《表4 出水BOD预测实验神经网络模型性能对比》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于互信息和自组织RBF神经网络的出水BOD软测量方法》
(1) 结果引自文献[14]。注:黑体代表最优结果。
为了进一步评价ESRBFNN的性能,将该方法与已有的自组织神经网络(如ErrCor-RBF[17]、MRAN[27]、GGAP-RBF[29]、FS-RBFNN[14]等)进行比较,结果参见表4及图5。由于本文使用基于互信息的方法提取出10个特征参量作为软测量模型的输入,而在对比网络模型MRAN、GGAP-RBF、FS-RBFNN中,文献中均基于人工经验选取了5个特征参量:进水COD浓度、生化池MLSS、进水pH、进水油类和进水氨氮浓度。为了便于对比,本文同时列出了利用以上5个特征参量作为输入的ESRBFNN模型所得到的预测结果,在图表中分别以ESRBFNN-5、ESRBFNN-MI代表输入为5个基于人工经验的特征参量和基于互信息方法提取出的10个特征参量。
图表编号 | XD0033402700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 李文静、李萌、乔俊飞 |
绘制单位 | 北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |