《表6 BP神经网络反演分析参数值》
提示：宽带有限、当前游客访问压缩模式
利用BP神经网络得到4组反演参数，反演分析参数值如表6所示。可以看到工况1反演得到的参数较工况2、工况3与工况4偏小，而到了工况4反演得到的参数趋于稳定。
| 图表编号 | XD00154016900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.10 |
| 作者 | 刘超、邹玉强、赵志达、李维娜 |
| 绘制单位 | 武汉中隧轨道交通工程技术有限公司、武汉中隧轨道交通工程技术有限公司、武汉中隧轨道交通工程技术有限公司、武汉中隧轨道交通工程技术有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 BP神经网络反演的降水相关系数与误差分析》2019.10.20
- 《表6 参数反演分析结果：基于均匀设计及BP神经网络的大体积混凝土热学参数反分析》2021.04.01
- 《表2 BP神经网络反演结果精度分析》2021.02.15
- 《表5 BP神经网络反演的PFC细观参数值》2020.04.08
- 《表4 BP神经网络反演值与期望值对比》2020.04.08
- 《表5 BP神经网络参数反分析值反归一化》2020.07.10
- 《表4 BP神经网络参数反分析值》2020.07.10
- 《表6 线性模型值：城市盾构隧道施工地表沉降BP神经网络预测应用研究》2020.08.20
- 《表6 BP神经网络模型的输出值》2020.01.20
- 《表3 模型估算能力对比：结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演》2020.03.25
- 《表6 GA-BP神经网络预测值和实际值对比表》2019.10.10
- 《表5 BP神经网络反演模型对翅下温度处理的相对误差》2019.10.25
- 《表2 基于BP神经网络的C因子反演精度》2019.05.25
- 《表6 岩体蠕变参数反演值》2019.05.01
- 《表3 模型精度对比表：基于支持向量机和BP神经网络的水深反演研究》2019.06.25
- 《表2 线性回归模型：基于支持向量机和BP神经网络的水深反演研究》2019.06.25
- 《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 数据采样列表：基于BP神经网络的GNSS-R海面风速反演》2019.12.25
- 《表5 鲁棒性验证数据集：基于BP神经网络的GNSS-R海面风速反演》2019.12.25
- 《表3 输入数据集信息：基于BP神经网络的GNSS-R海面风速反演》2019.12.25