《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》
提示：宽带有限、当前游客访问压缩模式
因此，通过不同的算法，训练得到LSSVM的最优参数，结果如表2所示。
| 图表编号 | XD00146881700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.05 |
| 作者 | 王语园、李嘉波、张福 |
| 绘制单位 | 陕西铁路工程职业技术学院、长安大学公路养护装备国家工程实验室、乌鲁木齐局有限责任公司乌鲁木齐车辆段 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 粒子群优化算法和支持向量机的电子音乐信号分类结果》2020.11.01
- 《表2 关系因子的确定：基于改进粒子群算法的孪生支持向量机》2020.11.16
- 《表3 涂料采样方案：基于改进粒子群算法的孪生支持向量机》2020.11.16
- 《表1 测试数据：基于改进粒子群算法的孪生支持向量机》2020.11.16
- 《表1 实验数据集的特征：基于粒子群算法的投影孪生支持向量机》2021.03.10
- 《表2 各算法的估计性能：一种改进的支持向量机回归的电池状态估计》2020.07.05
- 《表1 算法流程：一种改进的支持向量机回归的电池状态估计》2020.07.05
- 《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3 SC故障分类结果：基于粒子群算法优化支持向量机的变压器绕组变形分类方法》2020.03.16
- 《表4 RD故障分类结果：基于粒子群算法优化支持向量机的变压器绕组变形分类方法》2020.03.16
- 《表6 参数寻优对比：基于粒子群算法优化支持向量机的变压器绕组变形分类方法》2020.03.16
- 《表1 测量系统参数：基于最小二乘支持向量机的时变信道建模》2019.10.01
- 《表2 最佳超参数：基于最小二乘支持向量机的时变信道建模》2019.10.01
- 《表2 预测结果误差：基于最小二乘支持向量机导弹订购价格预测模型研究》2019.09.15
- 《表3 基于粒子群算法的各支持向量机输出值》2019.05.02
- 《表1 部分边坡数据样本：基于粒子群优化支持向量机的边坡稳定性预测》2019.02.25
- 《表5 故障诊断案例：基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断》2018.11.30
- 《表3 训练时间对比：基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断》2018.11.30
- 《表1 算法性能比较：基于最小二乘支持向量机的氧化铝浓度预测》2018.12.25
- 《表1 算法参数设置：改进引力搜索最小二乘支持向量机交通流预测》2019.12.01