《表2 不同RNN模型的结果》
提示：宽带有限、当前游客访问压缩模式
这些简单模型在频率带为8，窗口长度为30 s，步长为30 s数据预处理设置下，得到的结果见表2。
| 图表编号 | XD00116271800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.01.01 |
| 作者 | 闵腾飞、臧天仪 |
| 绘制单位 | 哈尔滨工业大学计算机科学与技术学院、哈尔滨工业大学计算机科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 使用基于多尺度CNN-RNN模型重建结果CD距离》2020.11.05
- 《表7 不同seq2seq-RNN模型的实验结果》2020.11.01
- 《表3 RNN模型参数：基于深度学习的OSM道路网自动提取研究》2020.10.20
- 《表6 RNN与CNN模型在维-汉任务上的翻译结果》2021.02.15
- 《表2 Early-Concat笔画分割的RNN模型在主流在线签字数据集均表现最佳》2020.07.05
- 《表1 LSTM与RNN模型各项指标对比》2020.08.15
- 《表2 RNN网络模型概况》2020.02.01
- 《表6 对比实验4:STP-RNN季节网络不同的输入数据时间跨度对预测结果的影响（评测指标：MSE)》2020.02.01
- 《表1 模型输入参数：基于LSTM-RNN的配电变压器负荷预测模型研究》2020.01.15
- 《表2 关键参数列表：基于LSTM-RNN的配电变压器负荷预测模型研究》2020.01.15
- 《表3 模型实验结果：基于LSTM-RNN的配电变压器负荷预测模型研究》2020.01.15
- 《表4 不同RNN与双向RNN实验结果》2019.09.15
- 《表5 不同的RNN的实验结果》2019.09.15
- 《表4 模型精度：基于GRU-RNN模型的城市主干道交通时间预测》2019.08.01
- 《表3 模型结果：基于GRU-RNN模型的城市主干道交通时间预测》2019.08.01
- 《表2 模型结构：基于GRU-RNN模型的城市主干道交通时间预测》2019.08.01
- 《表1 路段属性：基于GRU-RNN模型的城市主干道交通时间预测》2019.08.01
- 《表2 模型的关键参数：基于LSTM-RNN的海水表面温度模型研究》2019.05.15
- 《表1 模型输入参数：基于LSTM-RNN的海水表面温度模型研究》2019.05.15
- 《表3 与RNN-Att模型对比实验》2019.05.01