《表2 样本数据表：基于误差反向传播算法的海上拖航风险》
提示：宽带有限、当前游客访问压缩模式
经修正公式处理后，样本数据如表2所示。在10组数据中，选取前9组作为训练数据，最后1组作为测试数据，以此测试训练后的神经网络性能。
| 图表编号 | XD00159499400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.28 |
| 作者 | 徐国庆、卢志远、吴晨辉 |
| 绘制单位 | 山东交通学院航海学院、上海电科市政工程有限公司、山东交通学院航海学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 不同算法训练结果：基于反向传播神经网络的故障电弧识别》2020.09.20
- 《表1 家庭用典型负载：基于反向传播神经网络的故障电弧识别》2020.09.20
- 《表3 真实网络数据集：一种新的基于标签传播的复杂网络重叠社区识别算法》2020.11.01
- 《表2 部分验证数据结果：基于CFO的海上风电场微观选址优化算法研究》2021.01.20
- 《表5 跨中损伤部分样本：基于层合理论和误差反向传播神经网络的古建筑木结构损伤识别和量化研究》2020.11.20
- 《表7 FPSO远洋拖航和海上安装工况设计条件》2020.06.17
- 《表2 控制器参数取值：基于粒子群算法–反向传播神经网络自适应的氧调器控制系统》2020.03.01
- 《表3 算法对比数据：基于粒子群算法–反向传播神经网络自适应的氧调器控制系统》2020.03.01
- 《表1 模型参数取值：基于粒子群算法–反向传播神经网络自适应的氧调器控制系统》2020.03.01
- 《表1 数据集样本分布：“北斗”救生终端海上自适应功率退避算法》2020.07.28
- 《表4 2种网络诊断结果：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表1 MOV原始数据：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表2 主成分贡献率：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表8 海杂波的模型参数：基于反向传播神经网络的海杂波参数估计》2019.12.01
- 《表1 两种反向传播算法的更新值对比》2019.09.25
- 《表1 预测误差统计：基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用》2019.07.15
- 《表4 训练数据集：基于情感的社会网传播模型及影响最大化算法研究》2019.07.01
- 《表1：样本特征表：青年群体“微政治心理”的过程、表征与风险传播研究——基于PX百度词条修改的实地调研》2019.07.23
- 《表1 真实网络数据集：基于边权的稳定标签传播社区发现算法》2019.02.01
- 《表1 前向和反向修正算法误差统计》2019.11.22