2. Models and methods2.1. ANN ensem

2. Models and methods
2.1. ANN ensemble modeling
The ANN consists of a very simple and highly interconnected
processor called a neuron. A neuron is an
information-processing unit that is fundamental to the operation
of a neural network, and consists of a weight and an
activation function (Fig. 1). The weights are the most important
parameters acting as the memory of ANN, and the activation
function provides nonlinear mapping potential with the
network. The manner in which the neurons of ANNs are
structured determines the architecture of ANNs (Haykin,
1999). In general, there are three fundamentally different
classes of network architecture. The first is a single-layer
feedforward network, without hidden layers. The second is a
multilayer feedforward network, with more than one hidden
layer. The third is a recurrent neural network, with at least one
feedback loop. In this study, the multilayer feedforward neural
network (MFNN) with one hidden layer was used, because it
is able to approximate most of the nonlinear functions
demanded by practice (Mulia et al., 2013).
The weight parameters on the links between neurons are
determined by the training algorithm. The most common and
standard algorithm is the backpropagation training algorithm,
the central idea of which is that the errors for the neurons of
the hidden layer are determined by back-propagation of the
error of the neurons of the output layer, as shown in Fig. 1.
There are a number of variations in backpropagation training
algorithms on the basic algorithm that are based on other
standard optimization techniques, such as the steepest descent
algorithm, conjugate gradient algorithm, and Newton's
method. Among various backpropagation methods, the LevenbergeMarquardt
(LM) algorithm has been very successfully
applied to the training of ANN to predict streamflow and water

ผลลัพธ์ (ไทย) 1:

2. รูปแบบ และวิธีการ2.1. แอนน์เพลิดเพลินสร้างโมเดลแอนประกอบด้วยง่ายมาก และเข้าใจมากตัวประมวลผลที่เรียกว่าเซลล์ประสาทมี เซลล์ประสาทมีการหน่วยประมวลผลข้อมูลที่เป็นพื้นฐานการทำงานของเครือข่ายประสาท และน้ำหนักและเปิดใช้งานฟังก์ชัน (Fig. 1) น้ำหนักมีความสำคัญมากที่สุดทำหน้าที่เป็นหน่วยความจำของแอน และเปิดใช้งานพารามิเตอร์ฟังก์ชันแสดงศักยภาพกับการแมปไม่เชิงเส้นเครือข่าย ลักษณะ neurons ของ ANNs มีโครงสร้างกำหนดสถาปัตยกรรมของ ANNs (Haykinปี 1999) ทั่วไป มี 3 ความแตกต่างกันเรียนสถาปัตยกรรมเครือข่าย ครั้งแรกเป็นชั้น เดียวfeedforward เครือข่าย ไม่ มีชั้นซ่อน ที่สองคือการเครือข่ายหลายชั้น feedforward ที่ มีมากกว่าหนึ่งซ่อนอยู่ชั้น ที่สามคือ การเกิดซ้ำโครงข่ายประสาท มีอย่างน้อยหนึ่งความคิดเห็นวงการ ในการศึกษานี้ feedforward หลายชั้นประสาทเครือข่าย (MFNN) กับชั้นซ่อนใช้ เนื่องจากมันสามารถประมาณของฟังก์ชันไม่เชิงเส้นต้องการ โดยปฏิบัติ (ห้อง et al., 2013)พารามิเตอร์น้ำหนักเชื่อมโยงระหว่าง neuronsตามขั้นตอนวิธีการฝึกอบรม ทั่วไปมากที่สุด และอัลกอริทึมมาตรฐานเป็นอัลกอริธึมฝึก backpropagationแนวความคิดสำคัญซึ่งคือ neurons ของข้อผิดพลาดชั้นที่ซ่อนอยู่ตามหลังการเผยแพร่ของการข้อผิดพลาดของ neurons ของชั้นออก แสดงใน Fig. 1มีหลายรูปแบบในการฝึกอบรม backpropagationอัลกอริทึมในอัลกอริทึมพื้นฐานที่ใช้กันเทคนิคเพิ่มประสิทธิภาพมาตรฐาน เช่นโคตร steepestอัลกอริทึม conjugate ขั้นตอนวิธีการไล่ระดับสี และของนิวตันวิธีการ ในวิธีต่าง ๆ backpropagation, LevenbergeMarquardt(LM) อัลกอริทึมได้รับเรียบร้อยมากใช้กับการฝึกของแอนเพื่อทำนาย streamflow และน้ำ

ผลลัพธ์ (ไทย) 2:

2. รูปแบบและวิธีการ
2.1 ชุดการสร้างแบบจำลอง ANN แอนประกอบด้วยง่ายมากและเชื่อมต่อกันสูงประมวลผลที่เรียกว่าเซลล์ประสาท เซลล์ประสาทเป็นหน่วยประมวลผลข้อมูลที่เป็นพื้นฐานในการดำเนินงานของเครือข่ายประสาทและประกอบด้วยน้ำหนักและฟังก์ชั่นการเปิดใช้งาน(รูปที่ 1). น้ำหนักเป็นสิ่งสำคัญที่สุดพารามิเตอร์ที่ทำหน้าที่เป็นหน่วยความจำของแอนและการเปิดใช้งานฟังก์ชั่นให้มีศักยภาพการทำแผนที่เชิงเส้นกับเครือข่าย ลักษณะที่เซลล์ประสาทของ ANNs เป็นโครงสร้างที่กำหนดสถาปัตยกรรมของ ANNs นี้ (Haykin, 1999) โดยทั่วไปมีสามที่แตกต่างกันโดยพื้นฐานการเรียนของสถาปัตยกรรมเครือข่าย แรกเป็นชั้นเดียวเครือข่ายคราทโดยไม่ต้องชั้นที่ซ่อน สองเป็นเครือข่ายหลายคราทมีซ่อนอยู่มากกว่าหนึ่งชั้น ที่สามคือเครือข่ายประสาทกำเริบอย่างน้อยหนึ่งห่วงความคิดเห็น ในการศึกษาครั้งนี้หลายคราทประสาทเครือข่าย (MFNN) ชั้นที่ซ่อนหนึ่งถูกนำมาใช้เพราะมันสามารถที่จะใกล้เคียงที่สุดของฟังก์ชั่นเชิงเรียกร้องโดยการปฏิบัติ(Mulia et al., 2013). พารามิเตอร์น้ำหนักในการเชื่อมโยงระหว่างเซลล์ประสาท จะถูกกำหนดโดยขั้นตอนวิธีการฝึกอบรม ที่พบมากที่สุดและขั้นตอนวิธีมาตรฐานคือขั้นตอนวิธีการฝึกอบรม backpropagation, ความคิดของกลางซึ่งเป็นที่ผิดพลาดสำหรับเซลล์ของชั้นที่ซ่อนไว้จะถูกกำหนดโดยหลังการขยายพันธุ์ของข้อผิดพลาดของเซลล์ประสาทของชั้นออกดังแสดงในรูปที่ 1. มีหลายรูปแบบในการฝึกอบรม backpropagation มีขั้นตอนวิธีการขั้นตอนวิธีขั้นพื้นฐานที่อยู่บนพื้นฐานอื่นๆเทคนิคการเพิ่มประสิทธิภาพมาตรฐานเช่นโคตรลาดชันขั้นตอนวิธีขั้นตอนวิธีการไล่ระดับสีผันและของนิวตันวิธี ในวิธีการ backpropagation ต่างๆ LevenbergeMarquardt (LM) อัลกอริทึมที่ได้รับการประสบความสำเร็จมากนำไปใช้ในการฝึกอบรมของANN จะทำนายน้ำท่าและน้ำ

ผลลัพธ์ (ไทย) 3:

2 . รูปแบบและวิธีการ
2.1 . วงดนตรีแบบแอน
Ann ประกอบด้วยมากง่ายและสูง interconnected
ประมวลผลเรียกว่าเซลล์ประสาท . เป็นเซลล์ประสาทเป็น
การประมวลผลสารสนเทศหน่วยที่เป็นพื้นฐานของการดำเนินงาน
ของเครือข่ายประสาท ประกอบด้วยน้ำหนักและการเปิดใช้งานฟังก์ชัน
( รูปที่ 1 ) น้ำหนักเป็นสิ่งสำคัญมากที่สุด ทำหน้าที่เป็นหน่วยความจำค่า

ของแอน และเปิดใช้งานฟังก์ชันเชิงเส้นแผนที่แสดงศักยภาพด้วย
เครือข่าย ลักษณะของเซลล์ประสาทของแอนน์เป็นโครงสร้างทางสถาปัตยกรรมของ
กำหนด ( haykin
, 1999 ) โดยทั่วไปมีสามที่แตกต่างกันเรียน
พื้นฐานของสถาปัตยกรรมเครือข่าย แรกเป็นชั้นเดียว
ไปข้างหน้าเครือข่ายโดยไม่ต้องชั้นซ่อน อย่างที่สองคือ
เครือข่ายไปข้างหน้าหลายชั้น ,ที่มีมากกว่าหนึ่งซ่อน
ชั้น ที่สามเป็นเครือข่ายประสาทกำเริบ อย่างน้อยหนึ่ง
ติชมวง ในการศึกษานี้ ไปข้างหน้าหลายเครือข่ายประสาท
( mfnn ) กับหนึ่งในชั้นซ่อนก็ใช้เพราะมัน
สามารถประมาณมากที่สุดของฟังก์ชันไม่เชิงเส้น
เรียกร้องโดยการปฏิบัติ ( พระบาทสมเด็จพระเจ้าอยู่หัว et al . , 2013 ) .
น้ำหนักพารามิเตอร์ในการเชื่อมโยงระหว่างเซลล์ประสาทจะ
กำหนดอบรมตามขั้นตอนวิธีการ ที่พบมากที่สุดและวิธีมาตรฐานคือแบบฝึก

ความคิดแบบกลาง ซึ่งคือ ข้อผิดพลาดในเซลล์ประสาทของ
ชั้นซ่อนจะถูกกำหนดโดย back-propagation ของ
ข้อผิดพลาดของเซลล์ประสาทของชั้นออก ดังแสดงในรูปที่ 1 .
มีหลายรูปแบบในการฝึกแบบ
อัลกอริทึมบนพื้นฐานอัลกอริทึมที่อยู่บนพื้นฐานของเทคนิคการเพิ่มประสิทธิภาพอื่น ๆ
มาตรฐาน เช่น ขั้นตอนวิธีขั้นตอนวิธีการผันสูงชันโคตร
, ,
และวิธีของนิวตัน ระหว่างวิธีแบบต่าง ๆ levenbergemarquardt
( LM ) โดยมีความสำเร็จ
ใช้กับการฝึกอบรมของแอนทำนายปริมาณน้ำท่าและน้ำ