《表2 神经网络和机器学习土壤湿度反演结果》
提示：宽带有限、当前游客访问压缩模式
各个神经网络隐含层节点数下的模型精度和均方根误差，以及各个决策树个数下的模型精度和均方根误差如表2所示。
| 图表编号 | XD00140329600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.15 |
| 作者 | 常江、丁雷 |
| 绘制单位 | 中国科学院上海技术物理研究所中国科学院红外探测与成像技术重点实验室、中国科学院大学、上海科技大学、中国科学院上海技术物理研究所中国科学院红外探测与成像技术重点实验室 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 各模型反演土壤湿度估算精度统计》2020.10.12
- 《表2 评价结果对比：基于机器学习的网络舆情分析》2020.09.01
- 《表3 CNN识别结果：基于机器学习与卷积神经网络的放电声音识别研究》2020.09.16
- 《表1 土壤湿度反演结果评价对比》2020.09.25
- 《表2 其他土壤分层土壤相对湿度和土壤体积含水量回归误差检验结果》2021.01.25
- 《表1 数据介绍：基于机器学习和网络中心性的物流行业分析》2020.11.10
- 《表2 网络结构：基于机器学习的脉动源格林函数预报初探》2020.11.30
- 《表2 神经网络和机器学习土壤湿度反演模型的精度结果》2020.06.15
- 《表6 不同生育期、不同深度土壤含水率的极限学习机模型反演结果评价》2020.05.01
- 《表3 不同方法土壤湿度反演结果的误差比较》2020.04.01
- 《表2 土壤湿度反演模型：基于GNSS-R技术的矿区复垦地土壤湿度反演方法研究》2020.04.01
- 《表3 土壤EC估算结果：基于光谱指数与机器学习算法的土壤电导率估算研究》2020.07.01
- 《表1 卷积神经网络架构：基于事件相关电位(ERPs)和机器学习的考试焦虑诊断》2019.10.01
- 《表2 整个模型性能：基于机器学习的工业控制网络异常检测方法》2019.06.10
- 《表2 不透水面机器学习反演模型对比》2019.09.01
- 《表2 不同组合方式下BP神经网络与GA-BP (优化后) 神经网络土壤水分反演精度对比》2019.04.01
- 《表2 不同学习率κ1下仿真运行时间对比 (神经网络反演算法) (a) κ1=0.001》2019.02.15
- 《表5 机器学习结合遥感数据的SMC反演对比》2019.12.28
- 《表2 验证样点土壤湿度反演结果对比 (部分) Tab.2 Comparison of measured and retrieval results of soil moisture》2018.05.01
- 《表3 各土壤湿度反演模型精度评价指标值Tab.3 Accuracy evaluation index value of each soil moisture retrieval model》2018.05.01