ConclusionThe main goal of this stu

Conclusion
The main goal of this study was to improve ANN model
predictions of PM10 levels 1 day ahead by applying PCA
method in the selection of the most significant lagged terms
of the variables as inputs, developing seasonal ANN models
for winter and summer periods, and comparing singular ANN
models as benchmark. The most significant lagged inputs
were three consecutive lags of PM10 and AT according to
PCA runs. In training of ANN models, cascading-training
procedure provided by FANN library was employed, which
produced reasonably successful models. It may thus be an
alternative way to determine the right number of hidden units
in the middle layer of ANNs. For seasonal ANN models, the
overall model agreement in training between modeled and
observed values varied in the range of 0.78–0.83 and R2
values ranged in 0.681–0.727. The best testing R2 values of
seasonal models for winter and summer period models ranged
in 0.709–0.711, with lower testing RMSE values comparing
with the nonseasonal models. Also, seasonal models did not
show a tendency towards overpredicting or underpredicting
the daily average PM10 levels 1 day ahead with better estimates.
This approach appeared to be promising in capturing
nonlinear features in data and could have significant applicability
in the case of the data sets with a large number of
considered inputs.

ผลลัพธ์ (ไทย) 1:

สรุปเป้าหมายหลักของการศึกษานี้คือการ ปรับปรุงรุ่นแอนคาดคะเนระดับ PM10 1 วันข้างหน้า โดยใช้ PCAวิธีการในการเลือกที่สำคัญที่สุด lagged เงื่อนไขของตัวแปรที่เป็นปัจจัยการผลิต พัฒนารุ่นแอนตามฤดูกาลสำหรับฤดูหนาว และช่วงฤดูร้อน และแอนเอกพจน์เปรียบรูปแบบเป็นมาตรฐาน สำคัญ lagged ปัจจัยการผลิตมีล่าช้าติดต่อกัน 3 PM10 และ AT ตามทำ PCA ในการฝึกอบรมรุ่นแอน ซ้อน-การฝึกอบรมขั้นตอนโดย FANN ไลบรารีถูกจ้าง ซึ่งผลิตรุ่นประสบความสำเร็จพอสมควร ดังนั้นอาจจะมีทางเลือกอื่นในการกำหนดจำนวนหน่วยที่ซ่อนอยู่ด้านขวาในชั้นกลางของ ANNs รุ่นแอนตามฤดูกาล การรวม ข้อตกลงรูปแบบในการฝึกอบรมระหว่างจำลอง และค่าสังเกตที่แตกต่างกันในช่วง 0.78 – 0.83 และ R2ค่าอยู่ในช่วงใน 0.681 – 0.727 ทดสอบค่า R2 ดีที่สุดรูปแบบตามฤดูกาลสำหรับฤดูหนาว และฤดูร้อนระยะเวลารุ่นอยู่ในช่วงใน 0.709 – 0.711 กับล่างทดสอบ RMSE ค่าเปรียบเทียบแบบไม่ นอกจากนี้ รูปแบบตามฤดูกาลไม่ได้แสดงแนวโน้มไปที่ overpredicting หรือ underpredictingPM10 เฉลี่ยประจำวันระดับ 1 วันหน้า ด้วยการประเมินที่ดีวิธีการนี้ดูเหมือนจะ เป็นแนวโน้มในการจับคุณสมบัติเชิงเส้นในข้อมูล และอาจมีความสำคัญในกรณีของชุดข้อมูลมีเป็นจำนวนมากถือเป็นปัจจัยการผลิต

ผลลัพธ์ (ไทย) 2:

สรุป
เป้าหมายหลักของการศึกษาครั้งนี้คือการปรับปรุง ANN รูปแบบ
การคาดการณ์ของระดับ PM10 1 วันข้างหน้าโดยใช้ PCA
วิธีการในการเลือกของข้อตกลงสัมปทานที่สำคัญที่สุด
ของตัวแปรเป็นปัจจัยการผลิต, การพัฒนารูปแบบ ANN ตามฤดูกาล
ในช่วงฤดูหนาวและฤดูร้อนระยะเวลาและเปรียบเทียบ เอกพจน์ ANN
รุ่นเป็นมาตรฐาน ที่สำคัญที่สุดปัจจัยการผลิต lagged
สามติดต่อกันของการล่าช้า PM10 และ AT ตาม
PCA ทำงาน ในการฝึกอบรมของแบบจำลองแอน cascading การฝึกอบรม
ขั้นตอนการให้บริการโดยห้องสมุด Fann เป็นลูกจ้างซึ่ง
ผลิตรุ่นที่ประสบความสำเร็จพอสมควร มันจึงอาจจะเป็น
ทางเลือกในการกำหนดจำนวนที่เหมาะสมของหน่วยงานที่ซ่อนอยู่
ในชั้นกลางของ ANNs สำหรับรุ่น ANN ฤดูกาลที่
ข้อตกลงรูปแบบโดยรวมในการฝึกอบรมระหว่างถ่ายแบบและ
ค่าสังเกตที่แตกต่างกันในช่วง 0.78-0.83 และ R2 เรียก
ค่าอยู่ในช่วง 0.681-0.727 ที่ดีที่สุดของการทดสอบค่า R2 ของ
รุ่นตามฤดูกาลในช่วงฤดูหนาวและฤดูร้อนรุ่นระยะเวลาตั้งแต่
ใน 0.709-0.711 มีค่าต่ำลง RMSE ทดสอบเปรียบเทียบ
กับรุ่น nonseasonal นอกจากนี้ยังมีรูปแบบตามฤดูกาลไม่ได้
แสดงให้เห็นแนวโน้มต่อ overpredicting หรือ underpredicting
ระดับ PM10 เฉลี่ยต่อวัน 1 วันข้างหน้าด้วยประมาณการที่ดีกว่า.
วิธีนี้ดูเหมือนจะมีแนวโน้มในการจับภาพ
คุณสมบัติไม่เป็นเชิงเส้นในข้อมูลและอาจจะมีการบังคับใช้อย่างมีนัยสำคัญ
ในกรณีของชุดข้อมูลที่มี เป็นจำนวนมากของ
ปัจจัยการผลิตการพิจารณา

ผลลัพธ์ (ไทย) 3:

สรุปเป้าหมายหลักของการศึกษานี้คือ เพื่อปรับปรุงรูปแบบ แอนการทำนายระดับ PM10 โดยใช้ PCA 1 วันล่วงหน้าวิธีในการเลือกเงื่อนไขสำคัญที่สุดที่ล้าหลังของตัวแปรที่เป็นปัจจัย ในการพัฒนารูปแบบตามฤดูกาล แอนช่วงฤดูหนาว และฤดูร้อน และเปรียบเทียบ เอกพจน์ แอนรุ่นที่เป็นมาตรฐาน . ข้อมูลที่สำคัญที่สุดที่ล้าหลัง3 ติดต่อกัน ล่าช้าของ PM10 และตามวิธีทํางาน ในการฝึกอบรมของแอนแบบฝึก ซ้อนขั้นตอนโดยห้องสมุดฟ่าน เป็นลูกจ้าง ซึ่งผลิตรุ่นที่ประสบความสำเร็จพอสมควร มันอาจจะทำให้เป็นทางเลือกในการตรวจสอบหมายเลขโทรศัพท์ของหน่วยที่ซ่อนอยู่ในชั้นกลางของทาง . สำหรับฤดูกาลแอนรุ่นรูปแบบโดยรวมในการสร้างข้อตกลงระหว่างและตรวจสอบค่าต่างๆในช่วง 0.78 และ 0.83 และอาร์ทูค่าอยู่ใน 0.727 มีประสิทธิภาพ– . ค่า R2 การทดสอบที่ดีที่สุดฤดูกาลรูปแบบฤดูหนาว และฤดูร้อนช่วงระหว่างรุ่นใน 0.709 – 0.711 ด้วยการทดสอบค่า RMSE ที่ต่ำเปรียบเทียบกับรุ่นที่ไม่มี . นอกจากนี้ รูปแบบตามฤดูกาล ไม่ได้แสดงแนวโน้มต่อ overpredicting หรือ underpredictingระดับ PM10 เฉลี่ย 1 วันล่วงหน้า ประมาณกว่าวิธีนี้ปรากฏเป็นแนวโน้มในการจับข้อมูลเชิงคุณลักษณะ และ อาจพบมาสในกรณีของชุดข้อมูลที่มีขนาดใหญ่จำนวนการพิจารณาข้อมูล