4. ConclusionThis research studied

4. Conclusion
This research studied on dynamic artificial neural net-work training using genetic algorithm optimization. From the tables and figures of the obtained and presented re-sults, we can conclude that the new solution construc-tion employed in this research with ability of altering and checking different weights, biases, number of hidden lay-ers and number of nodes in each hidden layer has led to the superior results of error rate and structure of ANN. The improvement obtained using the present method is due to the optimization of the structure of neural network si-multaneously with the weights and biases of the model instead of optimizing weights or structure of neural net-work in isolate as employed in other models.

ผลลัพธ์ (ไทย) 1:

4. บทสรุปงานวิจัยนี้ศึกษาในแบบไดนามิกประดิษฐ์ประสาทสุทธิงานฝึกอบรมโดยใช้อัลกอริทึมพันธุกรรมเพิ่มประสิทธิภาพ จากตารางและตัวเลขของการนำเสนอ และได้รับ re-sults เราสามารถสรุปว่า construc โซลูชันใหม่นี้สเตรชันลูกจ้างในงานวิจัยนี้ มีความเปลี่ยนแปลง และตรวจสอบน้ำหนักแตกต่างกัน ยอม จำนวนสกู๊ปวางซ่อน และจำนวนโหนดในชั้นซ่อนแต่ละได้นำไปสู่ผลลัพธ์ที่เหนือกว่าของอัตราข้อผิดพลาดและโครงสร้างของแอน ปรับปรุงได้โดยใช้วิธีการนำเสนอได้เนื่องจากการเพิ่มประสิทธิภาพของโครงสร้างของโครงข่ายประสาทศรี multaneously มีน้ำหนักและยอมรุ่นแทนที่จะเพิ่มน้ำหนัก หรือแยกโครงสร้างของการทำงานสุทธิประสาทในขณะทำงานในรูปแบบอื่น ๆ

ผลลัพธ์ (ไทย) 2:

4.
สรุปงานวิจัยนี้ศึกษาเกี่ยวกับระบบประสาทเทียมแบบไดนามิกการฝึกอบรมการทำงานสุทธิเพิ่มประสิทธิภาพการใช้ขั้นตอนวิธีพันธุกรรม จากตารางและตัวเลขที่ได้รับและนำเสนออีกครั้งไส-เราสามารถสรุปได้ว่าโซลูชั่นใหม่ construc-การที่ใช้ในการวิจัยครั้งนี้มีความสามารถในการเปลี่ยนแปลงและการตรวจสอบน้ำหนักที่แตกต่างอคติจำนวนซ่อนวาง ERS และจำนวนโหนดใน แต่ละชั้นที่ซ่อนได้นำไปสู่ผลลัพธ์ที่ดีกว่าของอัตราความผิดพลาดและโครงสร้างของแอน ที่ได้รับการปรับปรุงโดยใช้วิธีการในปัจจุบันเกิดจากการเพิ่มประสิทธิภาพของโครงสร้างของเครือข่าย si-multaneously ประสาทที่มีน้ำหนักและอคติของรูปแบบของการเพิ่มประสิทธิภาพแทนหรือน้ำหนักสุทธิโครงสร้างของการทำงานของระบบประสาทในการแยกเป็นลูกจ้างในรูปแบบอื่น ๆ

ผลลัพธ์ (ไทย) 3:

4 . สรุป
การวิจัยนี้ศึกษาในแบบไดนามิกประสาทเทียมงานเครือข่ายการฝึกอบรมการใช้ขั้นตอนวิธีเชิงพันธุกรรมในการเพิ่มประสิทธิภาพ . จากตารางและตัวเลขของข้อมูลและนำเสนออีกครั้ง sults เราสามารถสรุปได้ว่า โซลูชั่นใหม่ Construc tion ที่ใช้ในงานวิจัยนี้ มีความสามารถในการดัดแปลงและการตรวจสอบน้ำหนักแตกต่างกัน biases ,จำนวนของ ERS วางซ่อนอยู่ และแต่ละโหนดในชั้นซ่อน ได้นำไปสู่ผลของอัตราความผิดพลาดและโครงสร้างของแอนการปรับปรุงที่ได้ใช้วิธีการที่ใช้ในปัจจุบันคือการเพิ่มประสิทธิภาพของโครงสร้างเครือข่ายประสาทของศรี multaneously กับน้ำหนักและอคติของรูปแบบแทนการเพิ่มน้ำหนักหรือโครงสร้างของงานสุทธิประสาทในแยกเป็นใช้ในรูปแบบอื่น ๆ