ANN is a system loosely modeled bas

ANN is a system loosely modeled based on thehuman brain. ANNs offer a completely different approach to
problem solving, and they are sometimes called the sixth generation of computing. ANNs are powerful techniques to solve many real world problems (El Emary 2006; Huang Mei et al. 2006). They have the ability to learn from experience in order to improve their performance and to adapt themselves to changes in the environment. From the point of view of statistics or econometrics, ANN models are a particular class of nonlinear input–output models. NNs have been established to be superior to the conventional models of linear kind (including regression, univariate time series models,
and multivariate time series transfer function models) and some other non-linear kind. Application of NN does not require the data to meet the assumptions that must otherwise be met in a regression model. ANN adapts to learn the relationship or mapping between input and outputs during the training process. During supervised training, which is used in this study, pairs of input and target data are used. An input is propagated through the ANN, the model output is compared with the target output, and the weights between nodes are updated to minimize the error between simulated and target output. The design of NN architecture (topology) and methods of training, testing, evaluating, and implementing the network is very important. The design of NN architecture consists of the choice of the NN algorithm, the structure (number of layers, and number of neurons in the layers), the input and output functions, and the learning parameters. This research focuses on the back propagation algorithm learning method. The back propagation algorithm seeks to minimize the error term between the output of the neural net and the actual desired output value. The error term is calculated by comparing the net output to the desired output and is then fed back through the network, causing the synaptic weights to be changed in an effort to minimize error. The process is repeated until the error reaches a minimum value (Haykin 1994).

ผลลัพธ์ (ไทย) 1:

แอนเป็นระบบจำลองหลวม ๆ อิง thehuman สมอง ANNs มีวิธีการอื่นในการการแก้ปัญหา และมีบางครั้งเรียกว่ารุ่นที่ 6 ในการคำนวณ ANNs เป็นเทคนิคที่มีประสิทธิภาพการแก้ไขปัญหาต่าง ๆ ในโลกจริง (El Emary 2006 หวงเหม่และ al. 2006) พวกเขามีความสามารถในการเรียนรู้จากประสบการณ์ เพื่อปรับปรุงประสิทธิภาพของพวกเขา และ การปรับตัวให้เข้ากับสภาพแวดล้อมที่เปลี่ยนแปลง การมองในแง่ของสถิติหรือเศรษฐมิติ แอนรุ่นมีแบบเฉพาะของรุ่นอินพุต – เอาท์พุตไม่เชิงเส้น มีการกำหนด NNs จะเหนือกว่ารุ่นทั่วไปชนิดเส้นตรง (รวมทั้งการถดถอย ไร univariate เวลาชุดรุ่นและอนุกรมเวลาแบบหลายตัวแปรฟังก์ชันรุ่น) และไม่ใช่เชิงเส้นชนิดอื่น แอพลิเคชันของ NN ไม่ต้องการข้อมูลให้ตรงกับสมมติฐานที่เป็นเงื่อนไขอื่นในแบบจำลองถดถอย แอนปรับการเรียนรู้ความสัมพันธ์หรือการแม็ประหว่างอินพุตและเอาท์พุตในระหว่างกระบวนการฝึกอบรม ในระหว่างการฝึกอบรมดูแล ซึ่งใช้ในการศึกษานี้ มีใช้คู่ของข้อมูลอินพุตและเป้าหมาย อินพุตที่ถูกเผยแพร่ผ่านการแอน รูปแบบการแสดงผลเปรียบเทียบกับผลผลิตเป้าหมาย และน้ำหนักระหว่างโหนดที่จะถูกปรับปรุงเพื่อลดข้อผิดพลาดระหว่างจำลอง และกำหนดเป้าหมายผลผลิต การออกแบบสถาปัตยกรรม NN (โครงสร้าง) และวิธีการฝึกอบรม การทดสอบ การประเมิน และการใช้เครือข่ายเป็นสิ่งสำคัญมาก การออกแบบสถาปัตยกรรม NN ประกอบเลือก NN อัลกอริทึม โครงสร้าง (หมายเลขชั้น และจำนวนของเซลล์ประสาทในชั้น), การป้อนข้อมูล และฟังก์ชันแสดงผล และพารามิเตอร์การเรียนรู้ งานวิจัยนี้เน้นอัลกอริทึมเผยแพร่หลังการเรียนรู้วิธี อัลกอริทึมการแพร่กระจายหลังพยายามลดคำผิดพลาดระหว่างการสุทธิประสาทและค่าผลลัพธ์ที่ต้องการที่แท้จริง ระยะผิดพลาดคำนวณ โดยการเปรียบเทียบผลผลิตสุทธิกับผลลัพธ์ที่ต้องการแล้วป้อนกลับผ่านเครือข่าย ทำให้น้ำหนักผู้ที่เปลี่ยนแปลงในความพยายามเพื่อลดข้อผิดพลาด กระบวนการนี้ซ้ำจนกว่าข้อผิดพลาดถึงค่าต่ำสุด (Haykin 1994)

ผลลัพธ์ (ไทย) 3:

แอนเป็นระบบแบบหลวม ๆ ใช้สมอง thehuman . เสนอวิธีการที่แตกต่างกันอย่างสิ้นเชิงกับแอนน์การแก้ปัญหา และบางครั้งพวกเขาจะเรียกว่ารุ่นที่หกของคอมพิวเตอร์ แอนน์เป็นเทคนิคที่มีประสิทธิภาพเพื่อแก้ไขปัญหาโลกจริงมาก ( El emary 2006 ; Huang Mei et al . 2006 ) พวกเขามีความสามารถในการเรียนรู้จากประสบการณ์เพื่อปรับปรุงประสิทธิภาพของพวกเขาและการปรับตัวเข้ากับการเปลี่ยนแปลงในสภาพแวดล้อม จากมุมมองของสถิติและเศรษฐมิติ แอนแบบมีคลาส โดยเฉพาะเส้นเข้า–ออกแบบ nns ถูกสร้างให้เหนือกว่ารุ่นปกติของชนิดโดยตรง ( รวมถึงการถดถอยอนุกรมเวลาที่มีรูปแบบเวลาโอนสองชุดฟังก์ชันรุ่น ) และบางอื่น ๆที่ไม่ใช่เชิงเส้นชนิด การประยุกต์ใช้ดินไม่ต้องใช้ข้อมูลตามสมมติฐานว่าต้องมิฉะนั้นจะเจอในตัวแบบการถดถอย . แอน ไปเรียนรู้ความสัมพันธ์ระหว่างปัจจัยการผลิตและผลผลิตหรือการทำแผนที่ระหว่างการฝึกอบรม ในระหว่างการฝึก ซึ่งใช้ในการศึกษานี้ คู่ของข้อมูลและข้อมูลที่กำหนดเป้าหมายที่ใช้ การป้อนข้อมูลจะแพร่กระจายผ่านแอน รูปแบบ ออก เป็น เมื่อเทียบกับผลผลิตเป้าหมาย และน้ำหนักระหว่างโหนดได้รับการปรับปรุงเพื่อลดข้อผิดพลาดระหว่างจำลองและผลผลิตเป้าหมาย การออกแบบสถาปัตยกรรม NN ( ทอพอโลยี ) และวิธีการในการฝึกอบรม การทดสอบ การประเมิน และการใช้เครือข่ายเป็นสิ่งสำคัญมาก การออกแบบสถาปัตยกรรม nn nn ประกอบด้วยทางเลือกของขั้นตอนวิธี โครงสร้าง ( จำนวนชั้น และจำนวนเซลล์ประสาทในชั้น ) ฟังก์ชันอินพุตและเอาต์พุต และเรียนรู้ค่า งานวิจัยนี้มุ่งเน้นที่จะกลับแพร่ขั้นตอนวิธีการเรียนรู้วิธีการ วิธีการแพร่กลับ พยายามที่จะลดข้อผิดพลาดในระยะระหว่างผลผลิตของสุทธิประสาทและแท้จริงต้องการออกค่า เงื่อนไขข้อผิดพลาดคำนวณโดยการเปรียบเทียบผลผลิตสุทธิผลลัพธ์ที่ต้องการและจากนั้นป้อนกลับผ่านเครือข่าย ซึ่งทำให้น้ำหนักโปรแกรมจะมีการเปลี่ยนแปลงในความพยายามเพื่อลดข้อผิดพลาด กระบวนการซ้ำจนเกิดข้อผิดพลาดถึงค่าต่ำสุด ( haykin 1994 )