《表4 估计结果比较：小推力转移燃料消耗估计的机器学习方法》
提示：宽带有限、当前游客访问压缩模式
下面对Lambert估计和6种特征组合方式的机器学习结果进行分析，结果如表4。
| 图表编号 | XD0074490700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.04.01 |
| 作者 | 李海洋、宝音贺西 |
| 绘制单位 | 清华大学航天航空学院、清华大学航天航空学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 模型测试结果：基于机器学习的海里油耗估计算法》2021.01.20
- 《表1 特征提取结果：基于机器学习的海里油耗估计算法》2021.01.20
- 《表3 特征验证：基于机器学习的海里油耗估计算法》2021.01.20
- 《表2 测试数据：基于机器学习的海里油耗估计算法》2021.01.20
- 《表5 基于故障和完备模式下电推力器布局的燃料消耗对比》2020.09.01
- 《表4 不同劳动力转移模式与农地投入的估计结果》2020.08.01
- 《表3 基于信息转移熵的空间动态面板模型估计结果（全样本区间：2011Q1-2019Q1;SAR；固定效应；GMM估计方法）》2020.11.25
- 《表4 基于信息转移熵的空间动态面板模型估计结果（第一阶段：2011Q1-2014Q4;SAR；固定效应；GMM估计方法）》2020.11.25
- 《表5 基于信息转移熵的空间动态面板模型估计结果（第二阶段：2015Q1-2019Q1;SAR；固定效应；GMM估计方法）》2020.11.25
- 《表4 基于信息转移熵的空间动态面板模型估计结果（第一阶段：2011Q1-2014Q4;SAR；固定效应；GMM估计方法）》2020.11.25
- 《表4 方法的燃料消耗结果》2018.02.01
- 《表3 时间消耗比较：基于深度学习的三维点云头部姿态估计》2020.04.10
- 《表4 高校技术转移产业化效率的SFA参数估计结果》2019.10.20
- 《表4 概率转移以及平均持续时间的估计结果》2019.09.30
- 《表2 6种特征组合：小推力转移燃料消耗估计的机器学习方法》2019.04.01
- 《表1 可选特征：小推力转移燃料消耗估计的机器学习方法》2019.04.01
- 《表3 小推力转移轨迹信息》2019.04.01
- 《表1 粒子群算法参数：面向工程约束的小推力转移轨道设计与优化》2019.08.01
- 《表4 一般性转移支付对预算支出的影响 (分月度估计结果)》2019.03.25
- 《表4 公共转移支付对农村居民贫困的平均处理效应估计结果》2019.03.15