Rainfall forecasting plays many imp

Rainfall forecasting plays many important role in water resources studies such as river training works and design of flood warning systems. Recent advancement in artificial intelligence and in particular techniques aimed at converting input to output for highly nonlinear,non-convex and dimensionalized processes such as rainfall field, provide an alternative approach for developing rainfall forecasting model. Artificial neural networks (ANNs), which perform a nonlinear mapping between inputs and outputs, are such a technique. Current literatures on artificial neural networks show that the selection of network architecture and its efficient training procedure are major obstacles for their daily usage. In this paper, feed-forward type networks will be developed to simulate the rainfall field and a socalled
back propagation (BP) algorithm coupled with genetic algorithm (GA) will be used to train and optimize the networks. The technique
will be implemented to forecast rainfall for a number of times using rainfall hyetograph of recording rain gauges in the Upper
Parramatta catchment in the western suburbs of Sydney, Australia. Results of the study showed the structuring of ANN network with
the input parameter selection, when coupled with GA, performed better compared to similar work of using ANN alone.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์ปริมาณน้ำฝนเล่นบทบาทสำคัญมากในน้ำการศึกษาทรัพยากรน้ำฝึกงานและออกแบบระบบแจ้งเตือนภัยน้ำท่วม ความก้าวหน้าล่าสุด ในปัญญาประดิษฐ์ และเทคนิคเฉพาะแปลงการป้อนข้อมูลการแสดงผลสำหรับกระบวนการสูงไม่เชิงเส้น ไม่นูน และ dimensionalized เช่นเขตข้อมูลปริมาณน้ำฝน มีวิธีการอื่นสำหรับการพัฒนาแบบจำลองการคาดการณ์ปริมาณน้ำฝน ประดิษฐ์ประสาทเครือข่าย (ANNs), ที่ทำการแมปที่ไม่เชิงเส้นระหว่างอินพุตและเอาท์พุต เทคนิคดังกล่าวได้ Literatures ปัจจุบันบนเครือข่ายประสาทเทียมแสดงเลือกสถาปัตยกรรมเครือข่ายและกระบวนการฝึกอบรมที่มีประสิทธิภาพเป็นอุปสรรคสำคัญสำหรับการใช้งานประจำวันของพวกเขา ในเอกสารนี้ เครือข่ายชนิดอาหารไปจะพัฒนาขึ้นเพื่อจำลองเขตปริมาณน้ำฝนและการ socalledจะใช้อัลกอริทึมการเผยแพร่หลัง (BP) ควบคู่ไปกับอัลกอริทึมทางพันธุกรรม (GA) เพื่อฝึก และเพิ่มประสิทธิภาพเครือข่าย เทคนิคการจะดำเนินการเพื่อคาดการณ์ปริมาณน้ำฝนจำนวนครั้งใช้ hyetograph ฝนของบันทึกฝนมาตรวัดบนลุ่มน้ำปาร์รามัตตาในชานเมืองตะวันตกของซิดนีย์ ออสเตรเลีย ผลการศึกษาแสดงให้เห็นว่าการจัดโครงสร้างของเครือข่ายแอนเลือกพารามิเตอร์ป้อนเข้า เมื่อควบคู่กับ GA ทำดีกว่าเมื่อเทียบกับคล้ายงานของใช้คนเดียวแอน

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ปริมาณน้ำฝนมีบทบาทสำคัญมากในการศึกษาทรัพยากรน้ำเช่นผลงานการฝึกอบรมแม่น้ำและการออกแบบระบบเตือนภัยน้ำท่วม ความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์และโดยเฉพาะอย่างยิ่งในเทคนิคการมุ่งเป้าไปที่การแปลงการป้อนข้อมูลการส่งออกสำหรับกระบวนการเชิงเส้นสูงไม่นูนและ dimensionalized เช่นสนามปริมาณน้ำฝนให้เป็นวิธีทางเลือกในการพัฒนารูปแบบการพยากรณ์ปริมาณน้ำฝน เครือข่ายประสาทเทียม (ANNs) ซึ่งดำเนินการทำแผนที่เชิงเส้นระหว่างปัจจัยการผลิตและผลผลิตเป็นเช่นเทคนิค วรรณกรรมปัจจุบันบนเครือข่ายประสาทเทียมแสดงให้เห็นว่าการเลือกของสถาปัตยกรรมเครือข่ายและวิธีการฝึกอบรมที่มีประสิทธิภาพเป็นอุปสรรคสำคัญสำหรับการใช้งานในชีวิตประจำวันของพวกเขา ในบทความนี้เครือข่ายประเภทอาหารไปข้างหน้าจะมีการพัฒนาในการจำลองสนามปริมาณน้ำฝนและ socalled
ขยายพันธุ์กลับ (BP) ขั้นตอนวิธีการควบคู่ไปกับขั้นตอนวิธีพันธุกรรม (GA) จะถูกนำมาใช้ในการฝึกอบรมและเพิ่มประสิทธิภาพของเครือข่าย เทคนิคที่จะดำเนินการที่จะคาดการณ์ปริมาณน้ำฝนเป็นจำนวนครั้งที่ใช้ hyetograph ปริมาณน้ำฝนในการบันทึกมาตรวัดฝนตกลงมาในสังคมที่กักเก็บน้ำมัตตาในย่านชานเมืองทางตะวันตกของนครซิดนีย์ประเทศออสเตรเลีย ผลการศึกษาแสดงให้เห็นว่าโครงสร้างของเครือข่าย ANN กับการเลือกพารามิเตอร์สำหรับการป้อนเมื่อคู่กับGA, ทำได้ดีเมื่อเทียบกับการทำงานที่คล้ายกันของการใช้แอนคนเดียว

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปริมาณน้ำฝนนั้นมีบทบาทสำคัญมากในแหล่งน้ำ เช่น แม่น้ำ งานศึกษาอบรม และออกแบบระบบเตือนภัยน้ำท่วม ความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์และเทคนิคเฉพาะที่มุ่งแปลง input output ที่ไม่เป็นเชิงเส้นสูง และกระบวนการที่ไม่นูน dimensionalized เช่นทุ่งฝนให้บริการทางเลือกสำหรับการพัฒนาแบบจำลองพยากรณ์ปริมาณฝน โครงข่ายประสาทเทียม ( แอนน์ ) ซึ่งแสดงแผนที่เชิงเส้นระหว่างอินพุตและเอาต์พุต มีเทคนิคดังกล่าว วรรณกรรมปัจจุบันบนโครงข่ายประสาทเทียมที่แสดงให้เห็นว่าการเลือกของสถาปัตยกรรมเครือข่ายและกระบวนการของการฝึกอบรมที่มีประสิทธิภาพเป็นอุปสรรคสำคัญสำหรับการใช้งานทุกวันของพวกเขา ในกระดาษนี้เครือข่ายประเภท feed-forward จะพัฒนาขึ้นเพื่อจำลองฝนตกสนามและลากข้าง
back propagation ( BP ) โดยคู่กับขั้นตอนวิธีเชิงพันธุกรรม ( GA ) จะถูกใช้เพื่อฝึกและเพิ่มประสิทธิภาพเครือข่าย เทคนิค
จะดำเนินการพยากรณ์ปริมาณน้ำฝนสำหรับจำนวนของเวลาที่ใช้ในการบันทึกของฝนฝนฝนสะสมเกจด้านบน
มัตตาพื้นที่รับน้ำในเขตชานเมืองทางตะวันตกของซิดนีย์ ออสเตรเลีย ผลการศึกษาพบว่าการสร้างเครือข่ายกับ
แอนใส่พารามิเตอร์การเลือก เมื่อคู่กับกา แสดงได้ดีกว่าทำงานที่คล้ายกันของการใช้แอนคนเดียว