44、轻量级深度学习模型与室内定位建模研究

轻量级深度学习模型与室内定位建模研究

1. 轻量级深度学习模型用于视觉恶意软件分类

1.1 实验设置

使用 Python 框架和 Keras v2.7.0 深度学习包实现建议的架构。对多个大小为 224×224 的二进制图像进行实验分析，实验使用 32GB NVIDIA Tesla V100 GPU。

1.2 评估指标

• 真正率（TPR） ：衡量数据中正确分类为正例的正例比例。公式为 $TPR = \frac{TP}{TP + FN}$。
• 假正率（FPR） ：数据中错误分类为正类的负例比例。公式为 $FPR = \frac{FP}{FP + TN}$。
• 准确率（Accuracy） ：模型正确预测的比例，即正确预测数与总预测数的比值。公式为 $Accuracy = \frac{TP + TN}{TP + FP + TN + FN}$。
• 精确率（Precision） ：正确分类的正例值占总预测正例值的比例。公式为 $Precision = \frac{TP}{TP + FP}$。
• 召回率（Recall） ：反映模型正确识别真正正例值的能力。公式为 $Recall = \frac{TP}{TP + FN}$。
• F1 分数（F1 - score） ：精确率和召回率的调和平均值，用于衡量分类器的性能。公式为