fitting, good self-learning and fau

fitting, good self-learning and fault tolerance. However, the
traditional BP network requires a lot of training samples. Its
convergence time is long, and the initial weight or the threshold
value is difficult to be determined. Beyond that, it is easy to fall
into local minimum. These defects have affected the prediction
accuracy of the model. Thus, the researchers use different
intelligent algorithms to improve the BP neural network, but
this kind of research is relatively small. Researcher established
the energy consumption of the RBF prediction algorithm [3],
combined the grey system requires less training data and neural
network has the advantages of self-learning and self-organizing.
It reduces the relative error of the experiment, but the precision
and stability of the model is not ideal. Researcher used genetic
algorithm to optimize the connection weights of neural network
[4], so the prediction model of building energy consumption
and indoor thermal comfort of GA-BP network is established.
The results show that the model has higher prediction accuracy,
but genetic algorithm has some defects such as complex
encoding and variation,and strict requirements for initial
parameters. There are deficiencies in the above literature. The
combination of BP neural network and other optimization
algorithm for the daily energy consumption prediction research
is less.

ผลลัพธ์ (ไทย) 1:

เหมาะสม ดีการเรียนรู้ด้วยตนเองและความผิดพลาดคลาดเคลื่อน อย่างไรก็ตาม การเครือข่าย BP แบบดั้งเดิมต้องการมากของการฝึกอบรมอย่าง ของมันเวลาบรรจบกันคือ ยาว และน้ำหนักเริ่มต้น หรือเกณฑ์การค่าเป็นเรื่องยากที่จะกำหนด นอกเหนือจากนั้น มันเป็นเรื่องง่ายที่จะตกเป็นค่าต่ำสุดในท้องถิ่น ข้อบกพร่องเหล่านี้มีผลต่อการคาดการณ์ความถูกต้องของรูปแบบ ดังนั้น นักวิจัยใช้แตกต่างกันอัจฉริยะในการปรับปรุงเครือข่ายประสาท BP แต่การวิจัยชนิดนี้มีขนาดค่อนข้างเล็ก นักวิจัยตั้งขึ้นการใช้พลังงานของอัลกอริทึมทำนาย RBF [3],รวมระบบเทาต้องน้อย กว่าข้อมูลการฝึกอบรม และระบบประสาทเครือข่ายมีข้อได้เปรียบของการเรียนรู้ด้วยตนเอง และการจัดระเบียบตัวเองจะช่วยลดข้อผิดพลาดสัมพัทธ์ของการทดสอบ แต่ความแม่นยำและความมั่นคงของรูปแบบไม่เหมาะ นักวิจัยใช้พันธุกรรมอัลกอริทึมเพื่อปรับน้ำหนักการเชื่อมต่อของโครงข่ายประสาท[4], ดังนั้นแบบการคาดการณ์ของการสร้างพลังงานและความร้อนในร่มน่าเครือข่าย GA-BP ได้ก่อตั้งขึ้นผลแสดงว่า รูปแบบมีความแม่นยำสูงในการคาดเดาแต่อัลกอริทึมทางพันธุกรรมมีข้อบกพร่องบางอย่างเช่นคอมเพล็กซ์การเข้ารหัส และการเปลี่ยนแปลง และข้อกำหนดที่เข้มงวดสำหรับเริ่มต้นพารามิเตอร์ มีข้อบกพร่องในวรรณคดีดังกล่าวข้างต้น การข่ายประสาทของ BP และการเพิ่มประสิทธิภาพอื่น ๆอัลกอริทึมสำหรับการวิจัยทำนายปริมาณการใช้พลังงานทุกวันมีค่าน้อย

ผลลัพธ์ (ไทย) 2:

กระชับดีเรียนรู้ด้วยตนเองและยอมรับความผิด อย่างไรก็ตาม
เครือข่ายความดันโลหิตแบบดั้งเดิมต้องใช้จำนวนมากของกลุ่มตัวอย่างการฝึกอบรม ใช้
เวลาการบรรจบกันเป็นเวลานานและน้ำหนักเริ่มต้นหรือเกณฑ์
มูลค่าเป็นเรื่องยากที่จะได้รับการพิจารณา นอกเหนือจากนั้นมันเป็นเรื่องง่ายที่จะตก
เข้าสู่ขั้นต่ำในท้องถิ่น ข้อบกพร่องเหล่านี้มีผลกระทบต่อการทำนาย
ความถูกต้องของรูปแบบ ดังนั้นนักวิจัยใช้ที่แตกต่างกัน
ขั้นตอนวิธีการที่ชาญฉลาดในการปรับปรุงเครือข่ายประสาท BP แต่
ชนิดของการวิจัยครั้งนี้มีขนาดค่อนข้างเล็ก นักวิจัยที่จัดตั้งขึ้น
การใช้พลังงานของขั้นตอนวิธีการทำนาย RBF [3],
รวมระบบสีเทาต้องการข้อมูลการฝึกอบรมน้อยลงและประสาท
เครือข่ายมีข้อได้เปรียบของการเรียนรู้ด้วยตนเองและตนเองจัดงาน.
จะช่วยลดความผิดพลาดของการทดลอง แต่ความแม่นยำ
และ ความมั่นคงของรูปแบบที่ไม่เหมาะ นักวิจัยใช้พันธุกรรม
ขั้นตอนวิธีการที่จะเพิ่มประสิทธิภาพน้ำหนักการเชื่อมต่อโครงข่ายประสาท
[4] ดังนั้นการทำนายรูปแบบของการใช้พลังงานในอาคาร
และความสะดวกสบายความร้อนในร่มของเครือข่าย GA-BP จะจัดตั้งขึ้น.
ผลการศึกษาพบว่ารูปแบบมีความแม่นยำการคาดการณ์ที่สูงขึ้น
แต่ขั้นตอนวิธีพันธุกรรม มีข้อบกพร่องบางอย่างเช่นการที่ซับซ้อน
การเข้ารหัสและการเปลี่ยนแปลงและความต้องการที่เข้มงวดสำหรับการเริ่มต้น
พารามิเตอร์ มีข้อบกพร่องในวรรณกรรมข้างต้น
การรวมกันของเครือข่ายประสาทความดันโลหิตและเพิ่มประสิทธิภาพอื่น ๆ
อัลกอริทึมสำหรับการวิจัยพลังงานทำนายการบริโภคประจำวัน
น้อย

ผลลัพธ์ (ไทย) 3:

กระชับ , การเรียนรู้ด้วยตนเองที่ดี และยอมรับความผิด อย่างไรก็ตามเครือข่าย BP แบบดั้งเดิมต้องใช้ตัวอย่างการฝึกอบรม ของบรรจบกันเป็นเวลานาน และน้ำหนักเริ่มต้นหรือธรณีประตูค่าเป็นเรื่องยากที่จะได้รับการพิจารณา นอกเหนือจากนั้น , มันง่ายที่จะล้มลงขั้นต่ำในท้องถิ่น ข้อบกพร่องเหล่านี้ได้รับผลกระทบการทำนายความถูกต้องของแบบจำลอง ดังนั้น นักวิจัยใช้ต่าง ๆฉลาดขั้นตอนวิธีการปรับปรุง BP ประสาทเครือข่าย แต่การวิจัยประเภทนี้มีขนาดค่อนข้างเล็ก นักวิจัยตั้งขึ้นการใช้พลังงานของบริษัทใช้ขั้นตอนวิธี [ 3 ]รวมระบบสีเทาต้องน้อยกว่าการฝึกอบรมข้อมูลและประสาทเครือข่ายมีข้อดีของตนเอง และ บน .มันช่วยลดความคลาดเคลื่อนสัมพัทธ์ของการทดลอง แต่ความแม่นยำและเสถียรภาพของแบบจำลองจะไม่เหมาะ ผู้วิจัยได้ใช้รูปแบบทางพันธุกรรมขั้นตอนวิธีการเพิ่มประสิทธิภาพการเชื่อมต่อน้ำหนักของเครือข่ายประสาท[ 4 ] ดังนั้นแบบจำลองการทำนายการใช้พลังงานของอาคารและความสะดวกสบายในร่มของเครือข่าย ga-bp คือตั้งขึ้นผลการทดลองแสดงให้เห็นว่าแบบจำลองการทำนายมีความถูกต้องสูงแต่เจเนติกอัลกอริทึมมีบกพร่องเช่นซับซ้อนการเข้ารหัสและการเปลี่ยนแปลงและความต้องการที่เข้มงวดสำหรับการเริ่มต้นพารามิเตอร์ มีความบกพร่องในวรรณกรรมข้างต้น ที่การรวมกันของ BP โครงข่ายประสาทเทียมและการเพิ่มประสิทธิภาพอื่น ๆขั้นตอนวิธีสำหรับทุกวันใช้พลังงานการทำนายการวิจัยได้น้อยลง