2.3. Artificial neural network appl

2.3. Artificial neural network applied to predict TDS
In this study a feed forward neural network (FFNN) with
back-propagation training algorithm was applied to correlate
the relation between input alkalinity expressed in (pH) and
output salinity expressed in (TDS). The ANN configuration
was identified based on a previous research by Nasr et al.,
2013 and through conducting several trials until reaching the
best regression results with no over-fitting Fig. 2. The network
properties were as follows:
– Network input: pH.
– Network output: TDS concentrations.
– Network type: Feed-forward back-propagation.
– Training function: Levenberg–Marquardt algorithm
(TRAINLM).
– Adaptation learning function: Gradient descent with
momentum weight/bias learning function (LEARNGDM).
– Performance function: Mean square error (MSE).
– Number of layers: 3 (layer-1: five neurons and TANSIG
transfer function; layer-2: three neurons and LOGSIG

ผลลัพธ์ (ไทย) 1:

2.3. โครงข่ายประสาทเทียมกับการทายว่า TDSในการศึกษานี้เป็นตัวดึงข้อมูลไปข้างหน้า (FFNN) โครงข่ายประสาทด้วยใช้ขั้นตอนวิธีการฝึกอบรมเผยแพร่หลังการเชื่อมโยงความสัมพันธ์ระหว่างอินพุตสภาพด่าง (ค่า pH) แสดง และเค็มผลผลิตที่แสดงใน (TDS) การกำหนดค่าของแอนระบุตามวิจัยก่อนหน้าโดยไคโร et al.,2013 และ ผ่านการทำการทดลองต่าง ๆ จนถึงการสุดถดถอย มี 2 Fig. ไม่เหมาะสมมากเกินไป เครือข่ายคุณสมบัติมีดังนี้:– ป้อนข้อมูลเครือข่าย: ค่า pH-ผลผลิตเครือข่าย: ความเข้มข้นของ TDS– ชนิดของเครือข่าย: ไปดึงกลับมาเผยแพร่– ฟังก์ชันฝึกอบรม: Levenberg – Marquardt อัลกอริทึม(TRAINLM)-ปรับตัวเรียนรู้ฟังก์ชัน: ไล่ระดับโคตรด้วยโมเมนตัมน้ำหนัก/อคติฟังก์ชัน (LEARNGDM) การเรียนรู้-ประสิทธิภาพการทำงานฟังก์ชัน: ข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (MSE)-จำนวนชั้น: 3 (ชั้น 1: 5 neurons และ TANSIGฟังก์ชันถ่ายโอน ชั้น 2: สาม neurons และ LOGSIG

ผลลัพธ์ (ไทย) 2:

2.3 เครือข่ายประสาทเทียมที่ใช้ในการทำนาย TDS
ในการศึกษาเครือข่ายประสาทไปข้างหน้าฟีดนี้ (FFNN) โดยมี
ขั้นตอนวิธีการฝึกอบรมหลังการขยายพันธุ์ที่ถูกนำไปใช้กับความสัมพันธ์
ความสัมพันธ์ระหว่างความเป็นด่างการป้อนข้อมูลที่แสดงใน (pH) และ
ความเค็มที่ส่งออกแสดงใน (TDS) การกำหนดค่า ANN
ถูกระบุอยู่บนพื้นฐานของการวิจัยก่อนหน้าโดยนาร์ซ et al.,
2013 และผ่านการดำเนินการทดลองหลาย ๆ จนกว่าจะถึง
ผลลัพธ์ที่ดีที่สุดการถดถอยที่ไม่มีรูปในช่วงที่เหมาะสม 2. เครือข่าย
คุณสมบัติดังนี้
- การป้อนข้อมูลของเครือข่าย: พีเอช.
- ออกเครือข่าย: ความเข้มข้น TDS.
- ประเภทเครือข่าย:. ฟีดไปข้างหน้าหลังการขยายพันธุ์
- ฟังก์ชั่นการฝึกอบรมขั้นตอนวิธี Levenberg-Marquardt
. (TRAINLM)
- ฟังก์ชั่นการเรียนรู้การปรับตัว: เชื้อสายไล่โทนสีด้วย
. น้ำหนักโมเมนตัม / อคติการเรียนรู้ฟังก์ชั่น (LEARNGDM)
. - ฟังก์ชั่นการปฏิบัติงาน: ข้อผิดพลาดหมายถึงตาราง (MSE)
- จำนวนชั้น: 3 (ชั้น 1: ห้าเซลล์ประสาทและ TANSIG
ฟังก์ชั่นการถ่ายโอน; ชั้นที่ 2: สามเซลล์ประสาทและ LOGSIG

ผลลัพธ์ (ไทย) 3:

2.3 โครงข่ายประสาทเทียมที่ใช้ทำนาย TDS
ในการศึกษาข้อมูลไปข้างหน้าโครงข่ายประสาทเทียม ( ffnn ) กับการประยุกต์ขั้นตอนวิธี back-propagation

ความสัมพันธ์ความสัมพันธ์ระหว่างความเป็นด่าง ( pH ) และข้อมูลที่แสดงใน
ผลผลิตความเค็มแสดงออกใน ( TDS ) ส่วนแอนค่า
ถูกระบุตามการวิจัยก่อนหน้านี้โดย Nasr et al . ,
2013 และผ่านการทดสอบหลาย ๆ จนกว่าจะถึงการไม่มีอยู่ผลลัพธ์
ที่ดีที่สุดกระชับรูปที่ 2 เครือข่าย
คุณสมบัติดังนี้
.
) เครือข่ายข้อมูลและเครือข่ายการส่งออก : TDS ) .
ประเภท–เครือข่าย : ดึงไปข้างหน้า back-propagation ฟังก์ชั่นการฝึกอบรม
) : levenberg –มาร์ควขั้นตอนวิธี
( trainlm )
) การปรับตัวเรียนรู้ฟังก์ชัน : ลาดด้วย
เชื้อสายโมเมนตัมน้ำหนัก / อคติ เรียนรู้ฟังก์ชัน ( ฟังก์ชันการทำงาน learngdm )
) : ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE )
) จำนวนชั้น : 3 ( layer-1 : ห้าเซลล์ประสาท tansig
และฟังก์ชั่นการถ่ายโอน ; layer-2 : สาม logsig เซลล์ประสาทและ