《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》
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:
图表编号 | XD0034801100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.20 |
作者 | 闫飞宇、李伟卓、杨卫卫、何雅玲 |
绘制单位 | 西安交通大学能源与动力工程学院、西安交通大学能源与动力工程学院、西安交通大学能源与动力工程学院、西安交通大学能源与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |