《表3 成分系数：基于PCA和BRNN的土地负荷类型预测》
提示：宽带有限、当前游客访问压缩模式
βp一般取0.85、0.90和0.95即可满足预测准确度需求，本文选取βp=0.9 0，共生成1 0项主成分，部分主成分权重配比如表3所示。
| 图表编号 | XD00749900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.15 |
| 作者 | 陆旦宏、王鑫、吴雅玲、蒋春容 |
| 绘制单位 | 南京工程学院、南京工程学院、南京工程学院、南京工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 成分得分系数：THM作用下砂岩三轴抗压强度预测的PCA-RVM模型》2020.11.25
- 《表1 厦门两栖类名录：基于PCA-DBILSTM的多因素短期负荷预测模型》2020.12.01
- 《表3 主成分系数：PCA-PNN模型在铁路隧道围岩安全性预测评价中的应用》2020.04.01
- 《表3 主成分系数表：基于PCA的陕西省市域社会发展水平综合评价》2020.02.25
- 《表3 主成分系数：基于PCA-NB方法的煤层气井压后产量预测研究》2019.12.25
- 《表2 主成分系数：基于PCA-GWO-SVM的矿山边坡变形预测》2020.02.01
- 《表6 成分得分系数矩阵：基于PCA-RBF神经网络的中药片剂物料属性-抗张强度预测模型的研究》2019.12.15
- 《表3 相关系数矩阵：基于PCA-RBF神经网络的中药片剂物料属性-抗张强度预测模型的研究》2019.12.15
- 《表3 主成分贡献率表：基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型》2020.02.25
- 《表3 成分系数：基于GIS与PCA-Logistic的斜坡灾害易发性评价》2019.11.10
- 《表5 主成分系数矩阵：基于PCA-BAS-PPR的海底管道外腐蚀速率预测模型》2019.10.15
- 《表1 主成分系数：基于主成分分析(PCA)和支持向量机(SVM)的耙吸挖泥船工况分析》2019.07.25
- 《表3 成分得分系数矩阵：基于PCA的安徽省县域经济发展综合评价》2019.02.05
- 《表相关系数计算结果表：基于实时气象因素和LSSVM的短期负荷预测研究》2019.03.10
- 《表4 参数指标：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表5 实际土地负荷：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表9 预测结果四：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表8 预测结果三：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表7 预测结果二：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表6 预测结果一：基于PCA和BRNN的土地负荷类型预测》2019.11.15