Before the on-line processing in do

Before the on-line processing in done, the system needs to be trained using a set of training samples. A Back Propagation Artificial Neural Network was used to perform our classification task. The developer of the Artificial Neural Network has to decide which configuration of the Artificial Neural Network is appropriate for a good out-of-sample prediction. The configuration of the Artificial Neural Network needs to be determined accurately to give an optimal classification result. In our experiment, this configuration included three layers. The first layer is the input layer consisting of 22 neurons, which is the number of features used to describe an image of wheat leaf. The third layer is the output layer and holds only one neuron. While training, the output is set to 1 if the training-image is that of a diseased leaf, else it is set to 0. After conduction experiments on all possible values from 1 to the size of a feature-vector, setting the number of neurons in the hidden second layer to 4 neurons gives the highest possible success-rate in our case.

ผลลัพธ์ (ไทย) 1:

ก่อนการประมวลผลออนไลน์ในทำ ระบบต้องผ่านการฝึกอบรมโดยใช้ชุดฝึกอย่างนี้ การกลับการเผยแพร่โครงข่ายประสาทเทียมใช้ในการทำงานการจัดประเภทของเรา การพัฒนาของโครงข่ายประสาทเทียมมีการตัดสินใจซึ่งการกำหนดค่าของเครือข่ายประสาทเทียมเหมาะสมสำหรับการคาดการณ์ออกของอย่างดี การกำหนดค่าของเครือข่ายประสาทเทียมต้องถูกกำหนดอย่างถูกต้องเพื่อให้ผลการจำแนกประเภทที่เหมาะสม ในการทดลองของเรา การกำหนดค่านี้รวมสามชั้น ชั้นแรกเป็นชั้นอินพุตประกอบด้วย 22 เซลล์ประสาท ซึ่งเป็นหมายเลขของคุณสมบัติที่ใช้เพื่ออธิบายภาพของใบข้าวสาลี ชั้นที่สามเป็นชั้นที่แสดงผล และเก็บเซลล์ประสาทหนึ่งเท่านั้น ในขณะที่การฝึก การแสดงผลตั้งค่าเป็น 1 ถ้ามีการฝึกอบรมรูปที่ใบเป็นโรค อื่นมันถูกตั้งค่าเป็น 0 หลังจากนำทดลองการบนค่าที่เป็นไปได้ทั้งหมดจาก 1 ขนาดของคุณลักษณะเวกเตอร์ การตั้งค่าจำนวนของเซลล์ประสาทในชั้นที่สองซ่อนอยู่กับเซลล์ประสาท 4 ให้สูงที่สุดอัตราความสำเร็จในกรณีของเรา

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะมีการประมวลผลแบบ on-line ในเสร็จแล้วระบบจะต้องผ่านการฝึกอบรมโดยใช้ชุดของตัวอย่างการฝึกอบรม A กลับขยายพันธุ์โครงข่ายประสาทเทียมถูกใช้ในการดำเนินงานการจัดหมวดหมู่ของเรา นักพัฒนาของโครงข่ายประสาทเทียมมีการตัดสินใจที่การตั้งค่าของโครงข่ายประสาทเทียมเป็นที่เหมาะสมสำหรับการคาดการณ์ออกจากตัวอย่างที่ดี การกำหนดค่าของโครงข่ายประสาทเทียมจะต้องมีการกำหนดอย่างถูกต้องเพื่อให้ผลการจัดหมวดหมู่ที่ดีที่สุด ในการทดลองของเรากำหนดค่านี้รวมถึงสามชั้น ชั้นแรกเป็นชั้นการป้อนข้อมูลที่ประกอบด้วยเซลล์ประสาทที่ 22 ซึ่งเป็นจำนวนของคุณสมบัติที่ใช้ในการอธิบายภาพของใบข้าวสาลี ชั้นที่สามเป็นชั้นการส่งออกและถือเพียงหนึ่งเซลล์ประสาท ในขณะที่การฝึกอบรม, การส่งออกถูกกำหนดเป็น 1 ถ้าการฝึกอบรมภาพเป็นที่ของใบที่เป็นโรคอื่นมันถูกกำหนดเป็น 0 หลังจากการทดลองการนำค่าเป็นไปได้ทั้งหมดตั้งแต่วันที่ 1 ขนาดของคุณลักษณะเวกเตอร์, การตั้งค่าจำนวน เซลล์ประสาทในชั้นที่สองที่ซ่อนอยู่ถึง 4 เซลล์ประสาทให้เป็นไปได้ประสบความสำเร็จในอัตราที่สูงที่สุดในกรณีของเรา

ผลลัพธ์ (ไทย) 3:

ก่อนที่จะออนไลน์ในการประมวลผลเสร็จ ระบบจะต้องฝึกการใช้ชุดของตัวอย่างการฝึกอบรม หลังการใช้โครงข่ายประสาทเทียมเพื่อปฏิบัติงานหมวดหมู่ของเรา นักพัฒนาของโครงข่ายประสาทเทียมมีการตัดสินใจที่การตั้งค่าของโครงข่ายประสาทเทียมที่เหมาะสมสำหรับดีออกจากตัวอย่างคำทำนาย การปรับแต่งของโครงข่ายประสาทเทียมต้องตัดสินใจที่ถูกต้องเพื่อให้หมวดหมู่ที่เหมาะสม ผล ในการทดลองของเรา การปรับแต่งนี้มี 3 ชั้น ชั้นแรกคือชั้น 22 ข้อมูลประกอบด้วยเซลล์ประสาท ซึ่งจํานวนคุณลักษณะที่ใช้อธิบายภาพของข้าวสาลีใบ ชั้นที่สามเป็นชั้น และเก็บผลผลิตเพียงหนึ่งเซลล์ . ในขณะที่การฝึกอบรม ผลผลิตถูกตั้งค่าเป็น 1 ถ้าภาพการฝึกอบรมเป็นใบที่เป็นโรค อื่น มันถูกตั้งค่าเป็น 0 หลังจากจัดการทดลองค่าทั้งหมดที่เป็นไปได้จาก 1 ขนาดของเวกเตอร์ลักษณะการตั้งค่าจำนวนเซลล์ประสาทในชั้นซ่อนที่สอง 4 เซลล์ประสาทให้อัตราความสำเร็จสูงสุดในคดีของเรา