ในรูปแบบการคาดการณ์ที่ดีขึ้นอุณหภูมิในร่มและกลางแจ้งและข้อมูลความชื้นสัมพัทธ์ที่เก็บรวบรวมแบบเรียลไทม์จะถูกเลือกเป็นตัวแปรอินพุตสําหรับตัวอย่างการฝึกอบรม ตัวแปรเอาต์พุตคืออารมณ์ในร่มที่คาดการณ์ไว้- tureและความชื้นสัมพัทธ์, ซึ่งจะได้รับโดยการฝึกอบรมตัวอย่างของ เมื่อเวลาผ่านไปข้อมูลการวัดใหม่จะถูกรวบรวมและจะได้รับการอัปเดตเป็นตัวอย่างการฝึกอบรมในเวลาเดียวกัน ด้วยการเพิ่มขนาดตัวอย่างความแม่นยําในการทํานายของเครือข่ายประสาทเทียมจะเพิ่มขึ้น แต่จะเพิ่มความซับซ้อนของเครือข่ายและเวลาจําลอง สําหรับการคาดการณ์ชุดเวลาเวลาการฝึกอบรมเป็นพารามิเตอร์ที่ไม่สุภาพ เมื่อเวลาการฝึกอบรมยาวเกินไปหรือเกินขอบเขตเวลาที่คาดการณ์ไว้แบบจําลองจะมีความหมายน้อยกว่า ดังนั้นในรูปแบบของเราขนาดของตัวอย่างการฝึกอบรมจะได้รับการแก้ไขตามที่แสดงใน [25, รูปที่ 5] รุ่นที่ได้รับการปรับปรุงข้างต้นสามารถคาดการณ์อุณหภูมิในร่มและความชื้นสัมพัทธ์ได้อย่างถูกต้องเป็นเวลานานและอัปเดตตัวอย่างการฝึกอบรมแบบเรียลไทม์
การแปล กรุณารอสักครู่..
