In this article, the advantages and

In this article, the advantages and the key issues of the genetic
algorithm evolved neural network has been presented to model the
rainfall–runoff relationship in Ourika catchment. Our methodology
adopts a real coded GA strategy and hybrid with back-propagation
algorithm. The genetic operators are carefully designed to optimize
the neural network, avoiding problems premature convergence
and permutation. The experiment with real rainfall–runoff data
have showed that the predictive performance of the proposed
model is better than that of the traditional BP neural network. This
has been supported by the analysis of the changes of connection
weights and biases of the neural network.
One problem when considering the combination of neural network
and genetic algorithm for rainfall–runoff forecasting is the
determination of the optimal neural network topology. Our neural
network topology described in this experiment is determined manually.
A substitute method is to apply the genetic algorithm for
neural network structure optimization, which will be a part of
our future work.

ผลลัพธ์ (ไทย) 1:

ในบทความนี้ ข้อดี และปัญหาสำคัญของพันธุกรรมที่เครือข่ายประสาทพัฒนาอัลกอริทึมได้ถูกนำเสนอแบบจำลองความสัมพันธ์ปริมาณน้ำฝนที่ไหลบ่า – ในลุ่มน้ำ Ourika วิธีของเราadopts เป็นกลยุทธ์ GA และผสมกับการเผยแพร่หลังรหัสจริงอัลกอริทึมการ ตัวดำเนินการทางพันธุกรรมถูกออกแบบมาเพื่อเพิ่มประสิทธิภาพอย่างระมัดระวังเครือข่ายประสาท หลีกเลี่ยงปัญหาการบรรจบกันก่อนวัยอันควรและการเรียงสับเปลี่ยน ทดลองกับข้อมูลปริมาณน้ำฝนที่จริง – ไหลบ่าได้ชี้ให้เห็นว่าประสิทธิภาพของการนำเสนองานรุ่นดีกว่าที่เครือข่ายประสาท BP แบบดั้งเดิมได้ นี้สนับสนุน โดยการวิเคราะห์การเปลี่ยนแปลงของการเชื่อมต่อน้ำหนักและยอมของเครือข่ายประสาทปัญหาหนึ่งเมื่อพิจารณาชุดของโครงข่ายประสาทและขั้นตอนวิธีพันธุกรรมสำหรับการคาดการณ์ปริมาณน้ำฝนที่ไหลบ่า – การความมุ่งมั่นของโทโพโลยีเครือข่ายประสาทที่เหมาะสม ประสาทของเราโทโพโลยีเครือข่ายในการทดลองนี้จะถูกกำหนดด้วยตนเองวิธีการทดแทนจะใช้อัลกอริทึมทางพันธุกรรมสำหรับเครือข่ายประสาทโครงสร้างเพิ่มประสิทธิภาพ ซึ่งจะเป็นส่วนหนึ่งของงานของเราในอนาคต

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ข้อดีและปัญหาที่สำคัญของพันธุกรรมที่อัลกอริทึมวิวัฒนาการเครือข่ายประสาทได้รับการเสนอให้แบบจำลองความสัมพันธ์ของปริมาณน้ำฝนที่ไหลบ่า-ในการเก็บกักน้ำOurika วิธีการของเราadopts กลยุทธ์ GA รหัสจริงและไฮบริดที่มีการขยายพันธุ์กลับขั้นตอนวิธี ผู้ประกอบการทางพันธุกรรมที่ได้รับการออกแบบอย่างระมัดระวังเพื่อเพิ่มประสิทธิภาพของเครือข่ายประสาทหลีกเลี่ยงปัญหาการบรรจบกันก่อนวัยอันควรและการเปลี่ยนแปลง การทดลองที่มีข้อมูลปริมาณน้ำฝนที่ไหลบ่า-จริงได้แสดงให้เห็นว่าผลการดำเนินงานของการคาดการณ์ที่นำเสนอรูปแบบการดีกว่าที่แบบดั้งเดิมBP เครือข่ายประสาท นี้ได้รับการสนับสนุนโดยการวิเคราะห์การเปลี่ยนแปลงของการเชื่อมต่อน้ำหนักและอคติของเครือข่ายประสาท. ปัญหาหนึ่งเมื่อพิจารณาการรวมกันของเครือข่ายประสาทและขั้นตอนวิธีพันธุกรรมสำหรับการพยากรณ์ปริมาณน้ำฝนที่ไหลบ่า-เป็นความมุ่งมั่นของโครงสร้างเครือข่ายประสาทที่ดีที่สุด ระบบประสาทของเราโครงสร้างเครือข่ายที่อธิบายไว้ในการทดลองนี้จะถูกกำหนดด้วยตนเอง. วิธีการแทนคือการใช้ขั้นตอนวิธีทางพันธุกรรมสำหรับการเพิ่มประสิทธิภาพโครงสร้างเครือข่ายประสาทซึ่งจะเป็นส่วนหนึ่งของการทำงานในอนาคตของเรา