• AC 8 PmB (time period 1998/2005)•

• AC 8 PmB (time period 1998/2005)
• modeling of all seven mixes together.
Input parameters in all cases are: binder content, sieve analysis and
maximum density of aggregate; output parameter is: air void content in
aggregate mixtures.
A large data base has been available. In the case of AC 22 eleven parameters
for modeling air void content in aggregate mixture have been
analyzed resulting in 381 input–output data pairs (see Table 19 in
Appendix A). The number of parameters and the number of input–output
pairs of data depend on the analyzed asphalt concrete mixture.
Firstly, we identified the parameters that had a significant impact on
the output data. Then we searched outliers for each such parameter
(input data). The exact procedure for the determination of outliers is described
below:
1. Randomly mix all input–output data pairs.
2. Determine the coefficients of the linear regression.
3. Set the null hypothesis H0: single properties or input data have no effect
on the output data (air void content in aggregate mixture).
4. Determine the P-value. P-value is the probability of Type I error in
statistical test. Here a T-test was implemented. The P-value is evaluated
by 2 ∗ FT(−T) = P-value, where FT is CDF of T-distribution.
5. For those coefficients where the P-value is low (b0.01) the value of
coefficient is significantly different from zero; therefore, the null hypothesis
can be rejected.
6. In such cases the single parameter value (property value) is checked.
7. Assume a normal distribution and determine whether the individual
values deviate from these assumptions. If deviation is large or if the
probability that such value occurs is very small, then the data are labeled
as outliers. The limit probability where the data are labeled as
outliers is p = 1/number of data/10 (Fig. 1).
In items 1 to 5 the parameters which contain outliers are identified.
In items 6 to 7 the outliers are sought.
3. Feed-forward artificial neural networks
Fig. 2 represents the scheme of an artificial neural network. Neuron
ui is connected with a few neurons which send their output signal ok,j,lto
neuron ui. Output signals are multiplied by weights wij. A threshold signal
bi is added to the sum of weighted signals. This gives the value of the
signal of neuron ui. Then the output function f copies the value to the
output signal oi of neuron ui. Connections between neurons and the output
function may be regulated in advance.
The symbols in Fig. 2 have the following meaning:Change in weights is therefore proportional to the derivative of the
error of neuron which is evaluated differently for output and hidden
layers of neurons.
The learning phase of artificial neural networks is influenced by a variety
of parameters, such as the maximum number of iterations, learning
step size, output function, maximum permitted error geometry of
the network and data.
3.1. Program NTR2003 and WEKA toolkit
Program NTR2003 is designed for learning and testing the feedforward
artificial neural networks. The learning process is based on
the algorithm of backward error propagation which is based on the generalized
delta rule.The file with general information includes the following parameters:
• allowable error size,
• size learning step,
• maximum number of iterations,
• multiplication factor,
• geometry of artificial neural network.
To facilitate the monitoring of the size of individual variables and to
achieve greater computational stability, all values of parameters are
mapped to the interval [0.1, 0.9].
The process of learning of network in program NTR2003 is iterative
and is based on modifying weights between neurons. This means that
repeatedly the processes give input–output data pairs and try to “remember”
them. Based on the “memory” artificial neural network is
then able to calculate the output value for unknown input data.
The WEKA software tool consists of a collection of machine learning
algorithms. It allows pre-processing of data, classification, identification
of connections within the data set, clustering and visualization of the
database.
4. Results
4.1. Models
Different feed-forward artificial neural networks and multiple linear
regression for modeling air void content in aggregate mixtures have
been employed. For each mixture three types of artificial neural networks
for program NTR2003 and three for the WEKA software tool are
represented in Tables 1, 3, 5, 7, 9, 11, 13 and 15. Tables 2, 4, 6, 8, 10,

ผลลัพธ์ (ไทย) 1:

• AC 8 PmB (เวลารอบปี 1998/2005)•สร้างแบบจำลองของเซเว่นทั้งหมดผสมเข้าด้วยกันมีพารามิเตอร์ป้อนเข้าในทุกกรณี: ปกเนื้อหา ตะแกรงวิเคราะห์ และความหนาแน่นสูงสุดของรวม เป็นพารามิเตอร์การแสดงผล: เนื้อหาเป็นโมฆะในอากาศผสมรวมกันฐานข้อมูลขนาดใหญ่ได้มี ในกรณีที่พารามิเตอร์ 22 AC สิบเอ็ดสำหรับอากาศเนื้อหาเป็นโมฆะรวมส่วนผสมในการสร้างโมเดลได้วิเคราะห์ผลข้อมูลอินพุต – เอาท์พุต 381 คู่ (ดูตาราง 19 ในภาคผนวก A) จำนวนพารามิเตอร์และจำนวนของอินพุต – เอาท์พุตคู่ของข้อมูลขึ้นกับส่วนผสมคอนกรีตยางมะตอยวิเคราะห์ประการแรก เราระบุพารามิเตอร์ที่มีผลกระทบต่อข้อมูลผลลัพธ์ จากนั้น เราค้น outliers สำหรับแต่ละพารามิเตอร์ดังกล่าว(ป้อนข้อมูล) อธิบายกระบวนการที่แน่นอนสำหรับการกำหนด outliersด้านล่าง:1. สุ่มผสมคู่ข้อมูลอินพุต – เอาท์พุต2. กำหนดสัมประสิทธิ์การถดถอยเชิงเส้น3. ตั้งสมมติฐานว่าง H0: คุณสมบัติเดียวหรือข้อมูลที่ป้อนเข้าจะไม่มีผลบนข้อมูลผลลัพธ์ (อากาศโมฆะเนื้อหาส่วนผสมรวม)4. กำหนดค่า P ค่า P คือ ความน่าเป็นของฉันพิมพ์ข้อผิดพลาดในการทดสอบทางสถิติ นี่ได้ดำเนินการทดสอบ T ประเมินค่า Pโดยหมาย∗ 2 FT(−T) =ค่า P, CDF ของการแจกแจง T FT5. สำหรับสัมประสิทธิ์เหล่านั้นที่มีค่า P ต่ำ (b0.01) ค่าของค่าสัมประสิทธิ์คือแตกต่างจากศูนย์ ดังนั้น สมมติฐานว่างอาจถูกปฏิเสธ6. ในกรณี ตรวจสอบค่าพารามิเตอร์เดียว (คุณสมบัติค่า)7. สมมติแจก และกำหนดว่าแต่ละคนค่าเบี่ยงเบนจากสมมติฐานเหล่านี้ ถ้าเบี่ยงเบน หรือถ้าการความน่าเป็นที่ค่าดังกล่าวที่เกิดขึ้นมีขนาดเล็กมาก แล้วมีการติดป้ายชื่อข้อมูลเป็น outliers ความน่าเป็นขีดจำกัดที่ข้อมูลมีข้อความว่าoutliers คือ p = 1/จำนวน ข้อมูล/10 (รูปที่ 1)มีระบุพารามิเตอร์ที่ประกอบด้วย outliers ในรายการที่ 1 ถึง 5ในรายการที่ 6 ถึง 7 outliers จะขอ3. เครือข่ายประสาทเทียมดึงไปข้างหน้ารูป 2 แสดงรูปแบบของเครือข่ายประสาทเทียม เซลล์ประสาทมีการเชื่อมต่อ ui มีกี่เซลล์ประสาทซึ่งส่งผลลัพธ์ของพวกเขาสัญญาณตกลง เจ ltoui ที่เซลล์ประสาท สัญญาณจะคูณ ด้วยน้ำหนัก wij ขีดจำกัดสัญญาณสองคือเพิ่มผลรวมของสัญญาณที่ถ่วงน้ำหนัก ซึ่งทำให้ค่าของการสัญญาณของเซลล์ประสาท ui แล้วมีผลลัพธ์ฟังก์ชัน f คัดลอกค่าoi สัญญาณเอาท์พุทของ ui เซลล์ประสาท เชื่อมต่อระหว่างเซลล์ประสาทและการแสดงผลฟังก์ชันอาจได้รับการควบคุมล่วงหน้าสัญลักษณ์ในรูปที่ 2 ต่อไปนี้มีความหมาย: การเปลี่ยนแปลงในน้ำหนักที่เป็นสัดส่วนกับอนุพันธ์ของตัวข้อผิดพลาดของเซลล์ประสาทซึ่งเป็นประเมินผลลัพธ์แตกต่างกัน และที่ซ่อนอยู่ชั้นของเซลล์ประสาทขั้นตอนการเรียนรู้เครือข่ายประสาทเทียมที่ได้รับอิทธิพลจากหลากหลายพารามิเตอร์ เช่นจำนวนของการวนซ้ำ การเรียนรู้ขั้นตอนขนาด ผลลัพธ์ฟังก์ชัน เรขาคณิตข้อผิดพลาดที่อนุญาตสูงสุดของเครือข่ายและข้อมูล3.1. โปรแกรมเครื่องมือ NTR2003 และ WEKAโปรแกรม NTR2003 ออกแบบมาสำหรับการเรียนรู้ และการทดสอบแบบ feedforwardเครือข่ายประสาทเทียม กระบวนการเรียนรู้ตามอัลกอริทึมการเผยแผ่ผิดพลาดย้อนหลังซึ่งตั้งอยู่ในที่ทั่วไปกฎเดลต้า แฟ้มที่ มีข้อมูลทั่วไปประกอบด้วยพารามิเตอร์ต่อไปนี้:•ข้อผิดพลาดที่ยอมรับได้ขนาด•ขนาดเรียนขั้นตอน•จำนวนการเกิดซ้ำ•ตัวคูณ•รูปทรงเรขาคณิตของโครงข่ายประสาทเทียมเพื่อความสะดวกในการตรวจสอบขนาด ของตัวแปรอิสระ และการให้คำนวณเสถียรภาพมากขึ้น ค่าพารามิเตอร์แมปไปยังช่วง [0.1, 0.9]กระบวนการเรียนรู้ของเครือข่ายในโปรแกรม NTR2003 เป็นซ้ำและเป็นไปตามการปรับเปลี่ยนน้ำหนักระหว่างเซลล์ประสาท ซึ่งหมายความ ว่ากระบวนการให้ข้อมูลอินพุต – เอาท์พุตคู่ และซ้ำ ๆ พยายามที่จะ "จดจำ"พวกเขา ใช้ "ความจำ" เป็นโครงข่ายประสาทเทียมจากนั้นสามารถคำนวณค่าแสดงผลสำหรับป้อนข้อมูลที่ไม่รู้จักเครื่องมือซอฟต์แวร์ WEKA ประกอบด้วยชุดการเรียนรู้ของเครื่องอัลกอริทึม อนุญาตให้ก่อนการประมวลผลของข้อมูล ประเภท รหัสการเชื่อมต่อภายในชุดข้อมูล การคลัสเตอร์ และภาพแสดงการฐานข้อมูล4. ผลลัพธ์4.1. รุ่นเครือข่ายประสาทเทียมไปฟีดต่าง ๆ และหลายเส้นถดถอยสำหรับอากาศที่มีเนื้อหาเป็นโมฆะในส่วนผสมรวมการสร้างโมเดลรับการว่าจ้าง สำหรับแต่ละส่วนผสมสามชนิดของเครือข่ายประสาทเทียมสำหรับโปรแกรม NTR2003 และสามเครื่องมือซอฟต์แวร์ WEKAแสดงในตารางที่ 1, 3, 5, 7, 9, 11, 13 และ 15 ตาราง 2, 4, 6, 8, 10

ผลลัพธ์ (ไทย) 2:

• AC 8 PMB (ช่วงเวลาที่ 1998/2005)
. •การสร้างแบบจำลองของทั้งเจ็ดผสมเข้าด้วยกัน
ป้อนพารามิเตอร์ในทุกกรณีที่มีเนื้อหาเครื่องผูกวิเคราะห์ตะแกรงและ
ความหนาแน่นสูงสุดของการรวม; พารามิเตอร์ขาออกคือเนื้อหาอากาศช่องว่างใน
ผสมรวม.
ฐานข้อมูลขนาดใหญ่ได้รับการบริการ ในกรณีของ AC 22 สิบเอ็ดพารามิเตอร์
สำหรับการสร้างแบบจำลองเนื้อหาอากาศช่องว่างในส่วนผสมรวมได้รับการ
วิเคราะห์ผลใน 381 คู่ข้อมูลนำเข้าส่งออก (ดูตารางที่ 19 ใน
ภาคผนวก A) จำนวนพารามิเตอร์และจำนวนอินพุทที่
คู่ของข้อมูลขึ้นอยู่กับส่วนผสมคอนกรีตยางมะตอยวิเคราะห์.
ประการแรกเราระบุพารามิเตอร์ที่มีผลกระทบอย่างมีนัยสำคัญ
ข้อมูลออก จากนั้นเราค้นหาค่าผิดปกติสำหรับแต่ละพารามิเตอร์ดังกล่าว
(การป้อนข้อมูล) ขั้นตอนที่แน่นอนสำหรับการกำหนดค่าผิดปกติมีการอธิบายไว้
ด้านล่าง:
1 สุ่มผสมทุกคู่ข้อมูลอินพุท.
2 กำหนดค่าสัมประสิทธิ์ของการถดถอยเชิงเส้น.
3 ตั้งสมมติฐาน H0: คุณสมบัติเดียวหรือป้อนข้อมูลไม่มีผลกระทบ
กับข้อมูลที่ส่งออก (Content อากาศช่องว่างในการผสมรวมอยู่).
4 ตรวจสอบ P-value P-value คือน่าจะเป็นของความผิดพลาดแบบใน
การทดสอบทางสถิติ นี่เป็น t-test ถูกนำมาใช้ P-ค่าจะถูกประเมิน
โดย 2 * FT (-T) = P-value ที่ฟุต CDF T-กระจาย.
5 สำหรับค่าสัมประสิทธิ์ผู้ที่ P-value ต่ำ (b0.01) ค่าของ
ค่าสัมประสิทธิ์อย่างมีนัยสำคัญที่แตกต่างจากศูนย์; ดังนั้นสมมติฐาน
สามารถปฏิเสธ.
6 ในกรณีดังกล่าวค่าพารามิเตอร์เดียว (มูลค่าทรัพย์สิน) มีการตรวจสอบ.
7 สมมติกระจายปกติและตรวจสอบว่าแต่ละ
ค่าเบี่ยงเบนไปจากสมมติฐานเหล่านี้ หากค่าเบี่ยงเบนที่มีขนาดใหญ่หรือถ้า
ความน่าจะเป็นว่าค่าดังกล่าวเกิดขึ้นมีขนาดเล็กมากแล้วข้อมูลจะถูกระบุว่า
เป็นค่าผิดปกติ ความน่าจะเป็นขีด จำกัด ของข้อมูลที่มีการระบุว่าเป็น
ค่าผิดปกติคือ p = 1 / จำนวนของข้อมูล / 10 (รูปที่ 1)..
ในรายการที่ 1 ถึง 5 พารามิเตอร์ที่มีค่าผิดปกติจะมีการระบุ.
ในรายการที่ 6-7 ค่าผิดปกติจะขอ.
3 . ฟีดไปข้างหน้าเครือข่ายประสาทเทียม
รูป 2 แสดงให้เห็นถึงรูปแบบของโครงข่ายประสาทเทียม เซลล์ประสาท
UI มีการเชื่อมต่อที่มีไม่กี่เซลล์ประสาทที่ส่งสัญญาณออกของพวกเขาตกลง, J, LTO
เซลล์ประสาท UI สัญญาณจะถูกคูณด้วยน้ำหนัก Wij สัญญาณเกณฑ์
สองจะมีการเพิ่มผลรวมของสัญญาณถ่วงน้ำหนัก นี้จะช่วยให้ค่าของ
สัญญาณของเซลล์ประสาท UI แล้วฟังก์ชั่นการส่งออก F สำเนาค่าไป
OI สัญญาณของเซลล์ประสาท UI การเชื่อมต่อระหว่างเซลล์ประสาทและการส่งออก
ฟังก์ชั่นอาจจะได้รับการควบคุมล่วงหน้า.
สัญลักษณ์ในรูป 2 มีความหมายดังต่อไปนี้: การเปลี่ยนแปลงของน้ำหนักจึงเป็นสัดส่วนกับอนุพันธ์ของ
ข้อผิดพลาดของเซลล์ประสาทที่ได้รับการประเมินที่แตกต่างกันสำหรับการส่งออกและซ่อน
ชั้นของเซลล์ประสาท.
ขั้นตอนการเรียนรู้ของเครือข่ายประสาทเทียมได้รับอิทธิพลจากความหลากหลาย
ของพารามิเตอร์เช่น จำนวนสูงสุดของการทำซ้ำ, การเรียนรู้
ขนาดขั้นตอนที่ฟังก์ชั่นการส่งออกสูงสุดเรขาคณิตข้อผิดพลาดที่ได้รับอนุญาตของ
เครือข่ายและข้อมูล.
3.1 โปรแกรม NTR2003 และ WEKA Toolkit
โปรแกรม NTR2003 ถูกออกแบบมาสำหรับการเรียนรู้และการทดสอบคราท
เครือข่ายประสาทเทียม กระบวนการเรียนรู้จะขึ้นอยู่กับ
ขั้นตอนวิธีการขยายพันธุ์ข้อผิดพลาดย้อนหลังซึ่งอยู่บนพื้นฐานทั่วไป
ไฟล์ rule.The เดลต้าที่มีข้อมูลทั่วไปรวมถึงพารามิเตอร์ต่อไปนี้:
•ขนาดยอมผิดพลาด
•ขั้นตอนการเรียนรู้ขนาด
•จำนวนสูงสุดของการทำซ้ำ
•ปัจจัยคูณ ,
•รูปทรงเรขาคณิตของโครงข่ายประสาทเทียม.
เพื่อความสะดวกในการตรวจสอบขนาดของตัวแปรของแต่ละบุคคลและเพื่อ
ให้บรรลุความมั่นคงในการคำนวณมากขึ้นทุกค่าของพารามิเตอร์ที่
แมปกับช่วง [0.1, 0.9].
กระบวนการของการเรียนรู้ของเครือข่ายในโปรแกรม NTR2003 คือ ซ้ำแล้วซ้ำอีก
และขึ้นอยู่กับการปรับเปลี่ยนน้ำหนักระหว่างเซลล์ประสาท ซึ่งหมายความว่า
ซ้ำ ๆ กระบวนการให้อินพุทคู่ข้อมูลและพยายามที่จะ "จำ"
พวกเขา อยู่บนพื้นฐานของ "ความจำ" เครือข่ายประสาทเทียม
นั้นสามารถที่จะคำนวณมูลค่าการส่งออกสำหรับการป้อนข้อมูลที่ไม่รู้จัก.
เครื่องมือซอฟต์แวร์ WEKA ประกอบด้วยคอลเลกชันของการเรียนรู้เครื่อง
อัลกอริทึม จะช่วยให้ก่อนการประมวลผลข้อมูลการจำแนกบัตรประจำตัว
ของการเชื่อมต่อภายในชุดข้อมูลการจัดกลุ่มและการสร้างภาพของ
ฐานข้อมูล.
4 ผลการค้นหา
4.1 รุ่น
ฟีดไปข้างหน้าเครือข่ายประสาทเทียมและที่แตกต่างกันหลายเชิงเส้น
ถดถอยสำหรับเนื้อหาการสร้างแบบจำลองทางอากาศเป็นโมฆะผสมรวมได้
รับการว่าจ้าง สำหรับแต่ละส่วนผสมสามประเภทของเครือข่ายประสาทเทียม
สำหรับโปรแกรม NTR2003 และสามเครื่องมือซอฟต์แวร์ WEKA จะ
แสดงในตารางที่ 1, 3, 5, 7, 9, 11, 13 และ 15 ตาราง 2, 4, 6, 8, 10,