《表2 不同算法结果对比：一种基于LSTM的燃气管道施工破坏风险预测模型》
提示：宽带有限、当前游客访问压缩模式
从表2可以看出，LSTM模型在该问题上，表现比线性回归、随机森林和支撑向量机这些典型的机器学习模型表现更好。
| 图表编号 | XD0043294900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.01.01 |
| 作者 | 陈毓飞、金跃辉、杨谈 |
| 绘制单位 | 北京邮电大学网络与交换技术国家重点实验室、北京邮电大学网络与交换技术国家重点实验室、北京邮电大学网络与交换技术国家重点实验室 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同算法模型对比：一种基于深度学习的车辆识别算法》2020.12.25
- 《表2 模型预测结果对比：基于RST-LSTM模型的堤坝渗压动态预测分析》2021.02.01
- 《表2 多步预测结果：一种Dual-LSTM混合模型的产线设备状态预测方法与应用》2020.12.01
- 《表1 单步预测结果：一种Dual-LSTM混合模型的产线设备状态预测方法与应用》2020.12.01
- 《表1施工安全风险控制表：一种基于边缘特征提取的开关状态检测算法》2020.11.01
- 《表1 语言决策矩阵：一种基于DCNN-LSTM混合模型的RUL预测方法》2020.12.25
- 《表2 实验所用仪器：基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法》2020.10.01
- 《表2 实验结果对比：一种基于LSTM和CNN混合模型的文本分类方法》2020.06.01
- 《表2 实验结果对比：一种结合LSTM和集成算法的文本校对模型》2020.05.01
- 《表1 模型损失值：一种基于LSTM神经网络的电力负荷预测方法》2020.05.25
- 《表2：基于BP算法和LSTM算法的汽车销售预测模型比较研究》2020.07.15
- 《表1：基于BP算法和LSTM算法的汽车销售预测模型比较研究》2020.07.15
- 《表8 预测结果误差对比：基于CNN-LSTM网络模型的风电功率短期预测研究》2020.08.01
- 《表2 各模型结果对比：基于CAE与LSTM的航空发动机剩余寿命预测》2020.08.01
- 《表6 测试结果：一种基于CNN与LSTM结合的微表情识别算法》2020.01.28
- 《表8 不同模型结果对比：基于RS-SCA-PPR的充填管道失效风险预测精度研究》2020.01.25
- 《表2 基于LSTM神经网络与ARIMA算法的风力发电功率数据预测结果对比》2019.10.31
- 《表1 基于LSTM神经网络与ARIMA算法的春季数据预测结果对比》2019.10.31
- 《表1：浅谈第三方施工对燃气管道及设施的破坏情况影响因素及预防措施》2019.05.25
- 《表1 燃气管道施工破坏风险因子》2019.01.01