Artificial neural networks (ANN) (6

Artificial neural networks (ANN) (6) provide an alternative to regression approaches for model development. Like other modeling approaches, ANN can be thought of as a minimization technique in which the goal is to minimize the difference between model output and actual output. However, some of the proposed advantages of ANN over conventional methods are that it automatically allows for nonlinear relationships between predictor and response variables, and incorporates
interaction between variables without requiring additional modeling as in the case of
standard statistical approaches (50). Artificial neural networks models are fitted by
adjusting weights which are analogous to coefficients/parameters in regression modeling. The predictors and responses are repeatedly presented to the network during a process called training and after each passage through the network, internal weights are adjusted so as to minimize the difference between network and actual outputs. In this iterative process, the network leams the relationship between the predictor and response variables so that when it is presented with a new set of inputs (validation), it is capable to predicting the outcome based on this relationship. There are several classes of ANN, each employing different types of architectures. One of the most commonly used architectures is the multilayered network trained through error back-propagation (the back-propagation ANN, BPNN) (6).

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทเทียม (แอน) (6) ให้แทนถดถอยวิธีการพัฒนาแบบจำลอง เช่นวิธีการอื่น ๆ การสร้างโมเดล แอนสามารถถือได้ว่า เป็นเทคนิคการลดเป้าหมายคือเพื่อ ลดความแตกต่างระหว่างการออกแบบและผลิต อย่างไรก็ตาม บางส่วนของข้อเสนอของแอนผ่านวิธีการแบบเดิมว่า มันโดยอัตโนมัติช่วยให้ความสัมพันธ์เชิงเส้นระหว่างทำนายและตัวแปรตอบสนอง และประกอบด้วย ปฏิสัมพันธ์ระหว่างตัวแปรโดยไม่ต้องโมเดลเพิ่มเติมเช่นในกรณีของ วิธีทางสถิติมาตรฐาน (50) รูปแบบเครือข่ายประสาทเทียมประกอบด้วย การปรับน้ำหนักซึ่งจะคล้ายคลึงกับสัมประสิทธิ์/พารามิเตอร์ในแบบจำลองถดถอย การทำนายและการตอบสนองซ้ำ ๆ แสดงเครือข่ายใน ระหว่างกระบวนการเรียกว่าการฝึกอบรม และหลัง จากแต่ละเรื่องผ่านเครือข่าย มีปรับน้ำหนักภายในเพื่อลดความแตกต่างระหว่างเครือข่ายและผลที่เกิดขึ้นจริง ในกระบวนการนี้ซ้ำ leams เครือข่ายความสัมพันธ์ระหว่างตัวทำนายและตัวแปรตอบสนอง ดังนั้นเมื่อมันจะแสดงกับชุดใหม่ของอินพุต (ตรวจสอบ), มันเป็นความสามารถในการทำนายผลที่อิงตามความสัมพันธ์นี้ มีหลายชั้นเรียนของแอน แต่ละที่ใช้สถาปัตยกรรมที่แตกต่างกันไป สถาปัตยกรรมที่ใช้บ่อยที่สุดคือเครือข่ายหลายชั้นผ่านข้อผิดพลาดกลับการเผยแพร่ (เผยแพร่หลังแอน BPNN) การฝึกอบรม (6)

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทเทียม (ANN) (6) จัดให้มีทางเลือกที่จะถดถอยแนวทางการพัฒนารูปแบบ เช่นเดียวกับวิธีการสร้างแบบจำลองอื่น ๆ แอนอาจจะคิดว่าเป็นเทคนิคการลดซึ่งในเป้าหมายคือการลดความแตกต่างระหว่างการส่งออกและการส่งออกรูปแบบที่เกิดขึ้นจริง แต่บางส่วนของข้อได้เปรียบที่เสนอ ANN กว่าวิธีการเดิมที่ว่ามันจะช่วยให้ความสัมพันธ์ที่ไม่เป็นเชิงเส้นระหว่างการทำนายและการตอบสนองตัวแปรและรวม
การปฏิสัมพันธ์ระหว่างตัวแปรโดยไม่ต้องมีการสร้างแบบจำลองเพิ่มเติมเช่นในกรณีของ
วิธีการทางสถิติมาตรฐาน (50) ประดิษฐ์แบบจำลองเครือข่ายประสาทมีการติดตั้งโดย
ปรับน้ำหนักซึ่งคล้ายคลึงกับค่าสัมประสิทธิ์ / พารามิเตอร์ในการสร้างแบบจำลองการถดถอย ทำนายและการตอบสนองจะถูกนำเสนอซ้ำ ๆ เพื่อเครือข่ายในระหว่างกระบวนการที่เรียกว่าการฝึกอบรมและหลังจากแต่ละทางผ่านเครือข่ายน้ำหนักภายในมีการปรับเพื่อลดความแตกต่างระหว่างเครือข่ายและผลผลิตที่เกิดขึ้นจริง ในกระบวนการซ้ำนี้ leams เครือข่ายความสัมพันธ์ระหว่างการทำนายและการตอบสนองตัวแปรเพื่อที่ว่าเมื่อจะนำเสนอกับชุดใหม่ของปัจจัยการผลิต (ตรวจสอบ) มันเป็นความสามารถในการทำนายผลที่อยู่บนพื้นฐานของความสัมพันธ์นี้ มีหลายชั้นเรียนของ ANN จ้างแต่ละประเภทแตกต่างกันของสถาปัตยกรรมที่มี หนึ่งในสถาปัตยกรรมที่ใช้กันมากที่สุดเป็นเครือข่ายการฝึกอบรมผ่านพหุข้อผิดพลาดกลับมาขยายพันธุ์ (หลังการขยายพันธุ์แอน BPNN) (6)

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียม ( ANN ) ( 6 ) การให้ทางเลือกกับการแนวทางการพัฒนาแบบ ชอบแนวแบบ อื่น ๆ , แอนสามารถคิดเป็นเทคนิคน้อยที่สุด ซึ่งมีเป้าหมายเพื่อลดความแตกต่างระหว่างผลผลิตจริงรูปแบบและเอาท์พุท อย่างไรก็ตาม , บางส่วนของการนำเสนอข้อดีของแอนผ่านวิธีการปกติที่มันจะช่วยให้ความสัมพันธ์เชิงเส้นระหว่างตัวแปรและการตอบสนอง และประกอบด้วยปฏิสัมพันธ์ระหว่างตัวแปรโดยไม่ต้องเพิ่มเติม เช่น ในกรณีของแบบวิธีมาตรฐานทางสถิติ ( 50 ) โครงข่ายประสาทเทียมแบบมีเข็มขัดด้วยการปรับน้ำหนักที่คล้ายคลึงกับค่าสัมประสิทธิ์ / พารามิเตอร์ในแบบการถดถอย พยากรณ์และการตอบสนองซ้ําเสนอให้เครือข่ายในกระบวนการที่เรียกว่าการฝึกและหลังแต่ละผ่านเครือข่ายภายใน มีการปรับน้ำหนักเพื่อลดความแตกต่างระหว่างเครือข่ายจริงและเอาท์พุท ในกระบวนการซ้ำนี้ เครือข่าย leams ความสัมพันธ์ระหว่างตัวแปรตัวแปรและการตอบสนอง ดังนั้นเมื่อมันถูกนำเสนอด้วยชุดใหม่ของกระผม ( การตรวจสอบ ) , มันสามารถทำนายผลจากความสัมพันธ์นี้ มีหลายชั้นของแอนแต่ละใช้ชนิดที่แตกต่างกันของสถาปัตยกรรม . หนึ่งที่ใช้กันมากที่สุด สถาปัตยกรรมเป็นมัลติเลเยอร์เครือข่ายที่ผ่านการอบรม back-propagation ความผิดพลาด ( back-propagation Ann แบบจำลอง ) ( 6 )