Here,the related parameters can be

Here,
the related parameters can be referred to literatures in [14,15].
The comparison results of the LS-SVM model and the
traditional models are shown in Fig. 3. The prediction
performance of traditional models is not stable because the
prediction results of the three types of packings show the
obvious difference. In contrast to that, the LS-SVM gives
better generalization than the traditional models, with all the
RMSE of about 7 %. Generally, the packing constants are
obtained from experiments with specific conditions. Even
with the same type of packing, these constants cannot adapt
themselves to the packings with different diameters, or
different operation conditions in packed towers [4,14].
Consequently, the traditional empirical equations may appear
large fluctuation when they are employed for the prediction of
different packings. Fortunately, the LS-SVM model does not
have these restrictions. The training set includes various types
of packing data, which makes the LS-SVM model acquire
more information during learning. Therefore, the good and
stable prediction of the LS-SVM model can be achieved.

ผลลัพธ์ (ไทย) 1:

ที่นี่พารามิเตอร์ที่เกี่ยวข้องที่สามารถอ้างอิงถึง literatures ใน [14,15]ผลการเปรียบเทียบแบบ LS SVM และแสดงรูปแบบดั้งเดิมใน Fig. 3 คำทำนายประสิทธิภาพของรูปแบบดั้งเดิมไม่มีเสถียรภาพเนื่องจากการผลทำนายดูลเครื่องสามชนิดความแตกต่างที่เห็นได้ชัด ตรงข้ามที่ LS-SVM ให้ดี generalization กว่ารุ่นดั้งเดิม กับการRMSE ประมาณ 7% ทั่วไป มีค่าคงที่ที่บรรจุได้จากการทดลองกับเงื่อนไขที่ระบุ แม้มีชนิดเดียวกันของการจัดส่ง ค่าคงที่เหล่านี้ไม่สามารถปรับเปลี่ยนตัวเองเพื่อลเครื่องกับปัจจุบันแตกต่างกัน หรือเงื่อนไขการดำเนินการต่าง ๆ ในอาคารบรรจุ [4,14]ดังนั้น สมการประจักษ์ดั้งเดิมอาจปรากฏผันผวนมากเมื่อพวกเขาถูกว่าจ้างในคำทำนายของลเครื่องแตกต่างกัน โชคดี แบบ LS SVM ไม่ได้ข้อจำกัดเหล่านี้ได้ ชุดฝึกอบรมประกอบด้วยชนิดต่าง ๆบันทึกข้อมูล ซึ่งทำให้รุ่น LS SVM ได้รับข้อมูลเพิ่มเติมในระหว่างการเรียนรู้ ดังนั้น ดี และสามารถทำได้ทำนายเสถียรภาพของรุ่น LS SVM

ผลลัพธ์ (ไทย) 2:

ที่นี่
พารามิเตอร์ที่เกี่ยวข้องสามารถเรียกวรรณกรรมใน [14,15]
ผลการเปรียบเทียบรุ่น LS-SVM และ
รุ่นดั้งเดิมที่แสดงในรูปที่ 3. การคาดการณ์
ผลการดำเนินงานในรูปแบบดั้งเดิมไม่มั่นคงเพราะ
ผลการทำนายของสามประเภทของ packings แสดง
ความแตกต่างที่เห็นได้ชัด ในทางตรงกันข้ามกับที่ LS-SVM ให้
ทั่วไปดีขึ้นกว่ารุ่นเดิมกับทุก
RMSE ของประมาณ 7% โดยทั่วไปคงที่บรรจุจะ
ได้รับจากการทดลองตามเงื่อนไขที่กำหนด แม้กระทั่งการ
ที่มีชนิดเดียวกันของการบรรจุ, ค่าคงที่เหล่านี้ไม่สามารถปรับตัวเข้ากับ
ตัวเองเพื่อ packings ที่มีขนาดแตกต่างกันหรือ
เงื่อนไขการดำเนินงานที่แตกต่างกันในอาคารบรรจุ [4,14]
ดังนั้นสมการเชิงประจักษ์แบบดั้งเดิมอาจปรากฏ
ผันผวนมากเมื่อพวกเขาถูกใช้ในการทำนาย ของ
packings ที่แตกต่างกัน โชคดีที่รุ่น LS-SVM ไม่ได้
มีข้อ จำกัด เหล่านี้ ชุดฝึกอบรมรวมถึงประเภทต่างๆ
ของข้อมูลการบรรจุซึ่งทำให้รุ่น LS-SVM ได้รับ
ข้อมูลมากขึ้นในช่วงการเรียนรู้ ดังนั้นที่ดีและ
การคาดการณ์ที่มีความเสถียรของรุ่น LS-SVM สามารถทำได้

ผลลัพธ์ (ไทย) 3:

ที่นี่
พารามิเตอร์ที่เกี่ยวข้องสามารถอ้างถึงวรรณกรรมใน [ 14,15 ] .
เปรียบเทียบผลลัพธ์ของแบบจำลองและ ls-svm
รุ่นดั้งเดิมจะแสดงในรูปที่ 3 การทำนายสมรรถนะของรุ่นดั้งเดิม

จะไม่มั่นคงเนื่องจากผลการพยากรณ์ของทั้งสามประเภทของ packings แสดง
ความแตกต่างที่ชัดเจน ในทางตรงกันข้ามกับที่ ls-svm ให้
ความเห็นที่มากกว่าแบบดั้งเดิมกับวิธีการทั้งหมด
7 % โดยทั่วไป การบรรจุค่า
ที่ได้จากการทดลองกับเงื่อนไขเฉพาะ แม้
กับชนิดเดียวกันของการบรรจุ , ค่าคงที่เหล่านี้ไม่สามารถปรับตัว
ตัวเองเพื่อบรรจุที่มีขนาดแตกต่างกันหรือการปฏิบัติที่ต่างกันในเงื่อนไขบริการอาคาร
[ ]
จึง 4,14 .แบบสมการเชิงประจักษ์อาจปรากฏขึ้นเมื่อพวกเขามีการจ้างงานมาก

เพื่อทำนายการบรรจุที่แตกต่างกัน โชคดีที่ ls-svm แบบไม่ได้
มีข้อ จำกัด เหล่านี้ ชุดฝึกอบรมประกอบด้วยประเภทต่างๆ
บรรจุข้อมูล ซึ่งทำให้ ls-svm รุ่นได้รับ
ข้อมูลเพิ่มเติมระหว่างเรียน ดังนั้นดีและ
การทำนายเสถียรภาพของ ls-svm โมเดลได้