《表油温预测结果比较：基于支持向量回归的变压器顶层油温预测》
提示：宽带有限、当前游客访问压缩模式
由上表可知，SVR模型预测变压器顶层油温的性能优于BP神经网络，因此利用SVR模型预测变压器顶层油温是可行的。
| 图表编号 | XD0014856200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2018.06.20 |
| 作者 | 李冉 |
| 绘制单位 | 西南交通大学电气工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 基于SVM的变压器油温总体判别结果》2020.12.10
- 《表4 处理前后预测误差：支持向量机优化的线性插值法在变压器油温预处理中的应用》2020.12.10
- 《表3 处理后油温数据：支持向量机优化的线性插值法在变压器油温预处理中的应用》2020.12.10
- 《表1 主观评价度量标准：基于遗传-支持向量回归的车内稳态噪声声品质预测》2020.06.18
- 《表4 BP神经网络和GA-BP油温预测模型预测值与真实值对比表》2020.04.01
- 《表2 BP神经网络模型、GA-BP油温预测模型测试结果对比表》2020.04.01
- 《表2 预测中参数值：人工智能技术与存贷款指标预测——基于改进支持向量机回归模型》2020.06.01
- 《表1 2种模型的平均油温预测误差比较》2020.08.10
- 《表5 基于支持向量机回归和单特征值建立的回归模型预测棉铃虫数量结果》2020.02.01
- 《表6 基于支持向量机回归和多特征值建立的回归模型预测棉铃虫数量结果》2020.02.01
- 《表4 模型预测结果比较：基于支持向量机的养老保障满意度非线性模型》2020.01.20
- 《表2 回归预测误差：基于支持向量机的生鲜农产品风险损失预估》2020.01.01
- 《表1 预测结果对比：基于时间序列分解与支持向量回归的短期电力能耗预测研究》2019.08.20
- 《表3 数学模型预测给水泵冷油器出口油温数据》2019.06.25
- 《表1 变量符号及含义：基于支持向量回归和线性回归的航班延误组合预测》2019.06.01
- 《表4 顶层油温升对比：基于顶层油温升的变压器过负载建模与分析》2019.08.31
- 《表2 预测结果：基于支持向量机回归集成的小微企业信用风险度评估模型研究》2019.04.20
- 《表2 照度的预测结果：基于支持向量机的室内照度预测仿真》2019.01.15
- 《表3 收敛位移预测结果：基于支持向量机的公路隧道围岩变形预测》2019.12.20
- 《表4 沉降位移预测结果：基于支持向量机的公路隧道围岩变形预测》2019.12.20