This research examines the applicat

This research examines the application of three computational intelligence techniques namely artificial neural network (ANN), particle swarm optimization (PSO) and support vector machine (SVM) in Thailand’s Para rubber production forecasting in comparison with hybrid PSO&SVM model.
The parameters of SVM are determined by PSO, which is not needed to consider the analytic property of the generalization performance measure and can avoid the occurrence of over-fitting or under-fitting of the SVM model due to improper determination of these parameters. The proposed method and models were tested using real datasets from a large size catchment of the Thailand’s Para rubber production forecasting.
The hybrid PSO&SVM model provides better accuracy than ANN, PSO and SVM models because it is a non-linear mapping between input and output. However, when the results of forecasting are tested by Tukey Simultaneous tests, the results show that the forecasts of the three models are not statistically significant difference. Furthermore, hybrid PSO&SVM has no statistical assumption about the data distribution, hence made it more versatile. Nevertheless, hybrid PSO&SVM suffers from overtraining problem and also another major drawback of ANN is its black-box like ability. SVM has recently been compared with ANN as it solve overtraining problem of ANN.

ผลลัพธ์ (ไทย) 1:

งานวิจัยนี้ตรวจสอบการประยุกต์ใช้เทคนิคอัจฉริยะคำนวณสามได้แก่โครงข่ายประสาทเทียม (แอน), เพิ่มประสิทธิภาพฝูงอนุภาค (PSO) และสนับสนุนเวกเตอร์เครื่อง (SVM) ในประเทศไทยยางผลิตคาดการณ์เมื่อเปรียบเทียบกับรุ่น PSO และ SVM ไฮบริดกำหนดพารามิเตอร์ของ SVM โดย PSO ซึ่งไม่จำเป็นต้องพิจารณาคุณสมบัติคู่ของประสิทธิภาพ generalization วัด และสามารถหลีกเลี่ยงการเกิดมากกว่าเหมาะสมหรือเหมาะสมน้อยรุ่น SVM เนื่องจากกำหนดพารามิเตอร์เหล่านี้ไม่เหมาะสม รูปแบบวิธีการนำเสนอและทดสอบใช้จริง datasets จากเป็นลุ่มน้ำขนาดใหญ่ของการคาดการณ์การผลิตยางของประเทศไทยไฮบริ PSO และ SVM โมเดลให้ความถูกต้องดีกว่ารุ่นแอน PSO และ SVM เนื่องจากมีการแมปที่ไม่ใช่เชิงเส้นระหว่างการป้อนข้อมูลและ อย่างไรก็ตาม เมื่อผลลัพธ์ของการคาดการณ์จะมีทดสอบ โดยการทดสอบ Tukey พร้อม ผลลัพธ์แสดงว่า การคาดการณ์ของแบบจำลองที่ 3 ไม่แตกต่างอย่างมีนัยสำคัญทางสถิติ นอกจากนี้ ไฮบริ PSO และ SVM มีไม่สมมติฐานทางสถิติเกี่ยวกับการแจกแจงข้อมูล ดังนั้น ทำให้หลากหลายมากขึ้น อย่างไรก็ตาม ไฮบริ PSO SVM suffers จาก overtraining ปัญหา และยัง เสียเปรียบที่สำคัญอื่นของแอนเป็นกล่อง ดำของมันเช่นความสามารถในการ SVM มีเพิ่งถูกเปรียบเทียบกับแอนเป็นก็แก้ปัญหา overtraining ของแอน

ผลลัพธ์ (ไทย) 3:

งานวิจัยนี้ได้ศึกษาการประยุกต์ใช้เทคนิคเชิงปัญญา 3 คือ โครงข่ายประสาทเทียม ( ANN ) เพิ่มประสิทธิภาพฝูงอนุภาค ( PSO ) และเครื่องเวกเตอร์สนับสนุน ( SVM ) ในการผลิตยางพาราไทยพยากรณ์ในการเปรียบเทียบกับ&ระบบไฮบริดแบบ SVM .
พารามิเตอร์ที่กำหนดโดยระบบ SVM ,ซึ่งไม่ต้องพิจารณาคุณสมบัติเชิงวิเคราะห์ของการวัดประสิทธิภาพและสามารถหลีกเลี่ยงการเกิดกว่าที่เหมาะสมหรือตามเหมาะสมของรูปแบบเนื่องจากการหา SVM ไม่เหมาะสมของพารามิเตอร์เหล่านี้ รูปแบบวิธีการและจำนวนข้อมูลที่แท้จริงจากการเก็บกักน้ำขนาดใหญ่ของการผลิตยางพาราของไทย
การพยากรณ์ไฮบริดระบบ& SVM แบบจำลองมีความแม่นยำกว่าแอน และระบบ SVM รุ่นเพราะเป็นแผนที่เชิงเส้นระหว่างปัจจัยการผลิตและผลผลิต อย่างไรก็ตาม เมื่อผลของการพยากรณ์จะถูกทดสอบโดยการทดสอบพร้อมกันทดสอบ พบว่า การคาดการณ์ของทั้งสามรุ่นจะไม่แตกต่างกัน . นอกจากนี้ระบบไฮบริด& SVM ไม่มีสถิติสมมติฐานเกี่ยวกับการกระจายข้อมูล จึงทำให้มันอเนกประสงค์กว่า อย่างไรก็ตาม ระบบไฮบริด& SVM ได้รับความทุกข์จากการฝึกหนักเกินไป และอีกปัญหาคือ กล่องสีดำ ข้อเสียเปรียบหลักของแอนมันชอบความสามารถ SVM เพิ่งได้รับเมื่อเทียบกับแอน มันแก้ปัญหาของแอน
ฝึกหนักเกินไป .