The training process is the process

The training process is the process of determining the
connection weights of the neural network. A set of input
output pairs of the training patterns or training data are
needed to accomplish the training process. The input data set
is PV generator maximum output power Pmax and the
rotational speed of the motor ωm, whereas the output data set
is the corresponding duty ratio of the buck chopper. The
training data has been obtained by varying the solar radiation
level from 50W/m2 to 1200W/m2 with incremental value of
10W/m2. While the PV surface temperature is incremented by
2 oC per step from 0 to 70 oC, and the corresponding duty
cycle is calculated for each case.
A neural network toolbox in MATLABSIMULINK has been
used to achieve the training process. During the network
training, all the computations are offline. The backpropagation
algorithm is used in this work; this type is
considered one of the most widely used algorithms because of
the ease of implementation, robustness and stability. The
learning stage of the network is performed by updating the
weights and biases using a backpropagation algorithm with
the gradient descent method in order to minimize a mean
squared error performance index E by using Equation (15).
The smaller the mean square error is the better performance
and the accuracy of the network in real life will achieve.

ผลลัพธ์ (ไทย) 1:

การฝึกอบรมเป็นกระบวนการกำหนดในน้ำหนักการเชื่อมต่อของเครือข่ายประสาท ชุดป้อนมีคู่ผลลัพธ์ของรูปแบบการฝึกอบรมหรือข้อมูลการฝึกอบรมต้องทำการฝึกอบรม ชุดข้อมูลป้อนเข้าเป็น PV สร้างผลผลิตสูงสุดอำนาจ Pmax และความเร็วในการหมุนของ ωm มอเตอร์ ในขณะที่ชุดข้อมูลผลลัพธ์อัตราภาษีที่เกี่ยวข้องของชอปเปอร์บัคได้ ที่ข้อมูลการฝึกอบรมได้รับจากรังสีแสงอาทิตย์แตกต่างกันระดับจาก 50W/m2 1200W/m2 มีค่าเพิ่มขึ้น10W/m2 ในขณะที่อุณหภูมิพื้นผิว PV เพิ่มขึ้นด้วยองศาเซลเซียส 2 ต่อขั้นตอนจาก 0 ถึง 70 องศาเซลเซียส และภาษีเกี่ยวข้องวงจรจะถูกคำนวณสำหรับแต่ละกรณีกล่องเครื่องมือเครือข่ายประสาทใน MATLABSIMULINK ได้ใช้เพื่อการฝึกอบรม ระหว่างเครือข่ายฝึกอบรม ประมวลผลทั้งหมดทำงานแบบออฟไลน์ Backpropagationอัลกอริทึมใช้ในการทำงานนี้ ชนิดนี้เป็นหนึ่งของอัลกอริทึมที่ใช้กันอย่างแพร่หลายเนื่องจากความสะดวกในการใช้งาน เสถียรภาพ และความมั่นคง ที่ระยะของเครือข่ายการเรียนรู้ดำเนินการ โดยการปรับปรุงการน้ำหนักและยอมใช้อัลกอริทึม backpropagation ด้วยวิธีการไล่ระดับสีโคตรเพื่อลดค่าเฉลี่ยการข้อผิดพลาดกำลังสองประสิทธิภาพดัชนีอี โดยใช้สมการ (15)ขนาดเล็กข้อผิดพลาดของค่าเฉลี่ยกำลังสองมีประสิทธิภาพดีขึ้นและความถูกต้องของเครือข่ายในชีวิตจริงจะประสบความสำเร็จ

ผลลัพธ์ (ไทย) 2:

กระบวนการฝึกอบรมเป็นกระบวนการของการกำหนดที่น้ำหนักการเชื่อมต่อของโครงข่ายประสาทเทียม
ชุดใส่คู่เอาท์พุทของรูปแบบการฝึกอบรมหรือข้อมูลการฝึกอบรมที่มีความจำเป็นเพื่อให้บรรลุกระบวนการฝึกอบรม ชุดข้อมูลของท่านเป็นเครื่องกำเนิดไฟฟ้าพลังงานแสงอาทิตย์ผลผลิตสูงสุด Pmax และความเร็วในการหมุนของมอเตอร์ωmในขณะที่ข้อมูลชุดออกเป็นอัตราส่วนที่สอดคล้องกันของการปฏิบัติหน้าที่สับเจ้าชู้ ข้อมูลการฝึกอบรมได้รับจากการที่แตกต่างกันรังสีระดับ 50W / m2 จะ 1200W / m2 มีมูลค่าที่เพิ่มขึ้นของ 10W / ​​m2 ในขณะที่อุณหภูมิพื้นผิวเซลล์แสงอาทิตย์จะเพิ่มขึ้นโดย2 องศาต่อขั้นตอนที่ 0-70 องศาเซลเซียสและหน้าที่ที่สอดคล้องกันวงจรที่มีการคำนวณสำหรับแต่ละกรณี. กล่องเครื่องมือเครือข่ายประสาทใน MATLAB SIMULINK ได้รับการใช้เพื่อให้บรรลุกระบวนการฝึกอบรม ในระหว่างเครือข่ายการฝึกอบรมการคำนวณทั้งหมดเป็นแบบออฟไลน์ backpropagation อัลกอริทึมที่ใช้ในการทำงานนี้ ประเภทนี้จะถือเป็นหนึ่งในขั้นตอนวิธีการใช้กันอย่างแพร่หลายเพราะสะดวกในการดำเนินความทนทานและความมั่นคง ขั้นตอนการเรียนรู้ของเครือข่ายจะดำเนินการโดยการปรับปรุงน้ำหนักและอคติโดยใช้ขั้นตอนวิธีการแพร่กระจายย้อนกลับด้วยวิธีการไล่ระดับสีโคตรเพื่อลดค่าเฉลี่ยกำลังสองE ดัชนีประสิทธิภาพข้อผิดพลาดโดยใช้สมการ (15). ที่มีขนาดเล็กข้อผิดพลาดตารางหมายถึงเป็นที่ดีกว่า ประสิทธิภาพและความถูกต้องของเครือข่ายในชีวิตจริงจะประสบความสำเร็จ

ผลลัพธ์ (ไทย) 3:

กระบวนการฝึกอบรมเป็นกระบวนการของการกำหนดน้ำหนัก
การเชื่อมต่อโครงข่ายประสาทเทียม . ชุดใส่
ออกคู่การฝึกอบรมรูปแบบหรือข้อมูลการฝึกอบรม
ต้องการบรรลุกระบวนการฝึกอบรม ข้อมูล ข้อมูลชุด
เป็น PV เครื่องกำเนิดไฟฟ้าพลังงานสูงสุดและค่า
ที่ความเร็วในการหมุนของมอเตอร์ω M ในขณะที่ส่งออกชุดข้อมูล
คืออัตราส่วนของบัคที่หน้าที่สับข้อมูล
ฝึกได้โดยการปรับระดับรังสี
พลังงานแสงอาทิตย์จากมาร์ค / m2 กับ 1200w / m2 กับมูลค่าที่เพิ่มขึ้นของ
10W / m2 ในขณะที่อุณหภูมิพื้นผิว PV สั่งโดย
2 องศาเซลเซียสต่อขั้นตอนจาก 0 ถึง 70 องศาเซลเซียส และ รอบหน้าที่
ที่คำนวณสำหรับแต่ละกรณี
กล่องเครื่องมือเครือข่ายประสาทใน Matlab / Simulink ได้รับ
ที่ใช้เพื่อให้บรรลุกระบวนการฝึกอบรม ระหว่างเครือข่าย
การฝึกอบรมรูปทั้งหมดได้ครับ ในแบบวิธีที่ใช้ในงานนี้

; ชนิดนี้ถือว่าเป็นหนึ่งในขั้นตอนวิธีที่ใช้กันอย่างแพร่หลายเพราะ
ความสะดวกในการใช้งาน ความทนทานและความเสถียร
การเรียนรู้ขั้นตอนของเครือข่ายจะดำเนินการโดยการปรับปรุง
น้ำหนักและอคติโดยใช้วิธีแบบไล่ระดับโคตร
วิธีเพื่อลดหมายถึง
สองข้อผิดพลาดดัชนีประสิทธิภาพ E โดยใช้สมการ ( 15 ) .
ที่มีความคลาดเคลื่อนกำลังสองเฉลี่ยเป็นประสิทธิภาพที่ดีขึ้น
และความถูกต้องของเครือข่ายในชีวิตจริงจะบรรลุ