The use of artificial neural networ

The use of artificial neural network (ANN) models in water resources applications has grown considerably over the last decade. However, an important step in the ANN modelling methodology that has received little attention is the selection of appropriate model inputs. This article is the first in a two-part series published in this issue and addresses the lack of a suitable input determination methodology for ANN models in water resources applications. The current state of input determination is reviewed and two input determination methodologies are presented. The first method is a model-free approach, which utilises a measure of the mutual information criterion to characterise the dependence between a potential model input and the output variable. To facilitate the calculation of dependence in the case of multiple inputs, a partial measure of the mutual information criterion is used. In the second method, a self-organizing map (SOM) is used to reduce the dimensionality of the input space and obtain independent inputs. To determine which inputs have a significant relationship with the output (dependent) variable, a hybrid genetic algorithm and general regression neural network (GAGRNN) is used. Both input determination techniques are tested on a number of synthetic data sets, where the dependence attributes were known a priori. In the second paper of the series, the input determination methodology is applied to a real-world case study in order to determine suitable model inputs for forecasting salinity in the River Murray, South Australia, 14 days in advance.

ผลลัพธ์ (ไทย) 1:

การใช้แบบจำลองโครงข่ายประสาทเทียม (แอน) ในโปรแกรมทรัพยากรน้ำมีการเติบโตอย่างมากมากกว่าทศวรรษ อย่างไรก็ตาม ขั้นตอนสำคัญในวิธีการแบบจำลองแอนที่ได้รับความสนใจน้อยคือ การเลือกที่ช่องรูปแบบที่เหมาะสม บทความนี้เป็นครั้งแรกในชุดสองส่วนในปัญหานี้ และที่อยู่ของวิธีการกำหนดอินพุตที่เหมาะสมสำหรับรุ่นแอนในทรัพยากรน้ำ มีทบทวนสถานะปัจจุบันของการกำหนดอินพุต และแสดงวิธีการกำหนดอินพุตสอง วิธีแรกคือ ฟรีรูปแบบวิธีการ ซึ่งประโยชน์การวัดเกณฑ์ข้อมูลซึ่งกันและกันจะพึ่งพาอาศัยกันระหว่างสัญญาณขาเข้าแบบจำลองอาจเกิดขึ้นและตัวแปรผลลัพธ์ภายใน ใช้การวัดบางส่วนของเงื่อนไขข้อมูลซึ่งกันและกันเพื่อความสะดวกในการคำนวณการพึ่งพาอาศัยกันในกรณีหลายอินพุต ในวิธีการที่สอง แผนที่จัดการตัวเอง (ส้ม) ใช้ในการลดมิติของพื้นที่อินพุต และรับอินพุตเป็นอิสระ การตรวจสอบ อินพุตที่มีความสัมพันธ์ที่สำคัญกับผลลัพธ์ตัวแปร (ขึ้น) อัลกอริทึมพันธุไฮบริ และใช้โครงข่ายประสาทถดถอยทั่วไป (GAGRNN) เทคนิคการกำหนดอินพุตทั้งสองได้รับการทดสอบจำนวนของชุดข้อมูลสังเคราะห์ ที่แอตทริบิวต์พึ่งพารู้นิรนัย ในเอกสารสองชุด การวิธีการป้อนข้อมูลการกำหนดใช้กับกรณีศึกษาจริงเพื่อตรวจสอบอินพุตแบบเหมาะสำหรับการคาดการณ์ความเค็มในแม่น้ำ Murray เซาท์ออสเตรเลีย ล่วงหน้า 14 วัน

ผลลัพธ์ (ไทย) 2:

การใช้เครือข่ายประสาทเทียม (ANN) แบบจำลองในการใช้ทรัพยากรน้ำได้เติบโตขึ้นอย่างมากในช่วงทศวรรษที่ผ่านมา แต่เป็นขั้นตอนที่สำคัญในการสร้างแบบจำลองวิธีการ ANN ที่ได้รับความสนใจน้อยคือการเลือกของปัจจัยการผลิตรูปแบบที่เหมาะสม บทความนี้เป็นครั้งแรกในซีรีส์สองส่วนที่ตีพิมพ์ในปัญหานี้และที่อยู่ขาดความมุ่งมั่นวิธีการป้อนข้อมูลที่เหมาะสมสำหรับรุ่น ANN ในการใช้ทรัพยากรน้ำ สถานะปัจจุบันของความมุ่งมั่นการป้อนข้อมูลการตรวจสอบและความมุ่งมั่นที่สองวิธีการป้อนข้อมูลจะถูกนำเสนอ วิธีแรกเป็นวิธีแบบฟรีซึ่งใช้ตัวชี้วัดของเกณฑ์ข้อมูลร่วมกันที่จะอธิบายลักษณะการพึ่งพาอาศัยกันระหว่างรูปแบบการป้อนข้อมูลที่มีศักยภาพและตัวแปรที่ส่งออก เพื่ออำนวยความสะดวกการคำนวณของการพึ่งพาอาศัยกันในกรณีของหลายปัจจัยการผลิตที่เป็นมาตรการบางส่วนของข้อมูลบรรทัดฐานร่วมกันถูกนำมาใช้ ในวิธีการที่สองแผนที่จัดการตนเอง (SOM) ถูกนำมาใช้เพื่อลดมิติของพื้นที่การป้อนข้อมูลและได้รับปัจจัยการผลิตที่เป็นอิสระ เพื่อตรวจสอบว่าปัจจัยการผลิตที่มีความสัมพันธ์อย่างมีนัยสำคัญกับการส่งออกตัวแปร (ขึ้น) ซึ่งเป็นไฮบริดขั้นตอนวิธีทางพันธุกรรมและเครือข่ายประสาทถดถอยทั่วไป (GAGRNN) ถูกนำมาใช้ ทั้งเทคนิคการป้อนข้อมูลความมุ่งมั่นที่จะมีการทดสอบกับจำนวนของชุดข้อมูลสังเคราะห์ที่แอตทริบิวต์การพึ่งพาอาศัยกันเป็นที่รู้จักกันเบื้องต้น ในกระดาษที่สองของซีรีส์มุ่งมั่นวิธีการป้อนข้อมูลที่ถูกนำไปใช้กรณีศึกษาจริงของโลกในการที่จะกำหนดปัจจัยการผลิตรูปแบบที่เหมาะสมสำหรับการคาดการณ์ความเค็มในแม่น้ำเมอร์เรใต้ของประเทศออสเตรเลียล่วงหน้า 14 วัน

ผลลัพธ์ (ไทย) 3:

การใช้โครงข่ายประสาทเทียม ( ANN ) ในรูปแบบน้ำทรัพยากรการใช้งานเติบโตขึ้นอย่างมากในช่วงทศวรรษที่ผ่านมา แต่เป็นก้าวที่สำคัญในการวิธีการที่แอนได้รับความสนใจน้อยคือการเลือกใช้แบบจำลองที่เหมาะสม บทความนี้เป็นครั้งแรกในชุดที่สองตีพิมพ์ในปัญหานี้และที่อยู่ ขาดการกำหนดวิธีการแบบแอนเหมาะใส่ในแหล่งน้ำต่างๆ สถานะปัจจุบันของการป้อนข้อมูลการตรวจทานและสองวิธีการกำหนดข้อมูลได้แก่ วิธีแรกคือรูปแบบฟรีวิธีการที่ใช้วัดข้อมูลซึ่งกันและกันเพื่อการพึ่งพาเกณฑ์ชันระหว่างข้อมูลโมเดลศักยภาพและการแสดงผลตัวแปร เพื่อความสะดวกในการคำนวณของการพึ่งพาในกรณีของปัจจัยการผลิตหลายมาตรการบางส่วนของข้อมูลซึ่งกันและกัน เกณฑ์ที่ใช้คือ ในวิธีที่สอง บนแผนที่ ( SOM ) ใช้ลด dimensionality ของข้อมูลพื้นที่และได้รับข้อมูลที่เป็นอิสระ เพื่อตรวจสอบ ซึ่งกระผมมีความสัมพันธ์กับผลผลิต ( 2 ) ตัวแปร , ขั้นตอนวิธีเชิงพันธุกรรมแบบทั่วไปถดถอยโครงข่ายประสาท ( gagrnn ) ใช้ ทั้งใส่กำหนดเทคนิค มีการตรวจสอบหมายเลขของชุดข้อมูลสังเคราะห์ ซึ่งขึ้นอยู่กับคุณลักษณะที่รู้จัก priori . ในกระดาษที่สองของชุดข้อมูลการกำหนดวิธีการที่ใช้กับกรณีศึกษาจริง เพื่อหารูปแบบที่เหมาะสมสำหรับพยากรณ์ค่าความเค็มในแม่น้ำ Murray , ออสเตรเลียใต้ , 14 วันล่วงหน้า