The support vector machine (SVM) me

The support vector machine (SVM) method proposed by Vapnik [7] has been widely applied in the pattern recognition
and nonlinear regression problems. Additionally, SVM has found an increasing amount of applications in modeling and
control of many chemical processes [8-10], because of its good modeling performance. In contrast to NN, the primary
advantage of SVM is that, for a given data-based modeling problem with a finite set of samples, it can automatically
derive the optimal network structure in respect of generalization error [7-10]. In this sense, it can be expected, the SVM method can achieve a better prediction performance of the flooding velocity prediction with limited samples of the flooding data.

ผลลัพธ์ (ไทย) 1:

วิธีเวกเตอร์สนับสนุนเครื่อง (SVM) ซึ่งเสนอ โดย Vapnik [7] ได้ถูกใช้กันอย่างแพร่หลายในการรู้จำแบบและปัญหาการถดถอยไม่เชิงเส้น นอกจากนี้ SVM พบจำนวนโปรแกรมประยุกต์เพิ่มขึ้นในการสร้างโมเดล และควบคุมหลายเคมีกระบวนการ [8-10], เนื่องจากประสิทธิภาพของโมเดลที่ดี ตรงข้าม NN หลักประโยชน์ของ SVM คือ ว่า สำหรับโมเดลข้อมูลโดยกำหนดปัญหาชุดอย่างแน่นอน สามารถได้รับโครงสร้างเครือข่ายที่ดีที่สุดผิดพลาด generalization [7-10] ในความรู้สึกนี้ สามารถคาดหวัง วิธี SVM สามารถบรรลุการทำนายประสิทธิภาพของการคาดการณ์ความเร็วน้ำท่วม มีจำกัดตัวอย่างข้อมูลน้ำท่วม

ผลลัพธ์ (ไทย) 2:

เครื่องสนับสนุนเวกเตอร์ (SVM) วิธีการที่เสนอโดย Vapnik [7] มีการใช้กันอย่างแพร่หลายในการจดจำรูปแบบ
และปัญหาการถดถอยเชิงเส้น นอกจากนี้ SVM ได้พบในปริมาณที่เพิ่มขึ้นของการประยุกต์ใช้ในการสร้างแบบจำลองและ
การควบคุมกระบวนการทางเคมีหลาย [8-10] เพราะผลการดำเนินงานการสร้างแบบจำลองที่ดี ในทางตรงกันข้ามกับ NN, หลัก
ประโยชน์จาก SVM คือว่าสำหรับปัญหาที่ได้รับข้อมูลที่ใช้การสร้างแบบจำลองที่มีการตั้งค่าที่ จำกัด ของตัวอย่างก็จะสามารถ
ได้รับมาจากโครงสร้างเครือข่ายที่ดีที่สุดในแง่ของข้อผิดพลาดทั่วไป [7-10] ในแง่นี้ก็สามารถคาดหวังวิธี SVM สามารถบรรลุผลการดำเนินงานการทำนายที่ดีขึ้นของการคาดคะเนความเร็วน้ำท่วมที่มีจำนวนตัวอย่างที่ จำกัด ของข้อมูลน้ำท่วม

ผลลัพธ์ (ไทย) 3:

สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) วิธีที่เสนอโดย vapnik [ 7 ] มีการใช้กันอย่างแพร่หลายในการจดจำรูปแบบและปัญหาการถดถอยไม่เชิง
. นอกจากนี้ , SVM พบว่ามีปริมาณที่เพิ่มขึ้นของการใช้งานในแบบจำลองและการควบคุมของกระบวนการทางเคมีหลาย
[ 8-10 ] เพราะประสิทธิภาพของแบบจำลองที่ดี ในทางตรงกันข้ามกับ NN , ประโยชน์หลักของ SVM
นั้นคือเพื่อให้ข้อมูลที่ใช้แบบจำลองปัญหากับชุดจำกัดของตัวอย่าง มันสามารถโดยอัตโนมัติ
สืบทอดโครงสร้างเครือข่ายที่เหมาะสมในส่วนของข้อผิดพลาดทั่วไป [ 7 ] ในความรู้สึกนี้ , มันสามารถคาดหวัง , SVM วิธีสามารถบรรลุดีกว่าการคาดการณ์ประสิทธิภาพของการทำนายน้ำท่วมกับความเร็วจำกัดตัวอย่างข้อมูลน้ำท่วม