《表5 不同的流道进、出口高度值及训练数据组和预测组设定》

  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Bagging神经网络集成的燃料电池性能预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于在流道尺寸相近的情况下，燃料电池的性能曲线差异并不明显.因此，我们针对表5中选定的33种流道结构（即训练组1），通过数值模拟获得燃料电池性能曲线，共计363组数据，以此作为训练数据送入神经网络模型的输入层进行单一ANN模型训练.然后利用训练好的ANN模型对上述工况之外的多种流道尺寸下（即预测组1、预测组2和预测组3）燃料电池的性能曲线进行快速预测.考虑到本文中神经网络模型采用scikit-learn机器学习框架中的神经网络回归模型，为衡量单一ANN模型的预测精度，评价标准采用均方误差（mean squared error，MSE）与平均绝对百分比误差（mean absolute percentage error，MAPE）[12]两个参数，其定义如下: