1.3Artificial Neural NetworksAlthou

1.3

Artificial Neural Networks

Although the scientific basis of computational models allows their results to
reveal useful information about their causes and the processes involved, they
can be computationally- and temporally-intensive when modeling fine-scale
7


processes over a large area. Another modeling style is based on statistical
analysis; put simply, the idea is to to use past behavior, rather than scientific
theory, to predict future behavior. A dataset including both the input factors
and the resultant air pollution is fed into a computer model, which refines
itself on the patterns in that dataset. The resultant model can then be used
to predict the pollution levels for new input values.
Neural networks are well-established as a modeling technique for air pollution; in 1991, Boznar et al. [7] used a neural network to model SO 2 emissions
from a power plant. Since then, they have been used to predict a wide range
of pollutants. Comrie [14] found that a neural network model predicted ozone
to within 1-2 ppb of observed values in the 40-70 ppb range, a slightly better performance than a multiple regression model applied to the same data.
Gardner and Dorling [22] ran multiple neural network models predicted NOX
concentrations in London with different timesteps, with their hourly prediction model explaining 92% of observed variation. More recently, Cai et
al. [9] created an ANN model that predicted the concentrations of multiple
pollutants with correlation coefficients over .85, higher than a simple source
dispersion model [24].
Those models, like most neural network pollution models, were based
solely on meteorological and pollution data. Some recent work has incorporated inputs representing other sources and sinks. Zheng et al. [54] include a
large variety of data sources, including taxi movement, human mobility, and
city points of interest, in an ANN model of Beijing'pollution. Though theii
model produced accurate predictions, it did so for air quality index categories
rather than an absolute, numeric measurement of pollution. It also was based
on a 1km-square grid; while this provides a much denser picture of urban air
pollution than the earlier studies, which implemented a model for only a few
points around a city, it fails to capture finer variations in pollution.

ผลลัพธ์ (ไทย) 1:

1.3เครือข่ายประสาทเทียมแม้ว่าพื้นฐานทางวิทยาศาสตร์แบบจำลองคอมพิวเตอร์ช่วยให้ผลลัพธ์ของการเปิดเผยข้อมูลที่เป็นประโยชน์เกี่ยวกับสาเหตุของพวกเขาและกระบวนการเกี่ยวข้อง พวกเขาจะ computationally - และ temporally-เร่งรัดปรับมาตราส่วนการสร้างโมเดล7 กระบวนการผ่านพื้นที่ขนาดใหญ่ แบบจำลองอื่นจะขึ้นอยู่กับสถิติวิเคราะห์ ใส่เพียง ความคิดเป็นการใช้ ผ่านลักษณะการทำ งาน ไม่ ใช่วิทยาศาสตร์ทฤษฎี การทำนายพฤติกรรมในอนาคต ชุดข้อมูลที่รวมทั้งปัจจัยป้อนเข้าและมลพิษทางอากาศผลแก่รับรุ่นคอมพิวเตอร์ ซึ่งบรรยากาศตัวในรูปแบบในชุดข้อมูลนั้น แบบจำลองผลแก่สามารถนำไปใช้เพื่อทำนายระดับมลพิษสำหรับป้อนค่าใหม่เครือข่ายประสาทจะดีขึ้นเป็นเทคนิคสร้างโมเดลสำหรับมลพิษอากาศ ในปีพ.ศ. 2534, Boznar et al. [7] ใช้เครือข่ายประสาทเพื่อปล่อยให้ 2 รูปแบบจากโรงไฟฟ้า หลังจากนั้น ใช้เพื่อทำนายหลากหลายสารมลพิษ Comrie [14] พบว่า แบบจำลองโครงข่ายประสาทคาดว่า โอโซนการภายใน 1-2 ppb ของค่าสังเกตในช่วง 40-70 ppb ประสิทธิภาพการทำงานเล็กน้อยดีกว่าแบบจำลองถดถอยหลายนำไปใช้กับข้อมูลเดียวกันการ์ดเนอร์และสำนักพิมพ์ [22] วิ่งแบบจำลองโครงข่ายประสาทหลายคาดว่า โรงแรมน็อกซ์ความเข้มข้นในลอนดอนกับ timesteps แตกต่างกัน มีการคาดการณ์ชั่วโมงรูปแบบอธิบายถึง 92% ของความแปรปรวนที่พบ เมื่อเร็ว ๆ นี้ ไกร้อยเอ็ดal. [9] สร้างแบบจำลอง ANN ที่ทำนายความเข้มข้นของหลายสารมลพิษ ด้วยสัมประสิทธิ์สหสัมพันธ์กว่า.85 สูงกว่าแหล่งง่ายกระจายตัวแบบจำลอง [24]จากรุ่นที่ เช่นเครือข่ายประสาทสุดมลพิษรุ่นแยกจากอุตุนิยมวิทยา และข้อมูลมลพิษ งานล่าสุดได้รวมปัจจัยการผลิตแทนแหล่งอื่น ๆ และอ่างล้างมือ Al. ร้อยเอ็ดเจิ้ง [54] รวมเป็นหลากหลายแหล่งข้อมูล รวมถึงรถแท็กซี่เคลื่อนไหว เคลื่อนไหวมนุษย์ และน่าสนใจ ในรูปแบบของ Beijing'pollution แอนการเมือง ว่า theiiรุ่นผลิตคาดคะเนถูกต้อง มันไม่ให้ประเภทดัชนีคุณภาพอากาศดี กว่าเป็นแน่นอน ตัวเลขวัดมลพิษ นอกจากนี้ยังเป็นพื้นฐานบนเส้นตารางสี่เหลี่ยมจัตุรัส 1km ในขณะนี้มาก denser รูปอากาศเมืองมลภาวะมากกว่าศึกษาก่อนหน้า การใช้แบบจำลองสำหรับเพียงไม่กี่จุดทั่วเมือง มันล้มเหลวที่จะจับความแตกต่างปลีกย่อยในมลภาวะ

ผลลัพธ์ (ไทย) 2:

1.3 ประดิษฐ์โครงข่ายประสาทแม้ว่าพื้นฐานทางวิทยาศาสตร์ของรูปแบบที่ช่วยให้การคำนวณผลของพวกเขาที่จะเปิดเผยข้อมูลที่เป็นประโยชน์เกี่ยวกับสาเหตุและกระบวนการที่เกี่ยวข้องกับการที่พวกเขาสามารถcomputationally- และชั่วคราวมากเมื่อการสร้างแบบจำลองที่ดีขนาด7 กระบวนการมากกว่าพื้นที่ขนาดใหญ่ รูปแบบการสร้างแบบจำลองอีกจะขึ้นอยู่กับสถิติการวิเคราะห์ ใส่เพียงความคิดที่จะใช้ลักษณะการทำงานที่ผ่านมามากกว่าทางวิทยาศาสตร์ทฤษฎีในการทำนายพฤติกรรมในอนาคต ชุดข้อมูลรวมทั้งปัจจัยการป้อนข้อมูลและมลพิษทางอากาศผลที่จะถูกป้อนเข้าแบบจำลองคอมพิวเตอร์ที่กลั่นตัวเองในรูปแบบในชุดข้อมูลที่ รูปแบบผลลัพธ์นั้นจะสามารถใช้ในการทำนายระดับมลพิษสำหรับค่าที่ป้อนเข้าใหม่. เครือข่ายประสาทเทียมจะดีขึ้นเป็นเทคนิคการสร้างแบบจำลองสำหรับมลพิษทางอากาศ ในปี 1991 Boznar et al, [7] ใช้โครงข่ายประสาทเทียมแบบ SO 2 การปล่อยมลพิษจากโรงไฟฟ้า ตั้งแต่นั้นมาพวกเขาได้รับใช้ในการทำนายความหลากหลายของสารมลพิษ Comrie [14] พบว่ารูปแบบเครือข่ายประสาทคาดการณ์โอโซนไปภายใน1-2 ppb ของค่าสังเกตในช่วง ppb 40-70, ประสิทธิภาพที่ดีขึ้นกว่ารูปแบบการถดถอยพหุคูณนำไปใช้กับข้อมูลเดียวกัน. การ์ดเนอร์และ Dorling [22] วิ่งหลายรูปแบบเครือข่ายประสาทคาดการณ์ NOX ความเข้มข้นในลอนดอนกับ timesteps ที่แตกต่างกันกับรูปแบบการทำนายของพวกเขาอธิบายรายชั่วโมง 92% ของการเปลี่ยนแปลงที่สังเกต เมื่อเร็ว ๆ นี้ซีเอไอเออัล [9] สร้างแบบจำลอง ANN ที่คาดการณ์ความเข้มข้นของหลายมลพิษที่มีค่าสัมประสิทธิ์สหสัมพันธ์มากกว่า0.85 สูงกว่าแหล่งที่เรียบง่ายรูปแบบการกระจายตัว[24]. รุ่นเหล่านั้นเช่นเครือข่ายประสาทมากที่สุดรุ่นมลพิษขึ้นอยู่แต่เพียงผู้เดียวกับข้อมูลอุตุนิยมวิทยาและมลพิษ . บางงานที่ผ่านมาได้รวมปัจจัยการผลิตที่เป็นตัวแทนของแหล่งอื่น ๆ และอ่างล้างมือ เจิ้งเหอ et al, [54] รวมถึงความหลากหลายของแหล่งที่มาของข้อมูลรวมทั้งการเคลื่อนไหวของรถแท็กซี่การเคลื่อนไหวของมนุษย์และจุดเมืองที่น่าสนใจในรูปแบบของแอนBeijing'pollution แม้ว่า theii รูปแบบการผลิตคาดการณ์ถูกต้องก็ทำเช่นนั้นสำหรับประเภทที่ดัชนีคุณภาพอากาศมากกว่าแน่นอนวัดเป็นตัวเลขของมลพิษ นอกจากนี้ยังมีพื้นฐานอยู่บนตาราง 1 กิโลเมตรตาราง; ขณะนี้ให้ภาพที่หนาแน่นมากของอากาศในเมืองมลพิษกว่าการศึกษาก่อนหน้าซึ่งรูปแบบการดำเนินการเพียงไม่กี่จุดรอบเมืองก็ล้มเหลวในการจับภาพรูปแบบปลีกย่อยในมลพิษ

ผลลัพธ์ (ไทย) 3:

1.3 โครงข่ายประสาทเทียม



ถึงแม้พื้นฐานทางวิทยาศาสตร์ของแบบจำลองคอมพิวเตอร์ช่วยให้ผลลัพธ์

เปิดเผยข้อมูลที่เป็นประโยชน์เกี่ยวกับสาเหตุ และกระบวนการที่เกี่ยวข้อง พวกเขาสามารถ computationally
- และยังคงเข้มข้นแบบปรับขนาดเมื่อ

7

กระบวนการมากกว่าพื้นที่ขนาดใหญ่ . อีกแบบสไตล์ขึ้นอยู่กับการวิเคราะห์ทางสถิติ
; ใส่เพียงความคิดคือการใช้พฤติกรรมในอดีต มากกว่าทฤษฎีทางวิทยาศาสตร์
เพื่อทำนายพฤติกรรมในอนาคต ชุดข้อมูลรวมทั้งปัจจัยนำเข้า
และมลพิษทางอากาศซึ่งถูกป้อนลงในคอมพิวเตอร์ซึ่งการกลั่น
ตัวเองในรูปแบบในที่ชุดข้อมูล . รูปแบบซึ่งจากนั้นจะสามารถใช้เพื่อทำนายระดับมลพิษ

ค่าข้อมูลใหม่โครงข่ายประสาทเทียมจะ ดีขึ้น เป็นเทคนิคการสร้างแบบจำลองสำหรับมลพิษทางอากาศ ในปี 1991 boznar et al . [ 7 ] การใช้เครือข่ายประสาทแบบ 2 ปล่อย
จากโรงไฟฟ้า ตั้งแต่นั้นมาพวกเขาได้ทำนายหลากหลาย
ของมลพิษ คอเมอรี่ [ 14 ] พบว่าแบบจำลองโครงข่ายประสาทเทียม คาดภายใน 1-2 ppb โอโซน
ให้สังเกตค่าในช่วง 40-70 ppb ,ประสิทธิภาพที่ดีขึ้นเล็กน้อยกว่าการถดถอย พหุคูณแบบใช้ข้อมูลเดียวกัน
Gardner และดอร์ [ 22 ] รันหลายแบบจำลองโครงข่ายประสาททำนายความเข้มข้นน๊
ในลอนดอนกับ timesteps แตกต่างกันกับการทำนายแบบรายชั่วโมงของพวกเขาอธิบายว่า 92% ของการแปรผัน เมื่อเร็วๆ นี้ ไคร้อยเอ็ด
อัล [ 9 ] สร้างแอนว่าโมเดลทำนายความเข้มข้นของหลาย
มลพิษกับสัมประสิทธิ์สหสัมพันธ์มากกว่า 85 สูงกว่ารูปแบบการกระจายแหล่งที่มาง่าย 24 ] [
.
โมเดลเหล่านั้นเหมือนประสาทที่สุดเครือข่ายมลพิษรุ่นที่ใช้
แต่เพียงผู้เดียวในอุตุนิยมวิทยาและข้อมูลมลพิษ ล่าสุดทำงานได้รวมปัจจัยการผลิตหรือแหล่งอื่น ๆและอ่างล้างมือ เจิ้ง et al . [ 54 ] รวม
ความหลากหลายของแหล่งข้อมูล รวมถึงการเคลื่อนไหวการเคลื่อนไหวของมนุษย์และ
แท็กซี่ ,เมืองจุดที่สนใจในรูปแบบของแอน beijing'pollution . แม้ว่า theii
แบบที่คาดคะเนที่ถูกต้อง มันไม่ดังนั้นสำหรับประเภทดัชนีคุณภาพอากาศ
มากกว่าแน่นอน การวัดมลพิษที่เป็นตัวเลข นอกจากนี้ยังใช้
บนตารางกริด 1 กิโลเมตร ในขณะนี้มีมากที่มีภาพอากาศในเมือง
มลพิษกว่าการศึกษาก่อนหน้านี้ ซึ่งใช้รูปแบบเพียงไม่กี่
จุดรอบเมือง มันล้มเหลวที่จะจับการเปลี่ยนแปลงปลีกย่อยในมลพิษ