《表2 权重指标：基于深度置信网络的轨道电路剩余寿命预测》
提示：宽带有限、当前游客访问压缩模式
现以某铁路局已服役完的发送器为例，结合其历史运行参数进行仿真实验，根据表2所确定的权重结合DBN构建HI。
| 图表编号 | XD00219605200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.01 |
| 作者 | 刘伯鸿、孙浩洋、李振环 |
| 绘制单位 | 兰州交通大学自动化与电气工程学院、兰州交通大学自动化与电气工程学院、北京铁科英迈技术有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 DBN的参数设置：基于深度置信网络的互联网流量预测方法》2020.10.15
- 《表2 模型预测误差：基于深度置信网络的互联网流量预测方法》2020.10.15
- 《表2 诊断服务：基于深度迁移学习的滚动轴承剩余使用寿命预测》2020.12.02
- 《表1 常用特征值及公式：基于特征分析的BP神经网络轴承剩余寿命预测》2020.11.20
- 《表3 工人操作技术等级：基于改进卷积神经网络的航空发动机剩余寿命预测》2020.12.25
- 《表1 粗糙度综合参数：基于改进卷积神经网络的航空发动机剩余寿命预测》2020.12.25
- 《表1 各模型指标对比：基于深度置信神经网络的电信客户流失分析》2020.06.25
- 《表2 随机变量统计特征：基于深度置信网络的重力坝深层抗滑稳定安全系数预测方法》2020.09.01
- 《表2 剩余寿命预测95%置信区间》2020.08.01
- 《表2 评价指标：基于多源信息融合的飞行器部件剩余寿命预测》2020.02.20
- 《表2 预测结果：基于健康指数相似的航空发动机剩余寿命预测》2020.01.08
- 《表3 分类结果对比表：基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法研究》2019.12.25
- 《表2 网络参数设置表：基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法研究》2019.12.25
- 《表3 时间窗口选取结果：基于小波深度置信网络的风电爬坡预测方法》2019.11.28
- 《表2 风电数据集特征：基于小波深度置信网络的风电爬坡预测方法》2019.11.28
- 《表1 重构后数据描述：基于小波深度置信网络的风电爬坡预测方法》2019.11.28
- 《表1 网络结构设置：基于LSTM的滚动轴承剩余使用寿命预测》2019.07.31
- 《表2 性能综合比较表：基于深度神经网络的切削刀具剩余寿命预测》2019.06.01
- 《表1 样本数据：基于深度神经网络的切削刀具剩余寿命预测》2019.06.01
- 《表1 特征相关性比较：基于深度学习理论的刀具状态监测及剩余寿命预测方法》2019.09.01