ANNs are flexible and nonparametric

ANNs are flexible and nonparametric modeling tools that can
perform any complex function mapping with arbitrarily desired
accuracy (Gennaro et al., 2013; Saufie et al., 2013). Modeling
with ANN covers a learning (training, validation) and a testing
process using historical data by determining nonlinear relationships
between the variables in input and output data sets. The
basic structure of the ANNs are composed of input and output
neurons with weights of interconnection placed in different
layers, and internal transfer functions of them. The most common
types of ANNs used in forecasting studies are multilayer
perceptron neural networks (MLP-ANN), which are constructed
with three layers: input, hidden, and output layers (as shown in
Figure 3). This class of networks are usually interconnected in a
feed-forward way. They can use a variety of learning techniques
such as back-propagation, conjugate gradient, and generalized
delta rule, whereas the most popular one is error back-propagation
method. Internal transfer function to compute an output y
from various inputs xi expressed as follows:

ผลลัพธ์ (ไทย) 1:

ANNs ยืดหยุ่น และ nonparametric โมเดลเครื่องมือที่สามารถทำแมปใด ๆ ฟังก์ชันซับซ้อนกับที่ต้องการโดยพลความแม่นยำ (Gennaro et al. 2013 Saufie et al. 2013) การสร้างโมเดลกับแอนครอบคลุมการทดสอบและการเรียนรู้ (ฝึกอบรม ตรวจสอบ)กระบวนการโดยใช้ข้อมูลย้อนหลัง โดยกำหนดความสัมพันธ์เชิงเส้นระหว่างตัวแปรในชุดข้อมูลอินพุท และเอาท์พุท การโครงสร้างพื้นฐานของ ANNs ประกอบด้วยอินพุตและเอาต์พุตเซลล์ประสาท มีน้ำหนักของการเชื่อมต่อที่วางไว้ในที่อื่นชั้น และฟังก์ชั่นโอนย้ายภายในของพวกเขา พบมากที่สุดประเภท ANNs ที่ใช้ในการคาดการณ์การศึกษาอยู่หลายชั้นเพอร์เซปตรอนประสาทเครือข่าย (MLP-แอน), ซึ่งมีการก่อสร้างชั้นสาม: ป้อนข้อมูล ซ่อน และชั้นเอาต์พุต (ดังแสดงในภาพ 3) ชั้นของเครือข่ายที่จะเชื่อมต่อกันในการวิธีการดึงข้อมูลไป พวกเขาสามารถใช้เทคนิคการเรียนรู้ที่หลากหลายเช่นเผยแพร่หลัง สังยุคไล่ระดับสี และทั่วไปกฎเดลต้า ขณะที่นิยมมากที่สุดคือ การเผยแพร่ข้อผิดพลาด กลับมาวิธีการ โอนย้ายภายในฟังก์ชันเพื่อคำนวณการ y ออกจากซีอินพุตต่าง ๆ แสดงเป็นดังนี้:

ผลลัพธ์ (ไทย) 2:

ANNs มีความยืดหยุ่นและไม่อิงพารามิเตอร์เครื่องมือสร้างแบบจำลองที่สามารถ
ดำเนินการใด ๆ การทำแผนที่ฟังก์ชั่นที่ซับซ้อนที่มีพลที่ต้องการ
ความถูกต้อง (เจนนาโร, et al, 2013;.. Saufie et al, 2013) การสร้างแบบจำลอง
ที่มี ANN ครอบคลุมการเรียนรู้ (การฝึกอบรมการตรวจสอบ) และการทดสอบ
ขั้นตอนการใช้ข้อมูลทางประวัติศาสตร์โดยการกำหนดความสัมพันธ์แบบไม่เชิงเส้น
ระหว่างตัวแปรใน input และ output ชุดข้อมูล
โครงสร้างพื้นฐานของ ANNs จะประกอบด้วย input และ output
เซลล์ประสาทที่มีน้ำหนักเชื่อมโยงโครงข่ายที่แตกต่างกันไปวางไว้ใน
ชั้นและฟังก์ชั่นการถ่ายโอนภายในของพวกเขา ที่พบมากที่สุด
ประเภท ANNs ใช้ในการศึกษาการพยากรณ์มีหลาย
Perceptron เครือข่ายประสาท (MLP-Ann) ซึ่งมีการสร้าง
ที่มีสามชั้น: การป้อนข้อมูลที่ซ่อนอยู่และชั้นเอาท์พุท (ดังแสดงใน
รูปที่ 3) ระดับของเครือข่ายนี้มักจะมีการเชื่อมต่อกันใน
ทางฟีดไปข้างหน้า พวกเขาสามารถใช้ความหลากหลายของเทคนิคการเรียนรู้
เช่นการกลับมาขยายพันธุ์ผันลาดและทั่วไป
กฎ Delta, ในขณะที่ได้รับความนิยมมากที่สุดคือข้อผิดพลาดกลับมาขยายพันธุ์
วิธี ฟังก์ชั่นการถ่ายโอนภายในเพื่อคำนวณ Y เอาท์พุท
จากปัจจัยการผลิตต่างๆ Xi แสดงดังนี้

ผลลัพธ์ (ไทย) 3:

แอนน์มีความยืดหยุ่นและตัวเครื่องมือการสร้างแบบจำลองที่สามารถปฏิบัติหน้าที่ใด ๆที่ซับซ้อนการทำแผนที่โดยพลที่ต้องการกับความถูกต้อง ( เจนนาโร่ et al . , 2013 ; saufie et al . , 2013 ) โมเดลลิ่งกับ แอน ครอบคลุมการเรียนรู้ ( การตรวจสอบการฝึกอบรม ) และการทดสอบขั้นตอนการใช้ข้อมูลทางประวัติศาสตร์โดยการกำหนดความสัมพันธ์เชิงเส้นระหว่างตัวแปรในการป้อนข้อมูลและชุดข้อมูลเอาท์พุท ที่โครงสร้างเบื้องต้นของแอนน์จะประกอบด้วยอินพุตและเอาต์พุตเซลล์ประสาทด้วยน้ำหนักรวมอยู่ในที่ต่าง ๆชั้น และโอนภายในฟังก์ชั่นของพวกเขา ที่พบบ่อยที่สุดประเภทของแอนน์ใช้ในการพยากรณ์มีหลายการศึกษาเพอร์เซปตรอนโครงข่ายประสาทเทียม ( mlp-ann ) ซึ่งถูกสร้างขึ้นมี 3 ชั้น เข้าอยู่และส่งออกชั้น ( ดังแสดงในรูปที่ 3 ) ระดับของเครือข่ายนี้มักจะเชื่อมโยงในfeed-forward ทาง พวกเขาสามารถใช้ความหลากหลายของเทคนิคการเรียนเช่น back-propagation ผันลาด , และทั่วไปเดลต้าปกครอง , ในขณะที่หนึ่งที่นิยมมากที่สุด back-propagation ข้อผิดพลาดวิธี โอนภายในฟังก์ชันคำนวณผลผลิตและจากปัจจัยต่างๆ ่แสดงดังนี้