《表7 预测结果二：基于PCA和BRNN的土地负荷类型预测》
提示：宽带有限、当前游客访问压缩模式
输入输出变量依然采用实验一中的变量，将贝叶斯正规化引入BP神经网络中。空白元胞负荷属性的预测结果如表7所示。呈现的土地负荷分布图如图6所示。
| 图表编号 | XD00750400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.15 |
| 作者 | 陆旦宏、王鑫、吴雅玲、蒋春容 |
| 绘制单位 | 南京工程学院、南京工程学院、南京工程学院、南京工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表7 实验结果对比：基于二模网络链路预测的合作者识别方法研究》2020.09.24
- 《表2 药物咨询类型分布：基于PCA-PSO-ELM的瓦斯涌出量预测》2020.12.20
- 《表7 基于多元线性逐步回归、偏最小二乘回归和随机森林回归的冬小麦氮素营养指数预测模型验证》2020.11.01
- 《表3 预测结果误差对比：基于VMD和GWO-SVR的电力负荷预测方法》2020.12.01
- 《表1 厦门两栖类名录：基于PCA-DBILSTM的多因素短期负荷预测模型》2020.12.01
- 《表4 基于土地暴露类型的人群情景暴露量预测》2020.05.01
- 《表7 充电站的充电价格：基于实时出行需求和交通路况的电动汽车充电负荷预测》2020.08.01
- 《表1 预测结果误差分析：基于ARMA和Kalman Filter的需求响应基线负荷预测》2020.09.20
- 《表4 产能划分类型：基于PCA-NB方法的煤层气井压后产量预测研究》2019.12.25
- 《表3 模型预测结果：基于PCA-GWO-SVM的矿山边坡变形预测》2020.02.01
- 《表7 主成分得分：基于PCA-RBF神经网络的中药片剂物料属性-抗张强度预测模型的研究》2019.12.15
- 《表6 神经网络预测结果：基于PCA-BP原理的混凝土碳化深度预测》2019.12.31
- 《表4 PCA分析结果：基于PCA-BP原理的混凝土碳化深度预测》2019.12.31
- 《表1 用电量预测结果：基于协整-格兰杰因果检验和季节分解的中期负荷预测》2019.01.10
- 《表3 成分系数：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表5 实际土地负荷：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表9 预测结果四：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表8 预测结果三：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表6 预测结果一：基于PCA和BRNN的土地负荷类型预测》2019.11.15
- 《表4 参数指标：基于PCA和BRNN的土地负荷类型预测》2019.11.15