A frequently encountered problem du

A frequently encountered problem during the application of artificial neural networks (ANNs) to various water resource problems is the limitation of the data sets required for the training stage of ANNs. This prevents ANNs from learning input and output data sets within different ranges, thus decreasing the prediction capability during the testing stage. In this article the well known ARMA models are used to generate synthetic series, and these series are incorporated into the training data sets of ANNs. The method is applied to the monthly mean river flow data of a station in the East Mediterranean region of Turkey. The forecasting accuracy of the future monthly flows carries significance because a water reservoir is planned for the downstream of this station. Because the available data record length is limited studies should be carried out to extend the training data set of ANNs. It is seen that the extension of input and output data sets in the training stage improves the accuracy of forecasting using ANNs. The introduction of periodicity components in the input layer also increases the forecasting accuracy of ANNs.

ผลลัพธ์ (ไทย) 1:

ปัญหาที่พบบ่อยในระหว่างโปรแกรมประยุกต์ของเครือข่ายประสาทเทียม (ANNs) ปัญหาทรัพยากรน้ำต่าง ๆ เป็นข้อจำกัดของชุดข้อมูลที่จำเป็นสำหรับขั้นตอนการฝึกอบรมของ ANNs นี้ป้องกัน ANNs เรียนรู้ชุดข้อมูลอินพุท และเอาท์พุทในช่วงอื่น จึง ลดความสามารถในการคาดเดาในระหว่างขั้นตอนการทดสอบ ในบทความนี้อาร์มารู้จัก ใช้รูปแบบในการสร้างชุดสังเคราะห์ และชุดเหล่านี้จะรวมอยู่ในชุดข้อมูลฝึกอบรมของ ANNs วิธีการจะใช้กับข้อมูลกระแสน้ำเฉลี่ยรายเดือนของสถานีในภูมิภาคเมดิเตอร์เรเนียนตะวันออกของตุรกี คาดการณ์ความถูกต้องของขั้นตอนการรายเดือนในอนาคตความสำคัญเนื่องจากเป็นห้วงน้ำได้วางแผนไว้สำหรับปลายน้ำของสถานีนี้ เนื่องจากความยาวระเบียนข้อมูลที่มีไม่จำกัด การศึกษาควรจะดำเนินการให้สำเร็จขยายชุดข้อมูลฝึกอบรมของ ANNs จะเห็นได้ว่า ส่วนขยายของชุดข้อมูลอินพุท และเอาท์พุทในระยะฝึกอบรมการปรับปรุงความถูกต้องของการคาดการณ์ใช้ ANNs แนะนำส่วนประกอบประจำงวดในชั้นอินพุตยังเพิ่มความถูกต้องของการคาดการณ์ของ ANNs

ผลลัพธ์ (ไทย) 2:

ปัญหาที่พบบ่อยในช่วงการประยุกต์ใช้เครือข่ายประสาทเทียม (ANNs) ปัญหาแหล่งน้ำต่างๆที่เป็นข้อ จำกัด ของชุดข้อมูลที่จำเป็นสำหรับขั้นตอนการฝึกอบรมของ ANNs นี้ป้องกันไม่ให้ ANNs จากการเรียนรู้การป้อนข้อมูลและชุดข้อมูลการส่งออกในช่วงที่แตกต่างกันจึงลดความสามารถในการทำนายในระหว่างขั้นตอนการทดสอบ ในบทความนี้ที่รู้จักกันดีอาร์โมเดลที่ใช้ในการสร้างชุดสังเคราะห์และชุดเหล่านี้จะรวมอยู่ในชุดข้อมูลการฝึกอบรมของ ANNs วิธีการที่จะนำไปใช้ข้อมูลรายเดือนแม่น้ำไหลเฉลี่ยของสถ​​านีในภูมิภาคเมดิเตอร์เรเนียนทางตะวันออกของตุรกี ความถูกต้องในการคาดการณ์ของกระแสรายเดือนในอนาคตอย่างมีนัยสำคัญเพราะถืออ่างเก็บน้ำมีการวางแผนสำหรับล่องของสถ​​านีนี้ เพราะระยะเวลาในการบันทึกข้อมูลที่มีอยู่ จำกัด การศึกษาควรจะดำเนินการในการขยายข้อมูลการฝึกอบรมชุดของ ANNs จะเห็นว่าการขยายตัวของการป้อนข้อมูลและชุดข้อมูลการส่งออกอยู่ในขั้นตอนการฝึกอบรมเพิ่มความถูกต้องของการพยากรณ์โดยใช้ ANNs การเปิดตัวของชิ้นส่วนช่วงชั้นที่นำเข้ายังเพิ่มความแม่นยำในการพยากรณ์ ANNs

ผลลัพธ์ (ไทย) 3:

เป็นปัญหาที่พบบ่อยในการประยุกต์ใช้โครงข่ายประสาทเทียม ( แอนน์ ) ปัญหาแหล่งน้ำต่างๆ เป็นข้อจำกัดของชุดข้อมูลที่จำเป็นสำหรับการฝึกอบรมขั้นตอนของทาง . นี้จะช่วยป้องกันจากการป้อนข้อมูลและชุดการเรียนทางข้อมูลออกภายในช่วงที่แตกต่างกัน ดังนั้น การลดการคาดการณ์ความสามารถในการทดสอบขั้นตอนในบทความนี้เช่นกัน อาวุธที่ใช้ในการสร้างโมเดลแบบสังเคราะห์และชุดเหล่านี้จะรวมอยู่ในข้อมูลการฝึกอบรมชุดของทาง . วิธีการสมัครรายเดือน หมายถึงการไหลข้อมูลของสถานีในเขตทะเลเมดิเตอร์เรเนียนทางตะวันออกของตุรกีการพยากรณ์ความแม่นยำของอนาคตรายเดือนไหลมีความสำคัญ เพราะน้ำมีการวางแผนสำหรับผ่านสถานีนี้ เพราะสามารถบันทึกข้อมูลความยาวการศึกษาจำกัดควรดําเนินการขยายการฝึกอบรมชุดข้อมูลทาง .จะเห็นได้ว่า การป้อนข้อมูลและชุดข้อมูลออกในการฝึกอบรมขั้นตอนปรับปรุงความถูกต้องของการพยากรณ์การใช้ทาง . การแนะนำส่วนประกอบในการป้อนข้อมูลอย่างชั้นยังเพิ่มความแม่นยำของการพยากรณ์ทาง .