The functional approach to calculat

The functional approach to calculate the three indices of wildfire ignition
was performed through the use of a multi-layer perceptron
(MLP) that had been trained with the back-propagation algorithm
(Rumelhart and McClelland, 1986). All three networks had one hidden
layer with six hidden nodes for the FWI, four hidden nodes for the FHI
and eight hidden nodes for the FRI (Vasilakos et al., 2007). The logistic
function was used for the activation between inputs and hidden layer;
and the identity function was used for the activation of the output. A
learning rate of r = 0.1 was chosen, whereas the output neuron was
considered activated in case of an output value above 0.5. By taking
into consideration the mean square error in a training and a validation
dataset, best results were achieved after 100 epochs for the FWI, 1500
epochs for the FHI and 1000 epochs for the FRI (Vasilakos et al., 2007).
It should be noted also that the parameters have been chosen to reflect
the wildland fire ignition pattern based on the fire ignition causes of our
study area. Hence, the model itself is applicable to another study area
only if it will be trained with the fire history data of the new area. The
output Fire Ignition Index map (Fig. 4) portrays the geographical probability
of a new fire ignition, classified into 5 categories: low risk (0–40);
medium risk (41–60); high risk (61–80); very high risk (81–90); and
alarm risk status (91–100). The system is designed to function in an automated
mode daily at 10:00 am local time, in the same way used for
the creation of the weather maps. The SKIRON model provides all the
necessary forecasted weather prediction data to be used as inputs.
Fire ignition and weather prediction maps in Virtual Fire are produced
daily. However, the processing time needed for this creation
was considerably high, due to large input datasets. To confront this

ผลลัพธ์ (ไทย) 1:

วิธีการทำงานในการคำนวณดัชนีทั้งสามของจุดระเบิดไฟป่าทำโดยใช้เพอร์เซปตรอนแบบหลายชั้น(MLP) ที่ได้รับการฝึกอบรมกับอัลกอริทึมกลับมาเผยแพร่(Rumelhart และ McClelland, 1986) มีเครือข่ายทั้งหมดสามหนึ่งซ่อนอยู่ชั้น 6 ซ่อนโหนสำหรับ FWI โหนสี่ซ่อนสำหรับ FHIและโหนดที่ซ่อนแปดสำหรับ FRI (Vasilakos et al., 2007) การโลจิสติกฟังก์ชันที่ใช้สำหรับการเรียกใช้ระหว่างอินพุตและชั้นซ่อนและใช้สำหรับการเรียกใช้ผลลัพธ์ฟังก์ชันเอกลักษณ์ Aเรียนรู้อัตราของ r = 0.1 ถูกเลือก ในขณะเซลล์ประสาทออกถือว่าเปิดใช้งานในกรณีของค่าผลผลิตข้างต้น 0.5 โดยการนำพิจารณาข้อผิดพลาดของค่าเฉลี่ยกำลังสองในการฝึกอบรมและการตรวจสอบชุดข้อมูล สุดสำเร็จหลัง 100 epochs สำหรับ FWI, 1500epochs สำหรับ FHI และ epochs 1000 สำหรับ FRI (Vasilakos et al., 2007)มันควรจดบันทึกยังว่า พารามิเตอร์ได้รับเลือกถึงรูปแบบการจุดระเบิดไฟสม่ำเสมอ wildland ตามสาเหตุไฟจุดระเบิดของเราศึกษาที่ตั้ง ดังนั้น รูปแบบตัวเองเป็นพื้นที่การศึกษาอื่นเมื่อจะได้รับการอบรมกับข้อมูลประวัติไฟของใหม่ ที่แสดงผลแผนที่ดัชนีไฟจุดระเบิด (Fig. 4) portrays ความน่าเป็นทางภูมิศาสตร์ของยังใหม่ไฟจุดระเบิด แบ่งได้เป็น 5 ประเภท: ต่ำความเสี่ยง (0 – 40);ความเสี่ยงปานกลาง (41 – 60); ความเสี่ยงสูง (61-80); ความเสี่ยงสูงมาก (81-90); และปลุกสถานะความเสี่ยง (91-100) ระบบถูกออกแบบมาเพื่อทำงานในการอัตโนมัติโหมดทุกวันเวลา 10:00 น.ภายใน แบบเดียวกับที่ใช้สำหรับการสร้างแผนที่สภาพอากาศ รุ่น SKIRON มีทั้งหมดข้อมูลพยากรณ์อากาศคาดการณ์จำเป็นที่จะใช้เป็นอินพุตไฟจุดระเบิดและอากาศทำนายแผนที่ในไฟเสมือนผลิตทุกวัน อย่างไรก็ตาม เวลาการประมวลผลที่จำเป็นสำหรับการสร้างนี้ไม่สูงมาก เนื่องจากอินพุต datasets ขนาดใหญ่ การเผชิญหน้านี้

ผลลัพธ์ (ไทย) 2:

วิธีการทำงานในการคำนวณดัชนีสามของการเผาไหม้ไฟป่า
ได้ดำเนินการผ่านการใช้ตรอนหลายชั้น
(MLP) ที่ได้รับการฝึกอบรมที่มีขั้นตอนวิธีการขยายพันธุ์กลับ
(Rumelhart และแมคคลีแลนด์ 1986) ทั้งสามเครือข่ายมีหนึ่งที่ซ่อนอยู่
ชั้นหกโหนดที่ซ่อนอยู่สำหรับ FWI สี่โหนดที่ซ่อนอยู่สำหรับ FHI
และแปดโหนดที่ซ่อนอยู่สำหรับศุกร์ (Vasilakos et al., 2007) โลจิสติก
ฟังก์ชั่นที่ใช้สำหรับยืนยันการใช้งานระหว่างปัจจัยการผลิตและชั้นที่ซ่อนอยู่
และการทำงานของตัวตนที่ใช้สำหรับยืนยันการใช้งานของการส่งออก
อัตราการเรียนรู้ของ r = 0.1 ได้รับการแต่งตั้งในขณะที่เซลล์ประสาทที่ส่งออกได้รับการ
พิจารณาการเปิดใช้งานในกรณีที่มีมูลค่าส่งออกสูงกว่า 0.5 โดยการ
เข้าสู่การพิจารณาข้อผิดพลาดตารางค่าเฉลี่ยในการฝึกอบรมและการตรวจสอบ
ชุด, ผลลัพธ์ที่ดีที่สุดก็ประสบความสำเร็จหลังจากที่ 100 epochs สำหรับ FWI, 1500
epochs สำหรับ FHI และ 1000 epochs สำหรับศุกร์ (Vasilakos et al., 2007).
มันควรจะเป็น ยังตั้งข้อสังเกตว่าพารามิเตอร์ได้รับเลือกเพื่อสะท้อนให้เห็นถึง
รูปแบบการจุดระเบิดไฟไหม้ป่าขึ้นอยู่กับสาเหตุการเผาไหม้ของไฟของเรา
พื้นที่การศึกษา ดังนั้นรูปแบบของตัวเองมีผลบังคับใช้กับพื้นที่การศึกษาอื่น
เพียงว่ามันจะได้รับการอบรมที่มีข้อมูลประวัติไฟของพื้นที่ใหม่
เอาท์พุทไฟจุดระเบิดดัชนีแผนที่ (. รูปที่ 4) portrays ความน่าจะเป็นทางภูมิศาสตร์
ของจุดระเบิดไฟใหม่แบ่งออกเป็น 5 ประเภทมีความเสี่ยงต่ำ (0-40)
ความเสี่ยงปานกลาง (41-60); มีความเสี่ยงสูง (61-80); มีความเสี่ยงสูงมาก (81-90); และ
สถานะความเสี่ยงปลุก (91-100) ระบบถูกออกแบบมาเพื่อทำงานในอัตโนมัติ
โหมดทุกวันเวลา 10.00 นตามเวลาท้องถิ่นในลักษณะเดียวกับที่ใช้สำหรับ
การสร้างแผนที่อากาศ รูปแบบ Skiron ให้ทุก
สิ่งที่จำเป็นที่คาดการณ์ข้อมูลการพยากรณ์อากาศเพื่อนำไปใช้เป็นปัจจัยการผลิต.
ไฟจุดระเบิดและแผนที่การคาดการณ์สภาพอากาศในไฟเสมือนจริงที่มีการผลิต
ในชีวิตประจำวัน แต่เวลาในการประมวลผลที่จำเป็นสำหรับการสร้างนี้
อยู่ในระดับสูงมากเนื่องจากการป้อนชุดข้อมูลขนาดใหญ่ ที่จะเผชิญหน้านี้

ผลลัพธ์ (ไทย) 3:

แนวทางการทำงานเพื่อคำนวณค่า
3 จุดไฟป่าแสดงผ่านการใช้ medium เพอร์เซปตรอน
( MLP ) ที่ได้รับการฝึกด้วย back-propagation ขั้นตอนวิธี
( และ rumelhart McClelland , 1986 ) ทั้งสามเครือข่ายได้หนึ่งซ่อน
ชั้นกับโหนดที่ซ่อนอยู่หกสำหรับ fwi สี่โหนดที่ซ่อนอยู่สำหรับ FHI
และปมที่ซ่อน แปด ศ. ( vasilakos et al . , 2007 )การทำงานโลจิสติกส์
ใช้เปิดใช้งานระหว่างอินพุตและชั้นซ่อน ;
และฟังก์ชั่นเอกลักษณ์คือใช้สำหรับการกระตุ้นการส่งออก a
อัตราการเรียนรู้ของ R = 0.1 ถูกเลือก ในขณะที่ผลผลิตเซลล์คือ
ถือว่าใช้งานในกรณีของผลผลิตสูงกว่า 0.5 โดยการ
พิจารณาความคลาดเคลื่อนกำลังสองเฉลี่ยในการฝึกอบรมและการตรวจสอบข้อมูล
,ผลลัพธ์ที่ดีที่สุดคือยุคสมัยหลังได้รับ 100 สำหรับ fwi 1500
ยุคสมัยสำหรับ FHI และ 1000 ยุคสมัยในวันศุกร์ ( vasilakos et al . , 2007 ) .
มันควรจะสังเกตได้ว่าค่าพารามิเตอร์ที่ได้เลือกที่จะสะท้อน
Wildland ไฟจุดระเบิดแบบใช้ไฟจุดระเบิด สาเหตุจากพื้นที่ศึกษาของเรา

ดังนั้น รูปแบบตัวเองได้อีก
พื้นที่ศึกษาแต่ถ้าจะฝึกด้วยไฟข้อมูลประวัติของพื้นที่ใหม่
แผนที่แสดงดัชนีการจุดระเบิดไฟ ( รูปที่ 4 ) แสดงให้เห็นถึงความเป็นไปได้ของการจุดระเบิดไฟ
ภูมิศาสตร์ใหม่ แบ่งออกเป็น 5 ประเภท : ความเสี่ยงต่ำ ( 0 – 40 ) ;
ความเสี่ยงปานกลาง ( 41 - 60 ) ; ความเสี่ยงสูง ( 61 - 80 ) ; ความเสี่ยงสูงมาก ( 81 - 90 ) ; และ
สถานะ ความเสี่ยงภัย ( 91 - 100 ) ระบบถูกออกแบบมาเพื่อการทำงานในโหมดอัตโนมัติ
ทุกวันที่ 10 :00 น. ตามเวลาท้องถิ่นในวิธีเดียวกับที่ใช้สำหรับ
สร้างอากาศแผนที่ การ skiron รูปแบบให้ทุก
จำเป็นพยากรณ์พยากรณ์อากาศข้อมูลเพื่อใช้เป็นปัจจัยการผลิต และไฟจุดระเบิด
แผนที่การพยากรณ์อากาศในไฟเสมือนจริงที่ผลิต
ทุกวัน อย่างไรก็ตาม เวลาในการประมวลผลที่จำเป็นสำหรับการสร้างนี้
มีสูงมาก เนื่องจากข้อมูลการป้อนข้อมูลขนาดใหญ่ เพื่อจัดการ