《表2 模糊化层节点个数对神经网络训练的影响》
提示：宽带有限、当前游客访问压缩模式
对模糊化层节点个数进行假设，将4、5、6、7、8五个数值带入上式进行训练计算，训练时间和绝对均方误差结果如表2所示。
| 图表编号 | XD00203501800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.25 |
| 作者 | 张丽娜、鲁旭涛、刘昊、李静 |
| 绘制单位 | 中北大学信息与通信工程学院、中北大学信息与通信工程学院、中北大学信息与通信工程学院、中北大学电气与控制工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 隐含层节点个数对算法收敛速率的影响》2021.03.01
- 《表1 模糊化取值：在线学习神经网络用于空调负荷预测研究》2020.08.25
- 《表2 不同隐含层节点个数下的试凑结果》2020.06.25
- 《表3 不同隐含层节点的网络训练误差》2020.04.15
- 《表2 不同隐含层节点网络训练均方差》2020.02.20
- 《表4 隐含层在不同神经元个数下的训练误差》2019.07.15
- 《表2 不同隐含层神经个数对应的网络训练误差》2019.06.15
- 《表2 隐含层节点个数实验结果》2019.05.01
- 《表3 不同隐含层神经元个数和训练步数下BP网络预报的均方根误差》2019.02.01
- 《表4 最优训练步数和隐含层神经元个数下BP网络的预报结果 (epochs=15 000, 隐含层神经元个数为6)》2019.02.01
- 《表5 隐藏层不同神经元个数训练对比》2019.02.20
- 《表6 隐含层节点个数与训练误差的关系》2019.04.20
- 《表1 隐含层节点数对神经网络训练迭代次数以及误差均方值的影响》2018.06.01
- 《表2 不同网络最优隐层节点个数和KELM参数的确定Tab.2 Optimal number of hidden layer nodes for different algorithms and the hyper-parameters of》2018.06.15
- 《表3 电缆隧道快速报价的BP神经网络输入模糊化样本（部分）》2019.11.25
- 《表3 温度模糊化处理：基于BP神经网络的低电压短期预测的估算》2019.12.01
- 《表2 时间段模糊化：基于BP神经网络的低电压短期预测的估算》2019.12.01
- 《表5 C3层卷积核个数对训练时间的影响Tab.5 Effect of convolution kernel number in C3 layer on training time》2018.05.01
- 《表4 递归神经网络个数对训练时间的影响Tab.4 Effect of recursive neural network number on training time》2018.05.01
- 《表3 不同隐藏层神经元个数的训练误差》2019.12.10