Inspired by [4] and in the quest to

Inspired by [4] and in the quest to remedy the
limitations associated with the scheme, this paper
focuses on further tuning the ANN model. Specifically,
based on one of the most extensive and recent
GIS data available, the Multi Layer Perceptron
(MLP) and the Radial Basis Function (RBF) structures
were experimented. The underlying rationale
regarding each constituent factor will be discussed.
In addition, guidelines and insight precautions on applying
the ANN on predictions of flood and probably
similar disasters were also addressed.

ผลลัพธ์ (ไทย) 1:

แรงบันดาลใจ [4] และ ในการแสวงหาการแก้ไขการข้อจำกัดที่เกี่ยวข้องกับโครงร่าง กระดาษนี้เน้นการปรับแต่งเพิ่มเติม แบบแอน โดยเฉพาะการครอบคลุมมากที่สุด และล่าสุดGIS ข้อมูล เพอร์เซปตรอนชั้นหลาย(MLP) และโครงสร้างของฟังก์ชันฐานรัศมี (RBF)มีเบื้อง ผลสอบเกี่ยวกับปัจจัยแต่ละธาตุจะสามารถกล่าวถึงในข้อควรปฏิบัติ แนวทาง และความเข้าใจในการใช้แอนบนคาดการณ์น้ำท่วม และอาจยังมีอยู่เหมือนกันภัย

ผลลัพธ์ (ไทย) 2:

แรงบันดาลใจจาก [4]
และในการแสวงหาการแก้ไขในข้อจำกัด
ที่เกี่ยวข้องกับโครงการวิจัยนี้มุ่งเน้นไปที่การปรับจูนอีกรูปแบบANN โดยเฉพาะอย่างขึ้นอยู่กับหนึ่งในที่ครอบคลุมมากที่สุดและล่าสุดข้อมูลGIS ที่มีอยู่หลายชั้น Perceptron (MLP) และฟังก์ชั่นพื้นฐาน Radial (RBF) โครงสร้างถูกทดลอง เหตุผลพื้นฐานที่เกี่ยวกับปัจจัยที่แต่ละองค์ประกอบจะมีการหารือ. นอกจากนี้แนวทางและข้อควรระวังความเข้าใจเกี่ยวกับการใช้แอนเกี่ยวกับการคาดการณ์น้ำท่วมและอาจจะเกิดภัยพิบัติที่คล้ายกันนั้นยังมีการแก้ไข

ผลลัพธ์ (ไทย) 3:

แรงบันดาลใจจาก [ 4 ] และในการแสวงหาเพื่อแก้ไข
ข้อจำกัดที่เกี่ยวข้องกับโครงการ ,
กระดาษนี้จะเน้นที่เพิ่มเติมการปรับแต่งรูปแบบ แอน โดย
ขึ้นอยู่กับหนึ่งในหลากหลายที่สุดและข้อมูล GIS ล่าสุด

ใช้ได้หลายชั้นธรรมดา ( MLP ) และฟังก์ชันพื้นฐานแนวรัศมี ( RBF ) โครงสร้าง
ถูกทำการทดลอง . พื้นฐานเกี่ยวกับแต่ละองค์ประกอบปัจจัยเหตุผล
จะกล่าวถึง
นอกจากนี้ แนวทางและมาตรการป้องกันการใช้ข้อมูลเชิงลึก
แอนในการคาดคะเนของน้ำท่วมและอาจ
ภัยพิบัติที่คล้ายกันยังให้ความสนใจ