A comparison of the rainfall-runoff

A comparison of the rainfall-runoff modelling skill of two ANN configurations, i.e. an MLP and an RBF, is
presented. The results suggest that the choice of the type of network certainly has an impact on the model prediction accuracy. However, a judgment on which is superior is clearly not possible from this study. Both
networks have merits and limitations. In the case of the MLP, the optimal number of hidden neurons is to
be fixed after a long trial-and-error procedure, whereas in the RBF networks the significant regressors can be
fixed using the OLS algorithm. However, the results of the study indicate that the generalization properties
of RBF networks are poor compared with those of MLPs in rainfall-runoff modelling.

ผลลัพธ์ (ไทย) 1:

เป็นการเปรียบเทียบทักษะแบบจำลองปริมาณน้ำฝนที่ไหลบ่าสองแอนกำหนดค่า เช่น MLP มีและ RBF มีนำเสนอ ผลลัพธ์แนะนำให้ เลือกชนิดของเครือข่ายแน่นอนมีผลกระทบในความถูกต้องของการคาดเดาแบบ อย่างไรก็ตาม การตัดสินใจที่จะเหนือกว่าไม่ชัดเจนได้จากการศึกษา ทั้งสองเครือข่ายมีข้อดีและข้อจำกัด ในกรณีของ MLP จำนวนเซลล์ประสาทที่ซ่อนอยู่คือการแก้ไขหลังจากกระบวนการยาวทดลอง และการ ในขณะที่เป็น regressors สำคัญในเครือข่าย RBFแก้ไขโดยใช้อัลกอริทึม OLS อย่างไรก็ตาม ผลการศึกษาระบุว่า คุณสมบัติลักษณะของ RBF เครือข่ายจะไม่ดีเทียบกับของ MLPs ในแบบจำลองปริมาณน้ำฝนที่ไหลบ่า

ผลลัพธ์ (ไทย) 2:

การเปรียบเทียบทักษะการสร้างแบบจำลองปริมาณน้ำฝนที่ไหลบ่า-ของสองกำหนดค่า ANN คือ MLP และ RBF
จะนำเสนอ ผลการวิจัยแนะนำว่าทางเลือกของชนิดของเครือข่ายอย่างแน่นอนมีผลกระทบต่อความถูกต้องของการทำนายรูปแบบที่ อย่างไรก็ตามการตัดสินที่ดีกว่าอย่างชัดเจนไม่เป็นไปได้จากการศึกษาครั้งนี้ ทั้งเครือข่ายมีประโยชน์และข้อ จำกัด
ในกรณีที่ MLP
ในจำนวนที่เหมาะสมของเซลล์ประสาทที่ซ่อนอยู่คือการได้รับการแก้ไขหลังจากขั้นตอนการทดลองและข้อผิดพลาดยาวในขณะที่เครือข่ายRBF regressors
อย่างมีนัยสำคัญสามารถคงใช้ขั้นตอนวิธีOLS อย่างไรก็ตามผลการศึกษาแสดงให้เห็นว่าคุณสมบัติทั่วไปของเครือข่าย RBF ยากจนเมื่อเทียบกับบรรดา MLPs ในการสร้างแบบจำลองปริมาณน้ำฝนที่ไหลบ่า-