《表2 不同方法预测变压器健康状态的准确率》
提示：宽带有限、当前游客访问压缩模式
在500个有标签数据样本中，随机选取200个数据样本作为测试样本，采用本文所建立的网络算法、BP神经网络算法、SVM三种方法进行测试对比。结果如表2所示。
| 图表编号 | XD00163587000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.10 |
| 作者 | 王磊、陈长征 |
| 绘制单位 | 沈阳工业大学机械工程学院、沈阳工业大学机械工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 变压器在不同健康状态下气体指标均值的分布情》2019.12.01
- 《表4 不同方法的变压器故障诊断准确率》2020.12.31
- 《表2 不同调查模式对比：面向电力变压器状态评价的油中溶解气体监测数据补全方法》2019.11.10
- 《表2 重返工作建议预测3个月后就业状态的准确率 (f, P)》2018.04.01
- 《表3 三种预测方法在不同时间区间的预测准确率》2020.12.25
- 《表2 铲斗数学分析结果：变压器测温装置现场准确度状态研究》2020.12.25
- 《表3 实际健康状态与预测健康状态》2020.06.25
- 《表3 实际健康状态与预测健康状态》2020.06.25
- 《表1 有标签数据样本集：基于油液分析的变压器健康状态评估》2020.07.10
- 《表2 不同方法预测准确率与诊断时间》2020.07.31
- 《表2 不同预测模型对比：基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法》2020.07.05
- 《表2 求和算法设计：基于GPU的电能表健康状态评估与预测》2020.06.10
- 《表1 配电变压器健康状态等级》2020.03.25
- 《表2 主变压器关键健康状态特征参数》2020.03.25
- 《表2 不同模型及其它预测方法准确率对比表》2020.02.01
- 《表2 不同算法训练结果：基于电池外特征的粒子群神经网络电池健康状态预测》2019.12.28
- 《表2 参数值一致性验证：基于SVM与物元信息熵的变压器健康度分析与预测》2019.08.25
- 《表2 不同日负荷预测方法准确率比较》2019.01.15
- 《表3 健康得分：基于聚类和时间序列分析的变压器状态评价方法》2019.02.01
- 《表2 不同方法的车轮尺寸预测状态》2018.03.15