Based on the advantages of soft sen

Based on the advantages of soft sensor modeling methods with increasing applications in many other fields [5,6], neural networks (NN) have been used to predict the flooding velocity by Piche et al [4]. According to his report,
the prediction performance of NN model for the flooding velocity has an improvement than traditional empirical models.
However, there are still some disadvantages about the NN modeling method. For example, NN is prone to get stuck in
the local minima in its learning and difficult to determine the optimal topology of the network [5,6]. The establishment of the network structure often depends on the experience, which often causes over-fitting during the modeling, and degrades the generalization performance. Another drawback of the NN models is a relatively large amount of samples are needed during training. Consequently, NN models often fail due to the small-sample circumstance [7]. Unfortunately, the flooding velocity data are often very few as they are difficult to obtain actually for a special packed tower. Therefore, it is difficult to obtain a suitable soft sensor model with a good prediction performance for the flooding velocity with limited samples.

ผลลัพธ์ (ไทย) 1:

ตามข้อดีของการเซ็นเซอร์นุ่มวิธีการเพิ่มโปรแกรมประยุกต์ในหลายฟิลด์อื่น ๆ [5,6], การสร้างแบบจำลองเครือข่ายประสาท (NN) มีการใช้เพื่อทำนายความเร็วน้ำท่วมโดย Piche et al [4] ตามรายงานของเขาประสิทธิภาพการคาดเดารุ่น NN สำหรับความเร็วน้ำท่วมมีการปรับปรุงมากกว่ารุ่นดั้งเดิมประจักษ์อย่างไรก็ตาม ยังมีข้อเสียบางอย่างเกี่ยวกับ NN วิธีการสร้างโมเดล ตัวอย่าง NN มีแนวโน้มที่จะติดในในท้องถิ่นกมินิมา ในการเรียนรู้ และยากที่จะกำหนดโครงสร้างที่เหมาะสมของเครือข่าย [5,6] การจัดตั้งโครงสร้างเครือข่ายขึ้นอยู่กับประสบการณ์ ซึ่งมักจะทำให้กระชับมากกว่าในระหว่างการสร้างโมเดล และเสื่อมประสิทธิภาพ generalization มัก คืนเงินอีกรุ่น NN มีขนาดค่อนข้างใหญ่อย่างมีความจำเป็นในระหว่างการฝึกอบรม ดัง รุ่น NN มักจะล้มเหลวเนื่องจากสถานการณ์ตัวอย่างขนาดเล็ก [7] อับ ความเร็วข้อมูลน้ำท่วมได้มักน้อยมากเป็นพวกเขายากที่จะได้รับจริงสำหรับอาคารรวบรวมพิเศษ จึง มันเป็นยากที่จะได้รับแบบเซ็นเซอร์นุ่มเหมาะกับประสิทธิภาพดีทำนายสำหรับความเร็วน้ำท่วมด้วยตัวอย่างจำกัด

ผลลัพธ์ (ไทย) 3:

ตามข้อดีของเซ็นเซอร์แบบนุ่มวิธีเพิ่มการประยุกต์ใช้ในสาขาอื่นๆ [ 5 , 6 ] , โครงข่ายประสาทเทียม ( NN ) ได้ทำนายความเร็วน้ำท่วมโดยพิเช่ et al [ 4 ] ตามรายงาน ประสิทธิภาพของแบบจำลองทำนาย
NN สำหรับน้ำท่วมความเร็วมีการปรับปรุงกว่าเชิงประจักษ์รุ่นดั้งเดิม .
อย่างไรก็ตามยังคงมีข้อเสียบางอย่างเกี่ยวกับ NN แบบวิธี ตัวอย่างเช่น , nn คือมักจะติดใน
ไม่นี่ ม๊าท้องถิ่นในการเรียนรู้และยากที่จะกำหนดโครงสร้างที่เหมาะสมของเครือข่าย [ 5 , 6 ] การจัดตั้งโครงสร้างเครือข่ายมักจะขึ้นอยู่กับประสบการณ์ ซึ่งมักจะเกิดกว่าที่เหมาะสมในการสร้างแบบจำลองและบั่นทอนประสิทธิภาพการ .ข้อเสียเปรียบอื่นของ NN แบบเป็นจำนวนที่ค่อนข้างใหญ่ของกลุ่มตัวอย่างมีความต้องการในการฝึกอบรม จากนั้น รุ่น NN มักจะล้มเหลวเนื่องจากการขนาดเล็ก ตัวอย่างสถานการณ์ [ 7 ] ขออภัย น้ําท่วมข้อมูล มักจะมีความเร็วน้อยมากเท่าที่พวกเขาจะยากที่จะได้รับจริงสำหรับพิเศษบรรจุทาวเวอร์ ดังนั้นมันเป็นเรื่องยากที่จะได้รับรูปแบบเซ็นเซอร์ที่เหมาะสมกับประสิทธิภาพการทำนายนุ่มดีน้ำท่วมความเร็วที่มีจำนวนจำกัด