《表1 0 时间对比结果：新能源实时错误数据辨识与修正深度学习模型》
提示：宽带有限、当前游客访问压缩模式
在以上对模型训练及测试情况进行分析的基础上，本节进一步分析在实时运行过程中进行风电场实时错数辨识与修正所需的时间，本文方法与常规的基于模型的方法的耗时对比如表10所示。
| 图表编号 | XD00195736600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.25 |
| 作者 | 祁乐、唐健、陈新和、江平 |
| 绘制单位 | 广西电网有限责任公司、广西电网有限责任公司、中国科学院电工研究所、广西电网有限责任公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 在相同数据下现有深度学习模型与传统机器学习模型效果对比统计表(%)》2020.09.01
- 《表3 处理时间对比结果：基于Access数据库的图像采集与实时处理系统设计》2021.02.01
- 《表1 数据集的划分：基于深度学习的实时吸烟检测算法》2021.02.01
- 《表7 计算时间比较：考虑杠杆坏数据的参数辨识和快速修正方法》2020.12.10
- 《表5 模型结果对比：基于深度学习的综合能源配电系统负荷分析预测》2021.01.31
- 《表5 传统模型与修正模型预测结果对比（TIT实验数据）》2020.10.25
- 《表4 传统模型与修正模型预测结果对比（SNL实验数据）》2020.10.25
- 《表4 模型预测结果对比：基于深度学习的桥梁健康监测数据有效性分析》2021.03.01
- 《表2 模型训练正确率：基于深度学习的ELM实时识别研究》2020.12.15
- 《表1 水段划分结果：深度学习在输电线路短路故障辨识的应用研究》2020.12.10
- 《表1 迭代次数与召回率：基于深度学习框架的装配机器人零件实时检测方法》2020.10.01
- 《表4 幅值特征辨识结果：深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法》2020.04.28
- 《表3 CNN辨识结果：深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法》2020.04.28
- 《表1 深度学习模型与3名CT医师诊断结果对比》2020.03.21
- 《表2 IEEE39节点系统多不良数据和参数错误辨识结果》2020.01.01
- 《表1 数据集：基于深度学习的柑橘实时识别方法》2020.01.15
- 《表4 深度学习模型与序列标注模型结果对比》2019.06.24
- 《表1 所有模型对比结果：融合深度学习与机器学习的在线评论情感分析》2019.02.15
- 《表1 算法性能对比：基于深度学习网络的电力系统不良数据辨识算法研究》2018.12.25
- 《表1 基于深度学习图像分类模型的MNIST数据集错误率对比》2019.11.20