It was seen that for most parameter

It was seen that for most parameters, there is a lot of difference between the influence had by colour on physical and chemical parameters and had on colour by those same parameters. It was expected that there would be broad agreement between the relative connection weight influence of any one physical or chemical parameter on colour and vice versa, but this is not the case. This disagreement between the two network types is suspected to be due to the fact that the average connection weight influence was taken across several networks in each case, with some parameters
predicted relatively inaccurately. This could result in high levels of variance for parameter relationships amongst those parameters that are less successfully predicted. An example would be extractable manganese, which is not very well predicted by colour (Tables 2 & 3) but which appears to have a strong influence on colour (Figs. 1 and 2). The neural network models predicting colour from chemical composition were unable to produce consistent high or low connection weights from extractable manganese as an input parameter, and the initial randomisation of the models was therefore relatively unchanged. However, when applied to parameters that are predicted with more accuracy, we find that relatively high predictive ability does not imply strong relationships between input and output parameters. A high level of relationship strength variation was seen across the 127 networks used, resulting in mean values that are not meaningful. This indicates that the sensitivity analysis of the neural network models was not as useful in this case as it has been in others, and that other approaches should be used for multiple networks.

ผลลัพธ์ (ไทย) 1:

มันได้เห็นว่า พารามิเตอร์ส่วนใหญ่ มีจำนวนมากของความแตกต่างระหว่างอิทธิพลได้ โดยสีบนพารามิเตอร์ทางกายภาพ และเคมี และสีได้ ด้วยพารามิเตอร์ที่เหมือนกัน มันถูกคาดว่า จะมีข้อตกลงผ่อนระหว่างอิทธิพลน้ำหนักสัมพัทธ์เชื่อมต่อใด ๆ หนึ่งทางกายภาพ หรือเคมีพารามิเตอร์สี และในทางกลับกัน แต่ไม่ใช่ กันระหว่างสองเครือข่ายชนิดนี้ถูกสงสัยว่าเป็นเนื่องจากข้อเท็จจริงที่ว่าเชื่อมต่อเฉลี่ยน้ำหนักอิทธิพลถูกนำข้ามเครือข่ายต่าง ๆ ในแต่ละกรณี มีบางพารามิเตอร์
ทำนายค่อนข้างอย่างไม่ถูกต้อง นี้อาจส่งผลในระดับสูงของผลต่างสำหรับพารามิเตอร์ความสัมพันธ์ท่ามกลางปัจจัยเหล่านี้ที่ประสบความสำเร็จน้อยทำนาย ตัวอย่างจะเป็น extractable แมงกานีส ซึ่งไม่ดีคาดว่า ด้วยสี (& 2 ตารางที่ 3) แต่ที่ดูเหมือนจะมีอิทธิพลในสี (Figs. 1 และ 2) แบบจำลองโครงข่ายประสาทคาดการณ์สีจากองค์ประกอบทางเคมีไม่สามารถผลิตน้ำหนักสอดคล้องเชื่อมต่อสูง หรือต่ำจากแมงกานีส extractable เป็นพารามิเตอร์ป้อนเข้า และ randomisation เริ่มต้นของแบบจำลองได้ดังนั้นค่อนข้างไม่เปลี่ยนแปลง อย่างไรก็ตาม เมื่อใช้กับพารามิเตอร์ที่คาดว่า มีความแม่นยำมากขึ้น เราพบว่า ความสามารถในการคาดการณ์ที่ค่อนข้างสูงได้เป็นความสัมพันธ์ที่แข็งแกร่งระหว่างอินพุต และเอาท์พุตพารามิเตอร์ การเปลี่ยนแปลงความสัมพันธ์ในระดับสูงได้เห็นข้ามเครือข่าย 127 ที่ใช้ ได้ค่าเฉลี่ยที่มีความหมาย บ่งชี้ว่า การวิเคราะห์ความไวของแบบจำลองโครงข่ายประสาทไม่เป็นประโยชน์ในกรณีนี้มันมีคนอื่น และควรใช้วิธีอื่นสำหรับหลายเครือข่าย

ผลลัพธ์ (ไทย) 2:

ก็เห็นว่าสำหรับพารามิเตอร์ส่วนใหญ่มีเป็นจำนวนมากของความแตกต่างระหว่างอิทธิพลโดยมีสีบนพารามิเตอร์ทางกายภาพและทางเคมีและมีสีโดยพารามิเตอร์เดียวกันนั้น มันเป็นที่คาดว่าจะมีข้อตกลงในวงกว้างระหว่างอิทธิพลน้ำหนักการเชื่อมต่อความสัมพันธ์ของพารามิเตอร์ใดทางหนึ่งหรือสารเคมีกับสีและในทางกลับกัน แต่กรณีนี้ไม่ได้ ความขัดแย้งระหว่างสองประเภทเครือข่ายนี้เป็นผู้ต้องสงสัยว่าเป็นเพราะความจริงที่ว่ามีอิทธิพลต่อการเชื่อมต่อน้ำหนักเฉลี่ยถูกนำผ่านเครือข่ายหลายแห่งในแต่ละกรณีที่มีพารามิเตอร์บางอย่าง
ที่คาดการณ์ไว้ค่อนข้างไม่ถูกต้อง ซึ่งอาจส่งผลให้ระดับสูงของความแปรปรวนสำหรับความสัมพันธ์ระหว่างพารามิเตอร์พารามิเตอร์เหล่านั้นที่มีการคาดการณ์ไว้ประสบความสำเร็จน้อย ตัวอย่างจะเป็นแมงกานีสที่สกัดได้ซึ่งไม่ได้คาดการณ์ไว้เป็นอย่างดีด้วยสี (ตารางที่ 2 และ 3) แต่ที่ดูเหมือนจะมีอิทธิพลต่อสี (มะเดื่อ. 1 และ 2) แบบจำลองโครงข่ายประสาทเทียมทำนายสีจากองค์ประกอบทางเคมีไม่สามารถที่จะผลิตที่สอดคล้องกันสูงหรือต่ำน้ำหนักการเชื่อมต่อจากแมงกานีสที่สกัดเป็นพารามิเตอร์การป้อนข้อมูลและการสุ่มเริ่มต้นของรุ่นจึงค่อนข้างคงที่ แต่เมื่อนำไปใช้กับพารามิเตอร์ที่มีการคาดการณ์ว่ามีความถูกต้องมากขึ้นเราพบว่าความสามารถในการคาดการณ์ที่ค่อนข้างสูงไม่ได้หมายความถึงความสัมพันธ์ที่แข็งแกร่งระหว่างอินพุทและเอาท์พุทพารามิเตอร์ ระดับสูงของการเปลี่ยนแปลงความสัมพันธ์ที่ถูกมองข้ามเครือข่ายที่ใช้ 127 ส่งผลให้ค่าเฉลี่ยที่ไม่ได้มีความหมาย นี้แสดงให้เห็นว่าการวิเคราะห์ความไวของแบบจำลองเครือข่ายประสาทที่ไม่เป็นประโยชน์ในกรณีนี้ตามที่ได้รับในคนอื่น ๆ และว่าวิธีการอื่น ๆ ควรจะใช้สำหรับเครือข่ายหลาย

ผลลัพธ์ (ไทย) 3:

จะเห็นได้ว่าตัวแปรส่วนใหญ่มีความแตกต่างมากมายระหว่างอิทธิพลได้ โดยสีในพารามิเตอร์ทางกายภาพ เคมี และสี โดยมีพารามิเตอร์เดียวกัน คาดว่าจะมีข้อตกลงที่กว้างระหว่างญาติต่อน้ำหนักอิทธิพลใด ๆ หนึ่งพารามิเตอร์ทางกายภาพหรือทางเคมีเกี่ยวกับสี และในทางกลับกัน แต่นี้เป็นกรณีที่ไม่นี้ความขัดแย้งระหว่างสองเครือข่ายประเภทที่ถูกสงสัยว่าเป็นเพราะความจริงที่ว่าน้ำหนักเฉลี่ยต่ออิทธิพลถ่ายผ่านเครือข่ายหลายในแต่ละกรณี มีบางพารามิเตอร์
ทำนายค่อนข้างไม่ถูกต้อง . ซึ่งอาจส่งผลในระดับสูงของความแปรปรวนพารามิเตอร์พารามิเตอร์ความสัมพันธ์ในหมู่ผู้ที่ประสบความสำเร็จน้อยกว่าคาดการณ์ตัวอย่างจะเป็นธาตุแมงกานีส ซึ่งไม่ได้เป็นอย่างดี คาดด้วยสี ( ตารางที่ 2 & 3 ) แต่ปรากฎว่ามีอิทธิพลมากต่อสี ( Figs 1 และ 2 ) ที่ทำนายจากแบบจำลองโครงข่ายประสาทสีเคมีไม่สามารถผลิตสอดคล้องสูงหรือการเชื่อมต่อต่ำปริมาณแมงกานีสจากน้ำหนักเป็นข้อมูลพารามิเตอร์และ randomisation เริ่มต้นของรุ่นจึงค่อนข้างไม่เปลี่ยนแปลง อย่างไรก็ตาม เมื่อใช้กับพารามิเตอร์ที่คาดการณ์ด้วยความถูกต้องมากขึ้น เราพบว่า ความสามารถในการทำนายความเสี่ยงสูงไม่ได้หมายความถึงความสัมพันธ์ที่แข็งแกร่งระหว่างการป้อนข้อมูลและพารามิเตอร์ที่ส่งออก ระดับของการเปลี่ยนแปลงความแข็งแรงความสัมพันธ์ที่เห็นผ่าน 127 เครือข่ายที่ใช้ซึ่งหมายถึงค่านิยมที่ไม่ได้มีความหมาย นี้บ่งชี้ว่า การวิเคราะห์ความอ่อนไหวของแบบจำลองโครงข่ายประสาทเทียมที่ไม่ได้เป็นประโยชน์ในกรณีนี้ตามที่ได้รับในผู้อื่น และควรใช้วิธีการอื่น ๆหลายเครือข่าย