inputs} = {network outputs}. Auto-a

inputs} = {network outputs}. Auto-associative networks are one of the classic Artificial Neural Network (ANN) architectures used
commonly in robotics, machine learning, and signal processing. They have been used for a wide variety of pattern processing problems
such as cleaning up noisy pictures and recognizing known pictures when partially occluded1. Some of the known applications that
auto-associative networks are typically used in are: noise reduction, replacement of missing sensor values, gross error detection and
correction, and signal processing.
The purpose of training a highly-parameterized, nonlinear network in these areas is that feed-forward networks trained on the identity
function can perform several useful data screening tasks with appropriate internal architectures2. In other words, this particular type of
network is trained to reproduce its inputs and its output(s). The network is forced to represent the input patterns in fewer dimensions,
creating a compressed representation. These compressed representations may reveal interesting generalizations about the data. A typical
architecture of an auto-associative network contains 3 hidden layers, which are, respectively, called mapping layer, bottle neck layer,
and de-mapping layer3. This approach has been used by some researchers 4, 5, 6 to reduce the dimensionality (# of nodes) of the hidden
layer in ANNs for the commonly used applications listed above. The auto-associative network approach has been used in some
engineering areas for about two decades. However, it has not been explored in civil engineering, where artificial intelligence is mostly
referred to as a function approximation method. In this study, the auto-associative network approach was explored by using seven
engineering databases that contain both categorical and continuous variables. For this reason, model development of the autoassociative
network was considered with only one hidden layer. More than one hidden layer combined with an insufficient number of
databases may cause the network to memorize the data in the training phase7. Consequently, models were developed with only one
hidden layer to maintain the generalization capability of the network.
Auto-associative network is based on mapping n input variables into n output variables. In order to obtain predictions from this network,
an initial estimate of the controlled variable (i.e. output) has to be included as an input. For this reason, each database was utilized to
develop an ANN prediction as an input in the model development and then applied to auto-associative network approach. The four
sequential training stages for all seven databases and their desired criteria to choose the optimal network structures of auto-associative
network models are explained in the following sections. Even though the developed models are optimized on both inputs and output,
in this study only the output variable was evaluated in terms of statistical accuracy measures. Therefore, results presented in this study
are limited to output variables.

ผลลัพธ์ (ไทย) 1:

อินพุต} = {แสดงผลเครือข่าย} เครือข่ายที่เกี่ยวข้องโดยอัตโนมัติเป็นหนึ่งในสถาปัตยกรรมประดิษฐ์ประสาทเครือข่าย (แอน) คลาสสิกที่ใช้โดยทั่วไปในหุ่น เครื่องเรียนรู้ และการประมวลผลสัญญาณ ใช้สำหรับหลากหลายของรูปแบบการประมวลผลปัญหาล้างภาพเสียงดัง และการจดจำรูปภาพชื่อดังเมื่อบางส่วน occluded1 บางโปรแกรมประยุกต์ที่รู้จักที่โดยทั่วไปใช้เครือข่ายแบบจับคู่อัตโนมัติในใจ: ลดเสียงรบกวน การแทนที่ของขาดค่าเซนเซอร์ ตรวจสอบข้อผิดพลาดรวม และการแก้ไข และการประมวลผลสัญญาณวัตถุประสงค์ของการฝึกอบรมเครือข่ายสูงค่าพารามิเตอร์ การไม่เชิงเส้นในพื้นที่เหล่านี้จะว่า ไปดึงข้อมูลเครือข่ายการฝึกอบรมกับเอกลักษณ์ฟังก์ชันสามารถเสนอข้อมูลที่เป็นประโยชน์หลายตรวจงานกับ architectures2 ภายในที่เหมาะสม ในคำอื่น ๆ เฉพาะชนิดนี้เครือข่ายคือการฝึกอบรมเพื่อสร้างของอินพุตและการ output(s) เครือข่ายถูกบังคับให้แสดงรูปแบบอินพุตในขนาดน้อยกว่าสร้างการแสดงที่บีบอัด นำเสนอเหล่านี้บีบอัดอาจเปิดเผย generalizations ที่น่าสนใจเกี่ยวกับข้อมูล โดยทั่วไปสถาปัตยกรรมของเครือข่ายแบบจับคู่อัตโนมัติประกอบด้วย 3 ซ่อนชั้น ที่มี ตามลำดับ เรียกว่าแมปชั้น ชั้นที่คอขวดและยกเลิกการแม็ป layer3 วิธีการนี้ถูกใช้ โดยนักวิจัยบาง 4, 5, 6 เพื่อลด dimensionality (#โหน) ของที่ซ่อนอยู่ชั้นใน ANNs สำหรับโปรแกรมประยุกต์ที่ใช้บ่อยข้าง มีการใช้วิธีเครือข่ายที่เกี่ยวข้องโดยอัตโนมัติในบางวิศวกรรมศาสตร์พื้นที่สำหรับสองทศวรรษ อย่างไรก็ตาม จะได้ไม่ถูกอุดมวิศวกรรมโยธา ที่ปัญญาประดิษฐ์เป็นส่วนใหญ่เรียกว่าวิธีการประมาณฟังก์ชันการ ในการศึกษานี้ วิธีการเครือข่ายแบบจับคู่อัตโนมัติถูกสำรวจโดยเจ็ดฐานข้อมูลวิศวกรรมศาสตร์ที่ประกอบด้วยตัวแปรที่แน่ชัด และต่อเนื่อง ด้วยเหตุนี้ รุ่น autoassociative พัฒนาเครือข่ายถือว่า มีชั้นเดียวซ่อน ชั้นหนึ่งซ่อนอยู่รวมกับจำนวนไม่เพียงพอของฐานข้อมูลอาจทำให้เกิดเครือข่ายข้อมูลใน phase7 ฝึกท่องจำ ดังนั้น รุ่นได้รับการพัฒนาเฉพาะตัวชั้นซ่อนอยู่เพื่อรักษาความสามารถในการ generalization ของเครือข่ายเครือข่ายแบบจับคู่อัตโนมัติตามแม็ปตัวแปรอินพุท n เป็น n ตัวแปรแสดงผล เพื่อที่จะได้รับการคาดคะเนจากเครือข่ายนี้การประเมินเบื้องต้นของตัวแปรที่ควบคุมได้ (เช่นผลลัพธ์) จะเป็นการป้อนข้อมูล ด้วยเหตุนี้ แต่ละฐานข้อมูลถูกใช้เพื่อการทำนายแอนเป็นอินพุตในการพัฒนารูปแบบพัฒนา และกับเครือข่ายแบบจับคู่อัตโนมัติวิธีการ สี่ฝึกตามลำดับขั้นสำหรับฐานข้อมูลทั้งหมดเจ็ดและเกณฑ์ความต้องการเลือกโครงสร้างเครือข่ายที่ดีที่สุดของแบบจับคู่อัตโนมัติรูปแบบเครือข่ายมีอธิบายในส่วนต่อไปนี้ แม้ว่ารูปแบบการพัฒนานี้เหมาะทั้งอินพุตและเอาพุในการศึกษานี้ เท่าตัวแปรผลลัพธ์ถูกประเมินในแง่ของความแม่นยำทางสถิติมาตรการ ดังนั้น ผลลัพธ์ที่นำเสนอในการศึกษานี้จะจำกัดตัวแปรผลลัพธ์

ผลลัพธ์ (ไทย) 2:

ปัจจัยการผลิต} = {} เครือข่ายเอาท์พุท เครือข่ายอัตโนมัติเชื่อมโยงเป็นหนึ่งในคลาสสิกโครงข่ายประสาทเทียม (ANN) สถาปัตยกรรมที่ใช้
กันทั่วไปในหุ่นยนต์, เครื่องเรียนรู้และการประมวลผลสัญญาณ พวกเขาได้ถูกนำมาใช้สำหรับความหลากหลายของรูปแบบการประมวลผลปัญหา
เช่นการทำความสะอาดภาพที่มีเสียงดังและตระหนักถึงภาพที่รู้จักกันเมื่อบางส่วน occluded1 บางส่วนของโปรแกรมที่รู้จักกันว่า
เครือข่ายอัตโนมัติเชื่อมโยงมักจะใช้ในการคือการลดเสียงรบกวนการเปลี่ยนค่าที่ขาดหายไปเซ็นเซอร์ตรวจจับความผิดพลาดขั้นต้นและ
. การแก้ไขและการประมวลผลสัญญาณ
วัตถุประสงค์ของการฝึกอบรมสูงแปรเครือข่ายเชิงเส้นในพื้นที่เหล่านี้เป็น ว่าเครือข่ายฟีดไปข้างหน้าได้รับการฝึกฝนในตัวตน
ฟังก์ชั่นไม่สามารถดำเนินการคัดกรองข้อมูลที่เป็นประโยชน์กับหลาย architectures2 ภายในที่เหมาะสม ในคำอื่น ๆ ประเภทนี้โดยเฉพาะของ
เครือข่ายได้รับการฝึกฝนในการทำซ้ำปัจจัยการผลิตและผลผลิตของตน (s) เครือข่ายถูกบังคับให้เป็นตัวแทนของรูปแบบการป้อนข้อมูลในมิติที่น้อยกว่า
การสร้างการแสดงที่ถูกบีบอัด การแสดงที่ถูกบีบอัดเหล่านี้อาจแสดงให้เห็นภาพรวมที่น่าสนใจเกี่ยวกับข้อมูล โดยทั่วไป
สถาปัตยกรรมของเครือข่ายเชื่อมโยงอัตโนมัติมี 3 ชั้นที่ซ่อนอยู่ซึ่งจะตามลำดับชั้นที่เรียกว่าการทำแผนที่ชั้นคอขวด
และการทำแผนที่ Layer3 วิธีการนี้ถูกนำมาใช้โดยนักวิจัยบางคนที่ 4, 5, 6 เพื่อลดมิติ (# ของโหนด) ของที่ซ่อนอยู่
ในชั้น ANNs สำหรับการใช้งานที่ใช้กันทั่วไปที่กล่าวข้างต้น วิธีการที่เครือข่ายเชื่อมโยงอัตโนมัติได้รับการใช้ในบาง
พื้นที่วิศวกรรมประมาณสองทศวรรษที่ผ่านมา แต่ก็ยังไม่ได้รับการสำรวจในงานวิศวกรรมโยธาที่ปัญญาประดิษฐ์ส่วนใหญ่
จะเรียกว่าเป็นวิธีการประมาณฟังก์ชั่น ในการศึกษานี้วิธีการที่เครือข่ายอัตโนมัติเชื่อมโยงมีการสำรวจโดยใช้เจ็ด
ฐานข้อมูลทางวิศวกรรมที่มีทั้งตัวแปรเด็ดขาดและต่อเนื่อง ด้วยเหตุนี้การพัฒนารูปแบบของ autoassociative
เครือข่ายได้รับการพิจารณาด้วยชั้นที่ซ่อนอยู่เพียงคนเดียว มากกว่าหนึ่งชั้นที่ซ่อนอยู่รวมกันมีจำนวนไม่เพียงพอของ
ฐานข้อมูลที่อาจก่อให้เกิดเครือข่ายในการจดจำข้อมูลใน phase7 การฝึกอบรม ดังนั้นรูปแบบที่ได้รับการพัฒนามีเพียงหนึ่ง
ชั้นที่ซ่อนอยู่เพื่อรักษาความสามารถในการทั่วไปของเครือข่าย.
เครือข่ายอัตโนมัติเชื่อมโยงจะขึ้นอยู่กับตัวแปร n ทำแผนที่เป็นตัวแปรที่ส่งออก n เพื่อที่จะได้รับการคาดการณ์จากเครือข่ายนี้
ประมาณในเบื้องต้นของตัวแปรควบคุม (เช่นการส่งออก) จะต้องมีการรวมเป็นอินพุท ด้วยเหตุนี้แต่ละฐานข้อมูลที่ถูกนำมาใช้เพื่อ
พัฒนาทำนาย ANN เป็น input ในการพัฒนารูปแบบและจากนั้นนำไปใช้กับวิธีการที่เครือข่ายเชื่อมโยงอัตโนมัติ สี่
ขั้นตอนการฝึกอบรมตามลำดับสำหรับทุกเจ็ดฐานข้อมูลและเกณฑ์ที่ต้องการของพวกเขาที่จะเลือกโครงสร้างเครือข่ายที่ดีที่สุดของอัตโนมัติเชื่อมโยง
รูปแบบเครือข่ายมีการอธิบายในส่วนต่อไปนี้ แม้ว่ารูปแบบการพัฒนาที่เหมาะสมในปัจจัยการผลิตและการส่งออก
ในการศึกษาครั้งนี้เท่านั้นตัวแปรที่ส่งออกได้รับการประเมินในแง่ของมาตรการความถูกต้องทางสถิติ ดังนั้นผลที่นำเสนอในการศึกษาครั้งนี้
จะถูก จำกัด ให้ตัวแปรเอาท์พุท

ผลลัพธ์ (ไทย) 3:

กระผม } { 2 } = เครือข่าย . โดยอัตโนมัติเชื่อมโยงเครือข่ายเป็นหนึ่งในคลาสสิกแบบจำลองโครงข่ายใยประสาทเทียมที่ใช้กันทั่วไปในสถาปัตยกรรม
หุ่นยนต์การเรียนรู้ของเครื่องและประมวลผลสัญญาณ พวกเขาได้ถูกใช้สำหรับหลากหลายของปัญหาการประมวลผลรูปแบบ
เช่นทำความสะอาดภาพดังภาพ เมื่อรู้จักและตระหนักถึง occluded1 บางส่วน บางส่วนของที่รู้จักกันดีโปรแกรม
โดยอัตโนมัติเชื่อมโยงเครือข่ายโดยทั่วไปจะใช้ในการลดเสียงรบกวนการเปลี่ยนเซ็นเซอร์หายไปค่า การตรวจสอบข้อผิดพลาดและการแก้ไขเบื้องต้น

และการประมวลผลสัญญาณ วัตถุประสงค์ของการฝึกอบรมสูงพารามิเตอร์ค่าเครือข่ายในพื้นที่เหล่านี้คือ feed-forward เครือข่ายการฝึกอบรมในตัวตน
ฟังก์ชันที่สามารถแสดงข้อมูลที่เป็นประโยชน์กับการคัดกรองหลายงานภายในที่เหมาะสม architectures2 . ในคำอื่น ๆนี้ประเภทเฉพาะของเครือข่ายผ่านการทำซ้ำ
ของปัจจัยการผลิตและผลผลิตของมัน ( s ) เครือข่ายจะถูกบังคับให้แสดงข้อมูลในรูปแบบบีบอัดน้อยกว่าขนาด
การเป็นตัวแทนเหล่านี้อัดแทนอาจเปิดเผยทั่วไปที่น่าสนใจเกี่ยวกับข้อมูล สถาปัตยกรรมทั่วไป
ของการเชื่อมโยงเครือข่ายอัตโนมัติมี 3 ชั้นซ่อน ซึ่งตามลำดับ เรียกว่าชั้นการทำแผนที่ , ขวดชั้นคอ
และ de แผนที่ layer3 . วิธีการนี้ได้ถูกใช้โดยนักวิจัยบาง 4 , 5 , 6 เพื่อลด dimensionality ( #โหนด )
ที่ซ่อนอยู่ในชั้นทางสำหรับโปรแกรมที่ใช้กันทั่วไปที่ระบุข้างต้น เครือข่ายโดยอัตโนมัติเชื่อมโยงเข้าหาได้ถูกใช้ในบางพื้นที่วิศวกรรม
ประมาณสองทศวรรษที่ผ่านมา อย่างไรก็ตาม ยังไม่ได้รับการสำรวจทางวิศวกรรมโยธา ซึ่งปัญญาประดิษฐ์เป็นส่วนใหญ่
เรียกว่าฟังก์ชันการประมาณค่าโดยวิธี ในการศึกษานี้ เครือข่ายโดยอัตโนมัติเชื่อมโยงวิธีการสำรวจโดยใช้เจ็ด
ฐานข้อมูลวิศวกรรมที่ประกอบด้วยตัวแปรทั้งสองอย่างแท้จริงและต่อเนื่อง ด้วยเหตุนี้ การพัฒนารูปแบบของเครือข่าย autoassociative
ถือว่ามีเพียงหนึ่งที่ซ่อนอยู่ชั้น มากกว่าหนึ่งชั้นซ่อนรวมกับจำนวนที่ไม่เพียงพอของ
ฐานข้อมูล อาจจะทำให้เครือข่ายจำข้อมูลในการฝึกอบรม phase7 . จึงถูกพัฒนาขึ้น มีเพียงหนึ่ง
รุ่นชั้นซ่อนเพื่อรักษาความสามารถในการสร้างเครือข่าย เชื่อมโยงเครือข่ายอัตโนมัติ
ขึ้นอยู่กับแผนที่ใส่ในตัวแปร n n ผลตัวแปร เพื่อที่จะได้รับคำทำนายจากเครือข่ายนี้
ประมาณเริ่มต้นของตัวแปรควบคุม ( เช่นผลผลิต ) ต้องรวมเป็นข้อมูล ด้วยเหตุผลนี้ แต่ละฐานข้อมูลใช้

พัฒนาระบบการพยากรณ์ แอน เป็นข้อมูลในการพัฒนารูปแบบและจากนั้นใช้วิธีการเชื่อมโยงเครือข่ายโดยอัตโนมัติ 4
( การฝึกอบรมขั้นตอนทั้ง 7 ฐานข้อมูลและเกณฑ์ของพวกเขาที่ต้องการที่จะเลือกที่เหมาะสมของโครงสร้างเครือข่ายเชื่อมโยงเครือข่ายแบบอัตโนมัติ
ได้อธิบายไว้ในส่วนต่อไปนี้ แม้ว่าแบบจำลองที่ดีที่สุดทั้งปัจจัยการผลิตและผลผลิต
ในการศึกษานี้ผลผลิตตัวแปรถูกประเมินในแง่ของมาตรการสถิติความแม่นยำ . ดังนั้น ผลลัพธ์ที่แสดงในการศึกษา
จำกัดอยู่ที่ตัวแปรเอาท์พุท