The Artificial Neural Network (ANN)

The Artificial Neural Network (ANN) is a powerful data-driven model that can capture and represent both linear and non-linear relationships
between input and output data. Hence, ANNs have been widely used for the prediction and forecasting of water quality variables, to treat the
uncertainty of contaminant source, and nonlinearity of water quality data. However, the initial weight parameter problem and imbalanced
training data set make it difficult to assess the optimality of the results obtained, and impede the performance of ANN modeling. This study
attempted to employ the ensemble modeling technique to estimate the performance of the ANN without the influence of initial weight parameters
on the model results, and to apply several clustering methods, to alleviate the imbalance of the training data set. An ANN ensemble
model was developed, and applied to forecast the water quality variables, pH, DO, turbidity (Turb), TN, and TP, at Sangdong station, on the
Nakdong River. The optimal ANN models for each water quality variable could be selected from the ensemble modeling. The optimal ANN
models for pH, DO, TN, and TP, of which the training target data set was distributed evenly, showed good results, with R squared higher than
0.90. But the ANN model for Turb, of which the training data set was imbalanced, showed large RMSE (11.8 NTU), and low R squared (0.58).
The training data set of Turb was partitioned into several classes, by conjunctive clustering methods according to the patterns of data set for each
number of clusters. The ANN ensemble models for Turb with the clustered training data set (clustered ANN models) were then developed. All
clustered ANN models for Turb showed better results, than the model without clustering. In particular, the three-clustered ANN model showed
an increase of R squared from 0.58 to 0.88, and a decrease of total RMSE from 11.8 NTU to 6.3 NTU.
© 2015 International Association for Hydro-environment Engineering and Research, Asia Pacific Division. Published by Elsevier B.V. All rights
reserved.

ผลลัพธ์ (ไทย) 1:

มีประสิทธิภาพขับเคลื่อนข้อมูลแบบที่สามารถจับภาพ และแสดงความสัมพันธ์เชิงเส้น และไม่เชิงเส้น เป็นการประดิษฐ์ประสาทเครือข่าย (แอน)ระหว่างข้อมูลอินพุท และเอาท์พุท ดังนั้น ANNs ได้รับกันอย่างแพร่หลายใช้ในการทำนาย และคาดการณ์แปรคุณภาพน้ำ การรักษาความไม่แน่นอนของแหล่งสารปนเปื้อน nonlinearity ข้อมูลคุณภาพน้ำ อย่างไรก็ตาม ต้นน้ำหนักพารามิเตอร์ imbalanced และปัญหาชุดข้อมูลการฝึกอบรมทำให้ยากที่จะประเมิน optimality ของผลได้รับ และถ่วงประสิทธิภาพของแอนที่สร้างโมเดล การศึกษานี้พยายามจ้างวงดนตรีเทคนิคการประเมินประสิทธิภาพของแอนน์ไม่มีอิทธิพลของน้ำหนักเริ่มต้นพารามิเตอร์การสร้างโมเดลผลแบบจำลอง และ การใช้หลายวิธีระบบคลัสเตอร์ บรรเทาความไม่สมดุลของชุดข้อมูลการฝึกอบรม แอนน์เพลิดเพลินรุ่นพัฒนา และใช้การคาดการณ์ตัวแปรคุณภาพน้ำ pH, DO ความขุ่นของน้ำ (Turb), TN และ TP ที่สถานี Sangdong ในการแม่น้ำ Nakdong สามารถเลือกรูปแบบแอนเหมาะสมสำหรับแต่ละตัวแปรคุณภาพน้ำจากโมเดลวงดนตรี แอนดีที่สุดรุ่น pH, DO, TN และ TP ซึ่งชุดข้อมูลเป้าหมายการฝึกอบรมมีการกระจายอย่างสม่ำเสมอ แสดงให้เห็นผลลัพธ์ที่ดี มีสัมประสิทธิ์สหสัมพันธ์สูงกว่า0.90 แต่แบบแอนสำหรับ Turb ซึ่งชุดข้อมูลการฝึกอบรมถูก imbalanced พบ RMSE ใหญ่ (11.8 NTU), และ R ต่ำลอการิทึม (0.58)ชุดข้อมูลฝึกอบรมของ Turb ถูกแบ่งออกเป็นหลายชั้น โดย conjunctive ระบบคลัสเตอร์วิธีการตามรูปแบบของชุดข้อมูลสำหรับแต่ละหมายเลขของคลัสเตอร์ แล้วได้พัฒนารูปแบบวงดนตรีแอนสำหรับ Turb มีการตั้งค่าข้อมูลการฝึกอบรมกลุ่ม (คลัสเตอร์แอนรุ่น) ทั้งหมดรุ่นแอนคลัสเตอร์สำหรับ Turb แสดงให้เห็นผลลัพธ์ที่ดีขึ้น กว่าแบบไม่มีคลัสเตอร์ โดยเฉพาะ รูปแอนน์จับกลุ่มสามแสดงให้เห็นว่าการเพิ่มขึ้นของ R ลอการิทึม 0.58 0.88 และการลดลงของ RMSE รวมจาก 11.8 NTU การ 6.3 NTU© 2015 ระหว่างประเทศสมาคมวิศวกรรมสิ่งแวดล้อมน้ำและวิจัย เอเชียแปซิฟิกส่วน เผยแพร่ โดย Elsevier b.v สิทธิทั้งหมดจอง

ผลลัพธ์ (ไทย) 2:

ประสาทเทียมเครือข่าย (ANN)
เป็นรูปแบบที่ขับเคลื่อนด้วยข้อมูลที่มีประสิทธิภาพที่สามารถจับภาพและเป็นตัวแทนของทั้งสองมีความสัมพันธ์เชิงเส้นและไม่เชิงเส้นระหว่างข้อมูลเข้าและส่งออก ดังนั้น ANNs
มีการใช้กันอย่างแพร่หลายสำหรับการทำนายและการคาดการณ์ของตัวแปรคุณภาพน้ำในการรักษาความไม่แน่นอนของแหล่งที่มาของสารปนเปื้อนและไม่เป็นเชิงเส้นของข้อมูลคุณภาพน้ำ
อย่างไรก็ตามปัญหาพารามิเตอร์น้ำหนักเริ่มต้นและการขาดดุลข้อมูลการฝึกอบรมชุดทำให้มันยากที่จะประเมินความเหมาะสมของผลที่ได้รับและเป็นอุปสรรคต่อการปฏิบัติงานของการสร้างแบบจำลองแอน การศึกษาครั้งนี้พยายามที่จะจ้างงานเทคนิคการสร้างแบบจำลองชุดเพื่อประเมินประสิทธิภาพการทำงานของแอนที่ไม่มีอิทธิพลของพารามิเตอร์น้ำหนักเริ่มต้นเกี่ยวกับผลการรูปแบบและการจัดกลุ่มใช้วิธีการหลายเพื่อบรรเทาความไม่สมดุลของข้อมูลการฝึกอบรมชุด วงดนตรี ANN รูปแบบได้รับการพัฒนาและนำมาใช้ในการคาดการณ์ตัวแปรคุณภาพน้ำมีค่า pH, DO, ความขุ่น (turb), เทนเนสซีและ TP, ที่สถานี Sangdong บนแม่น้ำNakdong แอนรุ่นที่ดีที่สุดสำหรับแต่ละตัวแปรคุณภาพน้ำอาจจะเลือกจากการสร้างแบบจำลองทั้งมวล แอนดีที่สุดรูปแบบการวัดค่า pH, DO, เทนเนสซีและ TP ซึ่งเป้าหมายการฝึกอบรมชุดข้อมูลที่ถูกกระจายอย่างสม่ำเสมอแสดงให้เห็นผลที่ดีกับ R ยืดสูงกว่า 0.90 แต่รูปแบบ ANN สำหรับ turb ซึ่งข้อมูลชุดการฝึกอบรมได้รับการขาดดุลแสดงให้เห็น RMSE ขนาดใหญ่ (11.8 NTU) และต่ำ R ยืด (0.58). ชุดข้อมูลการฝึกอบรมของ turb ถูกแบ่งออกเป็นหลายชั้นเรียนโดยวิธีการจัดกลุ่มที่เชื่อมต่อกันตาม รูปแบบของชุดข้อมูลสำหรับแต่ละจำนวนกลุ่ม แอนรุ่นชุดสำหรับ turb กับชุดข้อมูลการฝึกอบรมคลัสเตอร์ (คลัสเตอร์แบบจำลอง ANN) ได้รับการพัฒนาแล้ว ทั้งหมดคลัสเตอร์แบบจำลอง ANN สำหรับ turb แสดงให้เห็นผลลัพธ์ที่ดีขึ้นกว่ารุ่นโดยไม่ต้องจัดกลุ่ม โดยเฉพาะอย่างยิ่งรูปแบบแอนสามคลัสเตอร์แสดงให้เห็นว่าการเพิ่มขึ้นของ R ยืด 0.58-0.88 และลดลง RMSE รวมจาก 11.8 NTU 6.3 NTU. © 2015 สมาคมระหว่างประเทศเพื่อ Hydro-สภาพแวดล้อมวิศวกรรมและการวิจัยเอเชียกองแปซิฟิก จัดทำโดย Elsevier BV สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียม ( ANN ) เป็นรูปแบบ - ที่มีประสิทธิภาพที่สามารถจับภาพและแสดงความสัมพันธ์เชิงเส้นระหว่าง
ทั้งสองและนำเข้าและส่งออกข้อมูล . ดังนั้น แอนน์ได้ถูกใช้เพื่อทำนายและพยากรณ์ของตัวแปรคุณภาพน้ำ การรักษา
ความไม่แน่นอนของแหล่งปนเปื้อน และค่าของข้อมูลคุณภาพน้ำ อย่างไรก็ตามน้ำหนักเริ่มต้นพารามิเตอร์ปัญหาและข้อมูลการฝึกอบรม imbalanced
ชุดทำให้มันยากที่จะประเมินคุณภาพของผลลัพธ์ที่ได้ และขัดขวางการปฏิบัติงานของแอน โมเดลลิ่ง การศึกษา
พยายามจ้างวงดนตรีแบบประเมินการปฏิบัติงานของแอน ปราศจากอิทธิพลของพารามิเตอร์ในแบบจำลอง
น้ำหนักผล และใช้ข้อมูลหลายวิธีเพื่อลดความไม่สมดุลของการฝึกอบรมชุดข้อมูล เป็นแอน ensemble
รูปแบบการพัฒนาและประยุกต์เพื่อพยากรณ์ตัวแปรคุณภาพน้ำ , pH , DO , ความขุ่น ( โทษ ) , TN , และ TP ที่ sangdong สถานีบน
แม่น้ำนัคดอง . ที่เหมาะสมสำหรับแต่ละตัวแปรคุณภาพน้ำแบบ แอน อาจจะเลือกจากชุดแบบจำลอง เหมาะสมแอน
รูปแบบ pH , DO , TN , TP ,ซึ่งเป้าหมายการฝึกอบรมชุดข้อมูลถูกกระจาย พบผลลัพธ์ที่ดีกับ R กำลังสองสูงกว่า
1 . แต่แอนแบบโทษ ซึ่งการฝึกชุดข้อมูลเป็น imbalanced , พบ RMSE ขนาดใหญ่ ( 11.8 NTU ) และต่ำ r ยกกำลังสอง ( 1 )
การฝึกอบรมชุดข้อมูลโทษคือ แบ่งเป็นหลายชั้น โดยการแบ่งกลุ่มวิธีการตามรูปแบบของชุดข้อมูลสำหรับแต่ละ
จำนวนของกลุ่ม ส่วนแอนชุดรูปแบบด้วยการโทษแบบชุดข้อมูล ( แบบแอนรุ่น ) แล้วพัฒนา ทั้งหมดเป็นกลุ่มแอน
แบบโทษให้ผลดีกว่าแบบจำลองโดยไม่แบ่งกลุ่มข้อมูล โดยเฉพาะสามรูปแบบ พบกลุ่มแอน
เพิ่ม R กำลังสองจาก 0.58 0.88 และลดลงของวิธีการทั้งหมดจาก 11.8 NTU
บุคคลเอ็นทียูสงวนลิขสิทธิ์ 2015 สมาคมวิศวกรรมสิ่งแวดล้อมน้ำและวิจัยกองเอเชีย แปซิฟิก ที่ตีพิมพ์โดยเอลส์นำเสนอสิทธิ
สงวน