Tan-sigmoidal activation function w

Tan-sigmoidal activation function was used in hidden layer being the best activation function for modeling any mathematical expression [2]. Learning rate was selected to be 0.05 and the momentum factor was kept at 0.5. Number of epochs given for training was 15000 but network trained with only 5781 epochs as shown by performance cure of the ANN training in Figure 6. Each training session took a long time of about 30 minutes over P-IV 1.7 GHz computer as the allowable error was set 1x10. Number of training sessions was carried out to adjust the weights and biases to minimize the error in T1, T2 and to reduce the resulting harmonic losses. The network was trained for different conditions i.e. for each sector data. Levenberg-Marquardt training algorithm was used as it provides the fast training response with respect to gradient method of training. Parameters of ANN model are given in Table 1. The weights and biases of trained network were taken for implementation with micro-controller.

ผลลัพธ์ (ไทย) 1:

ตาล sigmoidal เปิดใช้งานฟังก์ชันที่ใช้ในชั้นซ่อนถูกเปิดใช้งานฟังก์ชันสุดสำหรับสร้างแบบจำลองคณิตศาสตร์ใด ๆ [2] อัตราการเรียนรู้เลือกเป็น 0.05 และตัวโมเมนตัมถูกเก็บไว้ที่ 0.5 จำนวน epochs ให้ฝึกได้ 15000 แต่เครือข่ายการฝึกอบรมกับ epochs 5781 เท่านั้นแสดง โดยรักษาประสิทธิภาพการทำงานของแอนที่ในรูปที่ 6 การฝึกอบรม อบรมแต่ละใช้เวลานานประมาณ 30 นาทีผ่านคอมพิวเตอร์ P-IV 1.7 GHz เป็นข้อผิดพลาดได้ถูกตั้งค่า 1 x 10 จำนวนฝึกอบรมได้ดำเนินการปรับน้ำหนักการยอม เพื่อลดข้อผิดพลาดใน T1, T2 และ เพื่อลดการสูญเสียของมีค่าเป็นผลลัพธ์ เครือข่ายได้รับการฝึกอบรมสำหรับเงื่อนไขที่แตกต่างกันเช่นสำหรับข้อมูลแต่ละภาค ใช้ขั้นตอนวิธีการฝึกอบรมของ Levenberg Marquardt จะให้การตอบสนองรวดเร็วฝึกอบรมเกี่ยวกับวิธีไล่ระดับการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN แสดงไว้ในตารางที่ 1 น้ำหนักและยอมฝึกอบรมเครือข่ายถูกนำมาสำหรับใช้งานกับไมโครคอนโทรลเลอร์

ผลลัพธ์ (ไทย) 2:

ฟังก์ชั่นการเปิดใช้ Tan-sigmoidal ถูกนำมาใช้ในชั้นที่ซ่อนอยู่เป็นฟังก์ชั่นการเปิดใช้งานที่ดีที่สุดสำหรับการสร้างแบบจำลองทางคณิตศาสตร์การแสดงออกใด ๆ [2] อัตราการเรียนรู้ที่ได้รับเลือกให้เป็น 0.05 และปัจจัยโมเมนตัมถูกเก็บไว้ที่ 0.5 จำนวน epochs ได้รับการฝึกอบรมเป็น 15,000 แต่เครือข่ายการฝึกอบรมที่มีเพียง 5781 epochs ที่แสดงโดยการรักษาผลการดำเนินงานของการฝึกอบรม ANN ในรูปที่ 6 การฝึกอบรมแต่ละคนใช้เวลานานประมาณ 30 นาทีกว่าคอมพิวเตอร์ P-IV 1.7 GHz เป็นข้อผิดพลาดที่อนุญาต ถูกตั้ง 1x10 จำนวนการฝึกอบรมได้รับการดำเนินการเพื่อปรับน้ำหนักและอคติเพื่อลดความผิดพลาดในการ T1 T2, และเพื่อลดการสูญเสียที่เกิดฮาร์มอนิ เครือข่ายได้รับการฝึกฝนสำหรับเงื่อนไขที่แตกต่างกันเช่นข้อมูลแต่ละภาค ขั้นตอนวิธีการฝึกอบรม Levenberg-Marquardt ถูกนำมาใช้เพื่อที่จะให้การตอบสนองอย่างรวดเร็วการฝึกอบรมเกี่ยวกับการใช้วิธีการไล่ระดับของการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN จะได้รับในตารางที่ 1 น้ำหนักและอคติของเครือข่ายได้รับการฝึกฝนที่ถูกนำสำหรับการดำเนินงานกับไมโครคอนโทรลเลอร์

ผลลัพธ์ (ไทย) 3:

แทนการ sigmoidal ฟังก์ชันใช้ในชั้นซ่อนถูกกระตุ้นการทำงานที่ดีที่สุดสำหรับการสร้างแบบจำลองทางคณิตศาสตร์ใด ๆ [ 2 ] อัตราการเรียนรู้ ได้รับเลือกเป็น 0.05 และปัจจัยโมเมนตัมที่ถูกเก็บไว้ที่ 0.5 จำนวนของยุคสมัยที่ได้รับการฝึกอบรม 15 , 000 แต่เครือข่ายการฝึกอบรมมีเพียง 5781 ยุคสมัยที่แสดงโดย รักษาประสิทธิภาพของแอน การฝึกอบรมในรูปที่ 6แต่ละเซสชันการฝึกอบรมใช้เวลานานประมาณ 30 นาที กว่า p-iv 1.7 GHz คอมพิวเตอร์เป็นข้อผิดพลาดที่ถูกตั้งค่า 1x10 . หมายเลขของเซสชันการฝึกอบรมมีวัตถุประสงค์เพื่อปรับน้ำหนักและอคติในการลดข้อผิดพลาดใน T1 , T2 และลดกระแสฮาร์มอนิก ส่งผลให้ขาดทุน เครือข่ายได้รับการฝึกอบรมสำหรับเงื่อนไขที่แตกต่างกันเช่นสำหรับแต่ละภาคข้อมูลขั้นตอนวิธีการ levenberg มาร์ควถูกใช้ในขณะที่มีการตอบสนองอย่างรวดเร็วด้วยความเคารพวิธีการไล่ระดับของการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN จะได้รับในตารางที่ 1 การมีน้ำหนักและอคติของการอบรมเครือข่ายถูกใช้กับไมโครคอนโทรลเลอร์ .