《表2 在数据集中对超限学习机 (ELM) 、BP神经网络和支持向量机 (SVM) 的性能比较》
提示：宽带有限、当前游客访问压缩模式
在本文中，所有的估算都是在Matlab R2014a平台下进行的，并且应用超限学习机（ELM）和BP神经网络分类器的结果是通过仿真20次的平均值。柱塞泵故障诊断结果对比如表2所示:
| 图表编号 | XD0070768400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.15 |
| 作者 | 陈浩然 |
| 绘制单位 | 中煤平朔集团有限公司露天设备维修中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 实验数据样本：基于蚁群优化算法和支持向量机相结合的医院网络非法入侵检测》2020.11.15
- 《表3 基于支持向量机（SVM）提取的2018年土地利用信息精度》2021.01.01
- 《表6 支持向量机及BP神经网络模型训练结果》2021.02.28
- 《表3 SVM支持向量机识别准确率》2021.02.01
- 《表2 样本分段：基于极限学习机和支持向量机的输电线路覆冰预测》2020.12.15
- 《表5 基于面向对象的支持向量机(SVM)和随机森林(RF)分类精度》2020.07.01
- 《表1 ELM、BP神经网络及SVM模型性能比较》2020.06.06
- 《表1 模特尺寸数据：基于迁移学习与支持向量机的服装舒适度评估》2020.06.15
- 《表1 SVM支持向量分类机拟合情况》2020.01.01
- 《表1 网络仿真参数：基于支持向量机的光纤网络故障数据自动分类技术》2019.09.25
- 《表1 主成分系数：基于主成分分析(PCA)和支持向量机(SVM)的耙吸挖泥船工况分析》2019.07.25
- 《表3 3种聚类方法对支持向量机SVM预测的影响》2019.05.25
- 《表1 BP神经网络和支持向量机SVM预测结果》2019.05.25
- 《表3 模型精度对比表：基于支持向量机和BP神经网络的水深反演研究》2019.06.25
- 《表2 线性回归模型：基于支持向量机和BP神经网络的水深反演研究》2019.06.25
- 《表2 在数据集中对超限学习机 (ELM) 、BP神经网络和支持向量机 (SVM) 的性能比较》2019.02.01
- 《表4 支持向量机 (SVM) 的分类结果混淆矩阵》2018.09.20
- 《表1 直接聚类 (K-means) 、最近质心分类器 (NCC) 、支持向量机 (SVM) 的背景提取性能对比表》2018.01.01
- 《表2 支持向量机部分预测结果Table 2 Predication results of SVM》2018.04.25
- 《表1 数据集属性描述：基于径向基函数神经网络预抽取的支持向量机》2018.11.10