Once the ANN topology was determine

Once the ANN topology was determined, we tested
our hypothesis of extension from [4] that, if monthly
rainfall (P9) could be included in the factors, augmenting
the model with it would increase the predicting
accuracy. As references, MLP and RBF model
were trained with P1 - P8 data from 2011, 2010 and
2006. Except in 2006 where both models did equally
well, the MLP could pre-dicted the flood better than
the RBF, with the accuracies of 68.8, 77.8 and 81.1
percents, respectively compared to those by using
RBF of 63.4, 73.9 and 81.1 percents (Fig 10). When
including P9 into the learning of both models, the
predictability increased as anticipated for 2011 and
2010, yet slightly dropped in 2006.

ผลลัพธ์ (ไทย) 1:

เมื่อกำหนดโครงสร้างของแอน เราทดสอบสมมติฐานของเราต่ออายุจาก [4] ที่ ถ้ารายเดือนปริมาณน้ำฝน (P9) อาจจะรวมอยู่ในปัจจัย อีกรูปแบบที่ มีมันจะเพิ่มการคาดการณ์ความถูกต้อง เป็นอ้างอิง แบบ MLP และ RBFมีการฝึกอบรมกับ P1 - ข้อมูล P8 2011, 2010 และ2006 ยกเว้นในปี 2549 ซึ่งทั้งสองรุ่นได้อย่างเท่าเทียมกันดี MLP จะสามารถ pre-dicted น้ำท่วมดีกว่าRBF กับ accuracies 68.8, 77.8 และ 81.1เปอร์เซ็นต์ ตามลำดับเปรียบเทียบโดยใช้RBF ของ 63.4, 73.9 และ 81.1 เปอร์เซ็นต์ (ฟิก 10) เมื่อรวม P9 เป็นการเรียนรู้ทั้งสองรูปแบบ การแอพพลิเคชันที่เพิ่มขึ้นตามที่คาดไว้สำหรับ 2011 และ2010 ยังเล็กน้อยลดลงในปี 2006

ผลลัพธ์ (ไทย) 2:

เมื่อโครงสร้างแอนก็ตัดสินใจที่เราได้ทดสอบสมมติฐานของเราขยายจาก [4] ว่าถ้ารายเดือนปริมาณน้ำฝน(P9) อาจจะรวมอยู่ในปัจจัยการขยายรูปแบบที่มีมันจะเพิ่มการทำนายความถูกต้อง ในฐานะที่อ้างอิง MLP RBF และรูปแบบการฝึกอบรมที่มีP1 - ข้อมูล P8 จากปี 2011, 2010 และ2006 ยกเว้นในปี 2006 ซึ่งทั้งสองรุ่นได้อย่างเท่าเทียมกันดีที่MLP สามารถก่อนบ่อยๆน้ำท่วมดีกว่าRBF ที่มีความถูกต้องของ 68.8, 77.8 และ 81.1 เปอร์เซ็นต์ตามลำดับเมื่อเทียบกับผู้โดยใช้RBF ของ 63.4, 73.9 และ 81.1 เปอร์เซ็นต์ (รูปที่ 10) เมื่อรวมทั้ง P9 เข้าไปในการเรียนรู้ของทั้งสองรุ่นที่คาดการณ์เพิ่มขึ้นตามที่คาดการณ์ไว้สำหรับปี2011 และปี2010 แต่ลดลงเล็กน้อยในปี 2006

ผลลัพธ์ (ไทย) 3:

เมื่อโครงสร้างแอนตั้งใจ เราทดสอบ
สมมติฐานของเราขยายจาก [ 4 ] ว่าหากปริมาณน้ำฝนรายเดือน
( P9 ) อาจจะรวมอยู่ในองค์ประกอบ augmenting
โมเดลด้วยมันจะเพิ่มทำนาย
ความถูกต้อง เป็นข้อมูลอ้างอิงและแบบ MLP ฐาน
ถูกฝึก P1 - ข้อมูล P8 จาก 2011 , 2010 และ
2006 ยกเว้นในปี 2006 ซึ่งทั้งสองรุ่นทำได้เท่าเทียมกัน
ดีโดย MLP จะ dicted น้ำท่วมก่อนดีกว่า
ฐานกับความถูกต้องของเอและร้อยละ 81.1
77.8 ตามลำดับเมื่อเทียบกับผู้ที่ใช้ฐานของ
ในอนาคต และร้อยละ 73.9 , 81.1 ( รูปที่ 10 ) เมื่อ
รวมทั้ง P9 ในการเรียนรู้ของทั้งสองรุ่น สามารถเพิ่มขึ้นตามที่คาดการณ์ไว้สำหรับปี 2011

2010 และยังลดลงเล็กน้อยในปี 2549