《表1 实验案例的异常检测阈值》
提示：宽带有限、当前游客访问压缩模式
%
如图4所示，通过PID神经网络训练，构建的模型对控制器行为的预测与实际测量值具有良好的一致性．如表1所示，预测值与实测值的平均误差均小于1%．根据测试结果，分别取3个控制回路的预测值与实测值最大误差绝对值作为异常判别基线，即检测阈值．
| 图表编号 | XD00174275600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.05 |
| 作者 | 安超、周纯杰 |
| 绘制单位 | 华中科技大学人工智能与自动化学院、华中科技大学人工智能与自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 实验网络拓扑参数：面向蓄意攻击的网络异常检测方法》2020.10.01
- 《表1 MNIST数据集在各种异常检测方法下的实验结果对比（单位：%）》2021.01.15
- 《表1：实验结果：基于卷积神经网络的计算机网络流量异常检测》2020.12.01
- 《表1 实验分组：基于异常点检测的电能量信息采集与监控系统设计》2020.11.05
- 《表1 实验结果统计：基于便携式检测设备的配电柜异常发热检测技术》2020.11.25
- 《表4 三组实验的支撑区间检测阈值》2020.04.01
- 《表1 实验数据集信息：多层次序列集成的高维数值型异常检测》2020.06.01
- 《表1 异常事件检测实验结果》2020.03.25
- 《表1 实验数据统计：基于改进离群算法的多元时间序列异常检测》2020.04.01
- 《表2 实验组慢性肾病患者的血清胱抑素C异常检测率、尿素氮异常检测率、肌酐异常检测率比较[n(%)]》2020.02.25
- 《表1 实验环境参数：一种数据增强与混合神经网络的异常流量检测》2020.04.01
- 《表5 不同距离阈值检测所得异常点比较》2019.12.15
- 《表1 实验数据库：基于集成方法的异常点检测》2019.10.25
- 《表1 阈值T选取实验：欧元硬币年份检测与识别》2019.09.16
- 《表1 实验的4种算法：基于改进二维熵-量子遗传算法的图像多阈值变化检测方法》2019.05.01
- 《表1 实验结果分析：物联网异常流量检测算法研究》2019.02.10
- 《表1 实验平台信息：基于级联卷积网络的紧固件异常检测》2019.05.01
- 《表1 实验结果：基于阈值分析法的人体跌倒检测系统》2019.08.20
- 《表1 人群行为异常检测对比实验》2019.04.25
- 《表1 异常阈值选取对故障检测结果的影响Tab.1 Influence of the selection of abnormal threshold on the result of fault detection》2018.10.25