《表2 不同算法训练结果：基于电池外特征的粒子群神经网络电池健康状态预测》
提示：宽带有限、当前游客访问压缩模式
PSO-BP和BP神经网络算法预测的平均误差比较由表2所示，可以看出，BP算法的平均绝对误差、平均相对误差均较高，经过PSO优化后网络误差明显降低。
| 图表编号 | XD00120605900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.28 |
| 作者 | 郑永飞、文怀兴、韩昉、杨鑫 |
| 绘制单位 | 陕西科技大学机电工程学院、陕西科技大学机电工程学院、陕西科技大学机电工程学院、西安冠通数源电子有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 电池误差分析结果：基于深度学习的铅酸电池健康状态估计》2021.02.25
- 《表1 模型参数：基于IBOA-PF的锂电池健康状态预测》2021.03.05
- 《表3 各算法的估计性能：基于粒子群算法的最小二乘支持向量机电池状态估计》2020.07.05
- 《表2 参数优化结果：基于粒子群算法的最小二乘支持向量机电池状态估计》2020.07.05
- 《表2 协议仿真参数：基于粒子群优化算法的机载战术网络信道负载预测机制》2020.03.01
- 《表2 预测效果对比：基于粒子群算法的卫星蓄电池区间预测方法》2020.04.05
- 《表1 参数设置：基于粒子群算法的卫星蓄电池区间预测方法》2020.04.05
- 《表2 预测组样本数据：基于粒子群算法优化BP神经网络的溶浸开采浸出率预测》2020.02.28
- 《表1 训练组样本数据：基于粒子群算法优化BP神经网络的溶浸开采浸出率预测》2020.02.28
- 《表1 部分实验数据：基于电池外特征的粒子群神经网络电池健康状态预测》2019.12.28
- 《表1 实验对象性能参数：基于短时搁置端电压压降的快速锂离子电池健康状态预测》2019.10.10
- 《表3 平均误差统计：基于短时搁置端电压压降的快速锂离子电池健康状态预测》2019.10.10
- 《表2 误差统计：基于短时搁置端电压压降的快速锂离子电池健康状态预测》2019.10.10
- 《表2 粒子群算法的参数：基于PSO优化BP神经网络的光伏发电量预测》2019.08.25
- 《表4 神经网络预测结果：基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测》2019.07.28
- 《表3 部分疲劳试验数据：基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测》2019.07.28
- 《表2 试件材料性能参数：基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测》2019.07.28
- 《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1 模型变量：基于粒子群算法和BP神经网络的多因素林火等级预测模型》2019.05.25
- 《表1 评价标准：基于改进粒子群算法优化小波神经网络的短时交通流预测》2019.01.15