Rainfall forecasting using ANNs has

Rainfall forecasting using ANNs has been the focus herein. Three types of ANNs suitable for
this task were identified, developed, and compared; these networks were
l multilayer feedforward neural network (MLFN),
l Elman partial recurrent neural network (Elman), and
l time delay neural network (TDNN).
All the above alternative networks could make reasonable forecast of rainfall one time step (15
minutes) ahead for 16 gauges concurrently.
In addition, the following points were observed.
For each type of network, there existed an optimal complexity, which was a function of
the number of hidden nodes and the lag of the network.
All three networks had comparable performance when they were developed and trained
to reach their optimal complexities.
Networks with lower lag tended to outperform the ones with higher lag. This indicates
that the 15min. rainfall time series have very short term memory characteristics.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์ปริมาณน้ำฝนใช้ ANNs แล้วโฟกัสนี้ สามชนิดของ ANNs ที่เหมาะสมงานนี้ได้ระบุ พัฒนา และเปรียบ เทียบ เครือข่ายเหล่านี้ได้l feedforward หลายชั้นโครงข่ายประสาท (MLFN),l Elman บางส่วนเกิดซ้ำโครงข่ายประสาท (Elman), และl เวลาระหว่างโครงข่ายประสาท (TDNN)ทั้งหมดข้างต้นทางเลือกเครือข่ายสามารถทำให้การคาดการณ์ที่เหมาะสมของปริมาณน้ำฝนเวลาขั้นตอนเดียว (15นาที) ล่วงหน้าสำหรับมาตรวัด 16 พร้อมนอกจากนี้ ต่อไปนี้ถูกดำเนินการสำหรับแต่ละชนิดของเครือข่าย มีอยู่ที่ซับซ้อนสูงสุด ซึ่งเป็นฟังก์ชันของหมายเลขของโหนที่ซ่อนไว้และความล่าช้าของเครือข่ายเครือข่ายที่สามทั้งหมดมีประสิทธิภาพเทียบเท่าเมื่อได้รับการพัฒนา และฝึกอบรมการเข้าถึงความซับซ้อนของพวกเขาเหมาะสมที่สุดเครือข่ายที่ มีความล่าช้าด้านล่างมีแนวโน้มที่มีประสิทธิภาพสูงกว่าที่ มีความล่าช้าสูง บ่งชี้ว่า ชุดเวลาฝน 15 นาทีมีลักษณะหน่วยความจำสั้นมาก

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ปริมาณน้ำฝนโดยใช้ ANNs ได้รับความสนใจในที่นี้ สามประเภทของ ANNs
เหมาะสำหรับงานนี้ถูกระบุว่าได้รับการพัฒนาและเมื่อเทียบ; เครือข่ายเหล่านี้เป็นลิตรหลายเครือข่ายประสาทคราท (MLFN) ลิตร Elman บางส่วนเครือข่ายประสาทกำเริบ (เอลแมน) และl ระยะเวลาล่าช้าเครือข่ายประสาท (TDNN). ทุกเครือข่ายทางเลือกดังกล่าวข้างต้นจะทำให้การคาดการณ์ที่เหมาะสมของปริมาณน้ำฝนในขั้นตอนเดียวเวลา (15 นาที) ไปข้างหน้า 16 เกจพร้อมกัน. นอกจากนี้จุดต่อไปนี้ถูกตั้งข้อสังเกต. สำหรับประเภทของแต่ละเครือข่ายมีอยู่ซับซ้อนที่ดีที่สุดซึ่งเป็นฟังก์ชั่นของจำนวนโหนดที่ซ่อนอยู่และความล่าช้าของเครือข่ายที่. ทั้งสามเครือข่ายมีประสิทธิภาพเทียบเคียง เมื่อพวกเขาได้รับการพัฒนาและการฝึกอบรมที่จะไปถึงความซับซ้อนที่ดีที่สุดของพวกเขา. เครือข่ายที่มีความล่าช้าต่ำมีแนวโน้มที่จะมีประสิทธิภาพสูงกว่าคนที่มีความล่าช้าที่สูงขึ้น นี้แสดงให้เห็นว่า 15 นาที อนุกรมเวลาปริมาณน้ำฝนมีลักษณะของความทรงจำระยะสั้นมาก