《表1 混合矩阵：基于深度信念网络的配变台区跳闸预测》
提示：宽带有限、当前游客访问压缩模式
本文所提出的预测模型的性能评价方法主要是建立在混合矩阵的基础上，如表1所示。
| 图表编号 | XD00174305900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.20 |
| 作者 | 魏艳霞、许锐埼、殷豪 |
| 绘制单位 | 广州供电局有限公司、广东工业大学自动化学院、广东工业大学自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 基于关联分析的配变台区分类》2020.09.25
- 《表2 相对距离对比：基于改进深度信念网络的风电场短期风速预测》2020.11.20
- 《表3 模型预测精度对比：基于变量选择深度信念神经网络的风速预测》2021.01.30
- 《表1 各段馈线长度：含分布式光伏的配变台区无功协调控制策略》2020.07.25
- 《表2 测试函数：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表9 准确率和测试时间：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表1 云安全态势等级表：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表1 1 相关性的比较：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表6 威胁性T3字段：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表5 生存性T2字段：深度信念网络在云安全态势预测中的应用》2020.06.01
- 《表2 特征数据预处理：基于深度信念网络的配变台区跳闸预测》2020.06.20
- 《表1 仿真结果：基于混合神经网络深度学习的短期负荷预测》2020.04.25
- 《表1 分类用户停电损失：基于深度学习的配变停电电量损失预测》2020.04.25
- 《表6 停电方案表：基于深度学习的配变停电电量损失预测》2020.04.25
- 《表2 实验结果：基于混合深度神经网络的大气污染预测》2019.12.25
- 《表5 聚类分析结果：基于深度信念网络的不同行业中长期负荷预测》2019.09.01
- 《表2 影响因素列表：基于深度信念网络的不同行业中长期负荷预测》2019.09.01
- 《表1 预测对象列表：基于深度信念网络的不同行业中长期负荷预测》2019.09.01
- 《表3 混淆矩阵：基于深度信念网络的烟叶部位近红外光谱分类方法研究》2019.04.25
- 《表1 质量等级划分：基于深度信念网络的遥感图像质量评价》2019.02.25