《表5 聚类结果对比：基于量子遗传和核模糊聚类的低压台区户变关系识别》
提示：宽带有限、当前游客访问压缩模式
式中Ny为聚类正确的样本；Ntotal为总样本个数。将100次实验的平均正确率统计在表5中。
| 图表编号 | XD00219839400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.25 |
| 作者 | 姚力、章江铭、倪琳娜 |
| 绘制单位 | 国网浙江省电力有限公司营销服务中心、国网浙江省电力有限公司营销服务中心、国网浙江省电力有限公司营销服务中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 UCI数据集特征：基于量子遗传和核模糊聚类的低压台区户变关系识别》2020.10.25
- 《表2 优化结果统计分析：基于量子遗传和核模糊聚类的低压台区户变关系识别》2020.10.25
- 《表7 归属识别结果：基于量子遗传和核模糊聚类的低压台区户变关系识别》2020.10.25
- 《表4 稳定性试验结果：基于多特征权重模糊聚类的高考志愿推荐算法》2020.12.26
- 《表2 故障识别结果：基于S变换和k-means聚类的输电线路故障识别》2021.01.01
- 《表1 Dij的结果：基于S变换和k-means聚类的输电线路故障识别》2021.01.01
- 《表2 分类结果：基于负序功率方向比较和模糊C均值聚类的电网故障区域识别》2021.01.10
- 《表1 聚类结果：基于负序功率方向比较和模糊C均值聚类的电网故障区域识别》2021.01.10
- 《表2 不同算法运行时间：融合CEEMD＿MPE和GK模糊聚类的故障识别方法》2020.06.01
- 《表1 挖掘精度对比：基于模糊聚类的分布式Web日志挖掘方法》2020.09.25
- 《表A1用户聚类结果：基于数据驱动的低压配电网线户关系识别方法》2020.06.10
- 《表1 台区画像结果：基于聚类的电网低压台区用电画像方法研究》2020.08.23
- 《表1 台区数目变化：低压台区变压器用电数据聚类模型研究》2019.12.28
- 《表5 关键因素提取：基于粗糙集-模糊C均值聚类的Elman神经网络农村需水量预测》2020.01.08
- 《表9 误差对比分析：基于粗糙集-模糊C均值聚类的Elman神经网络农村需水量预测》2020.01.08
- 《表2 聚类参数设置：基于粗糙集-模糊C均值聚类的Elman神经网络农村需水量预测》2020.01.08
- 《表2 各聚类数据统计：基于模糊聚类的配电网极限线损率计算方法》2019.11.05
- 《表1 仿真参数与环境：一种基于模糊聚类的物理小区识别分配方案》2019.09.01
- 《表1 仿真参数：基于遗传算法和模糊C均值聚类的WSN分簇路由算法》2019.08.10
- 《表2 台区户变关系识别和相位识别效果表》2019.06.25