Figs. 2 and 3 illustrate the variat

Figs. 2 and 3 illustrate the variations of the MSE and the CCP
with the neuron number of the hidden layer, respectively. The
maximum CCP and minimum MSE were observed as the neuron
number of the hidden layer was 5. Therefore, our ANN model was
run with 5 neurons in the hidden layer. The ANN system could
correct the weights to minimize training error at each iteration. The
training error consequentially decreased as the system learned. Our
training result showed that the convergence of the BP-ANN model
was very fast. After ninety-seven iterations, the training error
descended to below 0.01, the stopping criterion set by the authors.
As a result, the BP-ANN model for grade classificationwas obtained
with the architecture parameters as

ผลลัพธ์ (ไทย) 1:

Figs. 2 และ 3 แสดงให้เห็นถึงความแตกต่างของ MSE CCPมีจำนวนเซลล์ประสาทชั้นซ่อน ตามลำดับ ที่CCP สูงสุดและต่ำสุด MSE สุภัคเป็นเซลล์ประสาทจำนวนชั้นซ่อน 5 ได้ ดังนั้น รูปแอนของเราได้รันกับ neurons 5 ในชั้นซ่อน สามารถระบบแอนแก้ไขน้ำหนักเพื่อลดข้อผิดพลาดในการฝึกอบรมที่เกิดซ้ำแต่ละ ที่ข้อผิดพลาดในการฝึกอบรม consequentially ลดลงเป็นระบบการเรียนรู้ ของเราผลการฝึกอบรมพบว่าการบรรจบกันของรุ่น BP-แอนได้อย่างรวดเร็ว หลังจากเกิดซ้ำ 97 ข้อผิดพลาดการฝึกอบรมสืบเชื้อสายให้ต่ำกว่า 0.01 เกณฑ์หยุดโดยผู้เขียนดัง BP-แอนรุ่นสำหรับ classificationwas เกรดที่ได้รับมีพารามิเตอร์สถาปัตยกรรมเป็น

ผลลัพธ์ (ไทย) 2:

มะเดื่อ 2 และ 3 แสดงให้เห็นถึงรูปแบบของ MSE และ CCP
มีจำนวนเซลล์ประสาทของชั้นที่ซ่อนอยู่ตามลำดับ
CCP สูงสุดและต่ำสุด MSE ถูกตั้งข้อสังเกตว่าเป็นเซลล์ประสาท
จำนวนชั้นที่ซ่อนอยู่เป็น 5. ดังนั้นแบบจำลอง ANN ของเรา
ทำงานด้วย 5 เซลล์ประสาทในชั้นที่ซ่อนอยู่ ระบบ ANN สามารถ
แก้ไขน้ำหนักเพื่อลดข้อผิดพลาดในการฝึกอบรมในแต่ละซ้ำ
ข้อผิดพลาดการฝึกอบรม consequentially ลดลงเป็นระบบการเรียนรู้ ของเรา
ผลการฝึกอบรมพบว่าการบรรจบกันของรุ่น BP-ANN
เป็นไปอย่างรวดเร็วมาก หลังจากที่ซ้ำเก้าหมื่นเจ็ดข้อผิดพลาดการฝึกอบรม
ลงไปด้านล่าง 0.01 เกณฑ์หยุดที่กำหนดโดยผู้เขียน.
เป็นผลให้รุ่น BP-ANN สำหรับ classificationwas เกรดที่ได้รับ
กับพารามิเตอร์สถาปัตยกรรมเป็น

ผลลัพธ์ (ไทย) 3:

มะเดื่อ . 2 และ 3 แสดงให้เห็นถึงการเปลี่ยนแปลงของ MSE และ CCP
กับเซลล์ประสาทจำนวนชั้นซ่อน ตามลำดับ
ภาพสูงสุดและต่ำสุด ( พบเป็นเซลล์ประสาท
จำนวนชั้นซ่อนอยู่ 5 ดังนั้นแบบจำลอง ANN ของเรา
วิ่ง 5 เซลล์ประสาทในชั้นซ่อน . ระบบแอนอาจ
แก้ไขน้ำหนักจะลดข้อผิดพลาดการฝึกอบรมในแต่ละซ้ำ .
ข้อผิดพลาดการฝึกอบรม consequentially ลดลงเป็นระบบเรียนรู้ ผล
ฝึกของเราแสดงให้เห็นว่าการบรรจบกันของรูปแบบ bp-ann
ได้รวดเร็วมาก ประชากรซ้ำหลังจากข้อผิดพลาดการฝึกอบรม
ลงมาด้านล่าง ส่วนการหยุดเกณฑ์ที่ตั้งไว้โดยผู้เขียน
ผล รูปแบบ bp-ann เกรด classificationwas ได้
ที่มีสถาปัตยกรรมเป็นพารามิเตอร์