《表3 主成分：基于主成分分析和神经网络的马歇尔试验模型》
提示：宽带有限、当前游客访问压缩模式
对合成级配参数和油石比做主成分分析，得到主成分M1、M2、M3、M4和M5，如表3所示。
| 图表编号 | XD0060768500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.06.25 |
| 作者 | 董仕豪、丁龙亭、孙胜飞、刘梦梅、张文刚 |
| 绘制单位 | 长安大学、长安大学、长安大学、长安大学、山东理工大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 小波包系数特征：基于核主成分分析和概率神经网络的开关柜局部放电信号模式识别》2021.02.25
- 《表4 波形时域特征：基于核主成分分析和概率神经网络的开关柜局部放电信号模式识别》2021.02.25
- 《表3 主成分的特征向量：基于主成分分析法的盐水鹅老卤风味强度评价模型的构建》2020.07.25
- 《表3 主成分载荷矩阵：基于主成分分析的机组威胁与差错管理评价模型》2020.09.25
- 《表3 主成分贡献率表：基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型》2020.02.25
- 《表3 前3个主成分系数：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表1 MOV原始数据：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表2 主成分贡献率：基于主成分分析和反向传播神经网络相结合的金属氧化物压敏电阻故障诊断分析》2019.12.25
- 《表2 主成分选取表：基于主成分分析法构建的京津冀辐射物流网络》2020.01.01
- 《表3 成分得分系数矩阵：基于主成分分析法构建的京津冀辐射物流网络》2020.01.01
- 《表1 累计方差贡献率：基于主成分分析和递归神经网络的短期股票指数预测》2019.09.20
- 《表3 预测结果比较：基于主成分分析和递归神经网络的短期股票指数预测》2019.09.20
- 《表5 优化结果对比：基于RBF神经网络模型的改进加权主成分分析参数全局优化研究》2019.05.01
- 《表3 主成分分析表：基于RBF神经网络模型的改进加权主成分分析参数全局优化研究》2019.05.01
- 《表1 因子水平设计：基于RBF神经网络模型的改进加权主成分分析参数全局优化研究》2019.05.01
- 《表1 实验数据分布：基于主成分分析和卷积神经网络的入侵检测方法研究》2019.05.25
- 《表2 主成分分析表：基于主成分分析和神经网络对作者影响力的评估》2019.07.24
- 《表2 实验室试验结果：基于主成分分析和神经网络的马歇尔试验模型》2019.06.25
- 《表4 模型输出结果：基于主成分分析和神经网络的马歇尔试验模型》2019.06.25
- 《表3 主成分分析结果：我国全社会资产结构的影响因素分析——基于现代资产组合理论和风险归因模型的研究》2018.12.20