《表1 深度学习模型得到的压缩机能头验证点相对误差分布情况统计表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《压缩机实际能头特性的深度学习网络预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

经计算得到86个验证点的误差（图3）。根据以上分类，对所有非训练样本进行整理，并计算各个类别在所有样本中的比例（表1）。其中，78个点的相对误差在1%以下，代表网络的输出值相当接近准确值；5个点的相对误差仅在1%～2%之间；3个点的误差稍大，分别为2.6%、2.2%、2.05%。造成验证点误差稍大的原因可能是在验证点附近的训练点个数较少或训练数据存在部分错误，所有验证点的平均误差为0.78%。由于数据较多，仅展示部分验证点的预测结果。其中，模型误差为实际能头与深度学习网络预测能头之间的绝对差值；原厂误差为实际能头与原厂测试能头之间的绝对差值；误差倍率为模型误差与原厂误差之比（表2），误差倍率越小则说明相比于原厂特性，此模型计算出的压缩机特性更接近于实际特性。经计算，网络误差大多为原厂误差的1/10，甚至更小，网络预测能头与实际能头的绝对误差基本在30 m以下。综上，深度学习网络对压缩机实际能头特性的拟合能力较强，预测实际能头特性的精度较高，可以满足工程要求。