The characteristic wavelength varia

The characteristic wavelength variables WRBFNN, The wete selected by by Matlab MWRBFNN procedure was eompiled M 2010a(Mathwork. USA). The basic stepa WRBFNN procedure is as follows A model is developed with the wavelength variables in the moving window which starts at the first wavelength of the spectra and has been optimized by selecting the suitable of hidden nodes using Da criterion The maximum Da value is recorded as the value of the first wavelength in the Da spectra. The moving window moves down a wavelength. And than its wavelength variables are used for developing the RBFNN is also optimized model which as the first RBFNN model and the maximum Da is recorded as the value of the second in the Da spectra. It was done till the moving window moves across over all spectra regions and the Da spectra are recorded for identi- fying the characteristic wavelength regions(Safi et al., The characteristic variables were selected wa by com- bining several moving windows with the maximum Da values. The RBFNN model is developed by the selected characteristic wavelength variables and optimized by selecting the suitable number of moving windows with the maximum Da values(ne), the number of hidden nodes and spread constant. The spread constant is fixed at 2.0 in this optimizing procedure. Finally, the RBFNN model with selected wavelength variables is optimized by selecting the suitable spread constant using Da as criterion

ผลลัพธ์ (ไทย) 1:

ตัวแปรความยาวคลื่นลักษณะ WRBFNN, wete ที่เลือกโดยขั้นตอน Matlab MWRBFNN มี 2010a(Mathwork. eompiled M สหรัฐอเมริกา) ขั้นตอนพื้นฐาน stepa WRBFNN จะเป็นดังนี้คือพัฒนาแบบจำลอง มีตัวแปรความยาวคลื่นในหน้าต่างเคลื่อน ที่เริ่มต้นที่ความยาวคลื่นแรกของแรมสเป็คตราที่ถูกปรับให้เหมาะสม โดยเลือกซ่อนโหนโดยใช้เกณฑ์การดาบันทึกค่าสูงสุดที่ดาเป็นค่าของความยาวคลื่นแรกในแรมสเป็คตราดาเหมาะ หน้าต่างเคลื่อนย้ายลงความ และมากกว่าใช้ตัวแปรของความยาวคลื่นสำหรับการ พัฒนา RBFNN เป็นแบบจำลองให้เหมาะซึ่งเป็นรูปแบบ RBFNN แรกและดาสูงสุดจะถูกบันทึกเป็นค่าที่สองในแรมสเป็คตราดา มันทำจนย้ายหน้าต่างย้ายข้ามแรมสเป็คตราทุกภูมิภาคและแรมสเป็คตราดาถูกบันทึกไว้ใน identi fying ภูมิภาคลักษณะความยาวคลื่น (ซุฟอัม et al. ลักษณะตัวแปรที่ถูกเลือกหว้า โดย com bining windows หลายเคลื่อนที่ มีค่าสูงสุดดา รุ่น RBFNN พัฒนา โดยตัวแปรเลือกลักษณะความยาวคลื่น และปรับ โดยเลือกจำนวน values(ne) ดาสูงสุด หมายเลขของโหนดที่ซ่อนหน้าต่างเคลื่อนที่เหมาะสม และเผยแพร่ค่าคง ค่าคงมาเป็นคงที่ 2.0 นี้เพิ่มประสิทธิภาพกระบวนการ สุดท้าย สุดแบบ RBFNN กับตัวแปรความยาวคลื่นที่เลือก โดยการเลือกคงแพร่กระจายเหมาะใช้ดาเป็นเกณฑ์

ผลลัพธ์ (ไทย) 2:

ตัวแปรความยาวคลื่นลักษณะ WRBFNN ที่ Wete เลือกโดยขั้นตอนโดย Matlab MWRBFNN ถูก eompiled M 2010a (Mathwork. USA) ขั้นตอน WRBFNN Stepa พื้นฐานดังต่อไปนี้รูปแบบจะถูกพัฒนาด้วยตัวแปรความยาวคลื่นในหน้าต่างการย้ายซึ่งเริ่มต้นที่ความยาวคลื่นแรกของสเปกตรัมและได้รับการปรับปรุงโดยการเลือกที่เหมาะสมของโหนดที่ซ่อนอยู่โดยใช้เก​​ณฑ์ดาค่าสูงสุดดาจะถูกบันทึกเป็น ค่าของความยาวคลื่นครั้งแรกในสเปกตรัมดา หน้าต่างย้ายเลื่อนลงความยาวคลื่น และตัวแปรกว่าความยาวคลื่นที่ถูกนำมาใช้ในการพัฒนารูปแบบการ RBFNN เป็นที่ดีที่สุดที่ยังเป็นแบบ RBFNN แรกและสูงสุดดาจะถูกบันทึกเป็นค่าของที่สองในสเปกตรัมดา มันก็ทำจนย้ายย้ายหน้าต่างทั่วทุกภูมิภาคในช่วงสเปกตรัมและสเปกตรัมดาจะถูกบันทึกไว้สำหรับบ่งชี้ถึงภูมิภาคความยาวคลื่นลักษณะ (โครก et al., ตัวแปรลักษณะได้รับการคัดเลือกวาโดยสั่ง bining หลายย้ายหน้าต่างสูงสุดดา ค่า. รุ่น RBFNN จะถูกพัฒนาโดยตัวแปรความยาวคลื่นลักษณะที่เลือกและเพิ่มประสิทธิภาพโดยการเลือกจำนวนที่เหมาะสมในการเคลื่อนย้ายหน้าต่างที่มีค่าสูงสุดดา (ตะวันออกเฉียงเหนือ) จำนวนโหนดที่ซ่อนอยู่และการแพร่กระจายอย่างต่อเนื่อง. การแพร่กระจายอย่างต่อเนื่องจะคงที่ 2.0 ในครั้งนี้ ขั้นตอนการเพิ่มประสิทธิภาพ. สุดท้ายรุ่น RBFNN กับตัวแปรความยาวคลื่นที่เลือกมีการเพิ่มประสิทธิภาพโดยการเลือกการแพร่กระจายที่เหมาะสมอย่างต่อเนื่องโดยใช้ดาเป็นเกณฑ์

ผลลัพธ์ (ไทย) 3:

ตัวแปรคลื่น ลักษณะ wrbfnn , Wete เลือกโดยขั้นตอนโดยโปรแกรม MATLAB mwrbfnn eompiled M 2010a ( mathwork . สหรัฐอเมริกา )พื้นฐาน stepa wrbfnn ขั้นตอนดังต่อไปนี้รูปแบบถูกพัฒนาด้วยความยาวคลื่นตัวแปรในการย้ายหน้าต่างซึ่งเริ่มต้นที่ความยาวคลื่นของสเปกตรัมและได้รับการเพิ่มประสิทธิภาพโดยการเลือกที่เหมาะสมของโหนดที่ซ่อนอยู่โดยใช้เกณฑ์สูงสุด ดาดาค่าจะถูกบันทึกเป็นค่าของแสงแรกในดาแสง . การย้ายหน้าต่างเลื่อนลงเป็นความยาวคลื่นและกว่าของความยาวคลื่นตัวแปรจะใช้เพื่อพัฒนา rbfnn ยังปรับรุ่นซึ่งเป็นรุ่นแรกและสูงสุด rbfnn ดาถูกบันทึกเป็นค่าของ 2 ในดาแสง . มันทำจนหน้าต่างย้ายย้ายข้ามภูมิภาคนี้ทั้งหมด และ ดา แสงจะถูกบันทึกเพื่อ identi - fying ภูมิภาคความยาวคลื่นชนิด ( ซาฟี et al . ,ตัวแปรลักษณะที่ WA โดยดอทคอม - บินิ่ง Windows ย้ายหลายกับสูงสุดดาค่า การ rbfnn รูปแบบถูกพัฒนาขึ้นโดยเลือกลักษณะตัวแปรให้เหมาะสมโดยการเลือกความยาวคลื่นที่เหมาะสม จำนวนของการย้ายหน้าต่างที่มีคุณค่าสูงสุด ดา ( NE ) , จำนวนของโหนดที่ซ่อนอยู่และกระจายคงที่ การแพร่กระจายคงที่คงที่ 2 .0 ในการเพิ่มประสิทธิภาพกระบวนการ ในที่สุด rbfnn แบบจำลองที่มีตัวแปรความยาวคลื่นที่เหมาะ โดยการเลือกที่เหมาะสมเป็นเกณฑ์การกระจายคงดา