阵：基于深度置信网络的心电信号分类研究》2019.09.05
- 《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7 心拍类别分布：基于判别式深度置信网络的心律失常自动分类方法》2019.06.25
- 《表1 心拍类别分布：基于判别式深度置信网络的心律失常自动分类方法》2019.06.25
- 《表2 分类准确率：基于VMD和KNN的心电信号分类算法》2019.04.01
- 《表2 分类结果比较：基于深度信念网络的LAMOST恒星光谱分类研究》2019.06.15
- 《表1 分类结果：基于深度信念网络的LAMOST恒星光谱分类研究》2019.06.15
- 《表2 数据集：基于深度学习的ADHD儿童和正常儿童脑电信号分类研究》2019.02.01
- 《表3 分类结果比较：基于深度学习的ADHD儿童和正常儿童脑电信号分类研究》2019.02.01