《表3 损伤识别结果比较：基于DAE和SVR的铁路桥梁损伤定位与识别技术》
提示：宽带有限、当前游客访问压缩模式
表3给出了3种不同算法学习和识别时间以及平均识别误差，由表中数据可知，采用DAE进行特征提取并使用SVR进行损伤识别可以获得最佳的效果，且识别时间也最短。
| 图表编号 | XD00154807500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.05.25 |
| 作者 | 张安安、邓芳明、吴翔 |
| 绘制单位 | 江西省科学院能源研究所、华东交通大学电气与自动化工程学院、华东交通大学电气与自动化工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 光谱仪参数：频谱分析在桥梁结构损伤识别中的应用》2020.10.01
- 《表2 损伤程度等级划分：基于自回归模型和GA-PNN的海洋平台结构损伤识别研究》2021.01.28
- 《表4 试验计算结果：基于时序分析的锈蚀RC拱损伤识别:仿真与验证》2021.02.01
- 《表3 异方差性检验：基于时序分析的锈蚀RC拱损伤识别:仿真与验证》2021.02.01
- 《表2 损伤工况划分：基于时序分析的锈蚀RC拱损伤识别:仿真与验证》2021.02.01
- 《表2 损伤识别结果：基于Kriging模型的损伤识别方法》2020.08.15
- 《表2 3种算法性能对比：基于DAE和SVR的铁路桥梁损伤定位与识别技术》2020.05.25
- 《表1 样本数量设置：基于DAE和SVR的铁路桥梁损伤定位与识别技术》2020.05.25
- 《表1 损伤工况：基于小波包能量分布和大小变化的结构损伤识别对比分析》2020.08.25
- 《表3 工况二的识别结果：基于S变换的波动理论识别结构损伤》2020.04.28
- 《表2 工况一的识别结果：基于S变换的波动理论识别结构损伤》2020.04.28
- 《表3 基于振动特征的损伤识别误差分析》2020.05.25
- 《表1 损伤等级标准：基于CNN-LSTM架构神经网络的桥梁损伤位置识别》2020.02.18
- 《表2 损伤工况：基于CNN-LSTM架构神经网络的桥梁损伤位置识别》2020.02.18
- 《表1 损伤工况模拟：基于模态振型和L1正则化的结构损伤识别》2020.02.25
- 《表2 模拟测试损伤工况：基于AR模型和GRNN的结构损伤识别研究》2019.10.28
- 《表1 模拟训练损伤工况：基于AR模型和GRNN的结构损伤识别研究》2019.10.28
- 《表3 桥梁构件损伤指标：基于核密度估计的铁路桥梁构件地震易损性分析》2019.08.15
- 《表3 阻尼比识别结果：大跨度高速铁路桥梁模态参数频域识别方法研究与应用》2019.09.20
- 《表1 移动荷载工况表：基于LSTM神经网络的桥梁损伤识别》2019.01.21