《表1 预测模型输入变量：基于BP神经网络预测林内PM_(2.5)浓度》
提示：宽带有限、当前游客访问压缩模式
建立的预测模型中全部的输入变量如表1所示。
| 图表编号 | XD0028074000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.01.08 |
| 作者 | 陈博、李迎春、夏振平 |
| 绘制单位 | 北京农业职业学院、黄垡苗圃、北京农业职业学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同模型拟合结果：基于融合MODIS AOD和LME模型的京津冀地区PM_(2.5)季节浓度模拟》2020.09.30
- 《表1 主成分及其贡献率：基于PCA-BP神经网络的PM_(2.5)季节性预测方法研究》2020.09.01
- 《表1 已解释的方差比例：基于PLS-M5P模型的PM_(2.5)浓度预测》2018.12.28
- 《表1 不同算法测量结果：基于二向注意力循环神经网络的PM_(2.5)浓度预测》2020.12.25
- 《表1 特征数据集变量：耦合遗传算法与RBF神经网络的PM_(2.5)浓度预测模型》2020.02.20
- 《表2 变量离散化取值：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》2020.08.08
- 《表1 变量聚类中心：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》2020.08.08
- 《表6 混淆矩阵：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》2020.08.08
- 《表5：模型选择：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表3：变量的描述统计：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表6 两模型预测值：基于非参数核回归的福州市PM_(2.5)实证研究》2020.03.20
- 《表2 GWR模型设置：基于地理神经网络加权回归的中国PM_(2.5)浓度空间分布估算方法》2020.01.25
- 《表1 输入变量描述：基于递归神经网络的糖尿病药物疗效预测模型》2019.10.20
- 《表2 LUR模型系数表：基于地理国情数据的PM_(2.5)浓度估算方法研究》2019.10.28
- 《表2 特征之间的互信息：基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》2019.06.20
- 《表3 模型评价结果：基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》2019.06.20
- 《表1 模型变量：基于粒子群算法和BP神经网络的多因素林火等级预测模型》2019.05.25
- 《表1 各要素统计信息：基于集合经验模态分解和BP神经网络的北京市PM_(2.5)预报研究》2019.07.20
- 《表1 变量的量化：基于粒子群优化BP网络的山区高速公路交通事故预测模型》2018.10.15
- 《表1 模型输入参数：基于PSO算法的BP神经网络对植被叶片氮素含量的预测》2018.11.25