《表1 去噪效果对比：基于小波特征和支持向量机的非侵入式负荷识别》
提示：宽带有限、当前游客访问压缩模式
信噪比SHR和均方误差RMSE是衡量洗衣机的负荷特征数据，进行小波去噪和中值滤波去噪效果的重要指标，如表1所示:
| 图表编号 | XD00186345500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.01 |
| 作者 | 杜刃刃、杨超、王华勇 |
| 绘制单位 | 贵州大学电气工程学院、贵州大学电气工程学院、南瑞集团有限公司国网电力科学研究院有限公司、国电南瑞科技股份有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表7 检测效果比较：基于状态特征聚类的非侵入式负荷事件检测方法》2020.11.10
- 《表2 2种模型误差对比：基于改进经验小波变换和最小二乘支持向量机的短期风速预测》2021.02.28
- 《表1 4种模型误差对比：基于改进经验小波变换和最小二乘支持向量机的短期风速预测》2021.02.28
- 《表4 不同模型对比：基于特征选择和模糊支持向量机的刀具磨损状态识别》2020.11.02
- 《表1 混淆矩阵：基于支持向量机的长波红外目标分类识别算法》2021.02.20
- 《表1 数据分配表：基于时间卷积神经网络的非侵入式居民用电负荷分解方法》2021.03.01
- 《表3 设备参数：基于V-I轨迹特征的非侵入式负荷监测算法》2020.10.20
- 《表1 基于支持向量机的单一生理信号识别精度》2020.02.25
- 《表1 状态组合的分解：基于改进隐马尔科夫模型的非侵入式家居负荷识别》2020.04.01
- 《表7 全局匹配结果：基于改进匈牙利算法的非侵入式负荷匹配方法》2019.11.25
- 《表6 数据处理结果：基于改进匈牙利算法的非侵入式负荷匹配方法》2019.11.25
- 《表4 匹配结果：基于改进匈牙利算法的非侵入式负荷匹配方法》2019.11.25
- 《表8 匹配结果：基于改进匈牙利算法的非侵入式负荷匹配方法》2019.11.25
- 《表1 建筑情况介绍：基于混合算法优化支持向量机的供热负荷预测模型》2019.10.01
- 《表1 青稞病斑识别结果：基于支持向量机的青稞病害识别研究》2019.09.01
- 《表6 匹配结果：基于Bi-LSTM算法的非侵入式负荷监测模型》2019.02.20
- 《表3 实验的对比结果：基于NSCT和支持向量机的SAR图像识别》2019.06.25
- 《表1 母线负荷分类：基于信息粒化和支持向量机的母线等效负荷波动预测方法》2019.04.01
- 《表1 指标变量名称：基于支持向量机的会计信息失真识别研究》2019.05.10
- 《表1 均方根误差结果：基于降噪滤波与FHMM的非侵入式负荷监测算法》2019.11.25