《表1 误差分析：一种改进AFSA-Elman边坡位移预测网络》
提示：宽带有限、当前游客访问压缩模式
式中:n为位移样本的个数；vi为预测高程数值；di为实际边坡高程值，误差分析结果如表1所示.
| 图表编号 | XD0029647400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.01.15 |
| 作者 | 王述红、任艺鹏、邢观华 |
| 绘制单位 | 东北大学资源与土木工程学院、东北大学资源与土木工程学院、东北大学资源与土木工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 边坡位移预测结果与误差分析》2020.09.25
- 《表3 扰动后预测误差：基于神经网络和改进相似日的光伏电站功率预测》2020.10.25
- 《表2 月预测误差：基于神经网络和改进相似日的光伏电站功率预测》2020.10.25
- 《表3 断面位移对比：基于改进粒子群算法和神经网络的智能位移反分析法及其应用》2020.09.01
- 《表2 改进激活函数与传统激活函数神经网络压力预测误差对比》2021.03.10
- 《表3 改进激活函数与传统激活函数神经网络速度预测误差》2021.03.10
- 《表2 平均相对误差：基于改进DGM(1,1)模型的隧道围岩收敛变形预测分析》2020.09.28
- 《表4 训练误差性能对比：基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法》2021.02.28
- 《表2 部分测试数据：基于改进神经网络的一种新型MPPT预测方法》2021.01.15
- 《表1 部分样本数据：基于改进神经网络的一种新型MPPT预测方法》2021.01.15
- 《表1 位移识别结果对比：一种改进的微电网无功分配控制策略研究》2021.01.05
- 《表1 PSO-Elman网络与Elman网络深层水平位移误差分析表》2020.06.18
- 《表2 利用LM算法改进后的神经网络预测误差数据表》2020.05.15
- 《表1 训练样本：一种改进的BP神经网络深基坑变形预测方法》2019.09.01
- 《表2 玉米误差率对比：基于改进神经网络的农作物产量预测方法》2019.10.06
- 《表1 小麦误差率对比：基于改进神经网络的农作物产量预测方法》2019.10.06
- 《表2 块体位移误差分析：一种增广拉格朗日优化方案及其非连续变形分析实现》2019.02.01
- 《表2 改进PSO-BP神经网络的预测误差》2019.01.01
- 《表2 预测方法对比：一种改进AFSA-Elman边坡位移预测网络》2019.01.15
- 《表1 基于牛顿迭代法改进BP网络模型对输出预测误差分析表》2019.12.08