Growing interest in the use of arti

Growing interest in the use of artificial neural networks (ANNs) in rainfall-runoff modelling has suggested certain
issues that are still not addressed properly. One such concern is the use of network type, as theoretical studies on a
multi-layer perceptron (MLP) with a sigmoid transfer function enlightens certain limitations for its use. Alternatively,
there is a strong belief in the general ANN user community that a radial basis function (RBF) network performs better
than an MLP, as the former bases its nonlinearities on the training data set. This argument is not yet substantiated by
applications in hydrology. This paper presents a comprehensive evaluation of the performance of MLP- and RBF-type
neural network models developed for rainfall-runoff modelling of two Indian river basins. The performance of both the
MLP and RBF network models were comprehensively evaluated in terms of their generalization properties, predicted
hydrograph characteristics, and predictive uncertainty. The results of the study indicate that the choice of the network
type certainly has an impact on the model prediction accuracy. The study suggests that both the networks have merits
and limitations. For instance, the MLP requires a long trial-and-error procedure to fix the optimal number of hidden
nodes, whereas for an RBF the structure of the network can be fixed using an appropriate training algorithm. However,
a judgment on which is superior is not clearly possible from this study. Copyright

ผลลัพธ์ (ไทย) 1:

สนใจในการใช้เครือข่ายประสาทเทียม (ANNs) การเจริญเติบโตในน้ำฝน-น้ำหลากได้แนะนำบางปัญหาที่ยังไม่ระบุอย่างถูกต้อง ความกังวลดังกล่าวหนึ่งคือ การใช้ประเภทเครือข่าย เป็นการศึกษาทฤษฎีในการเพอร์เซปตรอนแบบหลายชั้น (MLP) มีฟังก์ชั่นถ่ายโอน sigmoid enlightens จำกัดสำหรับการใช้งาน อีกวิธีหนึ่งคือมีอยู่ในชุมชนผู้ใช้แอนทั่วไปที่เครือข่ายฟังก์ชัน (RBF) โดยรัศมีการทำงานได้ดีกว่า MLP เป็นอดีตฐานของ nonlinearities บนชุดข้อมูลฝึกอบรม อาร์กิวเมนต์นี้ยังพิสูจน์โดยโปรแกรมประยุกต์ในอุทกวิทยา เอกสารนี้แสดงการประเมินที่ครอบคลุมของประสิทธิภาพการทำงานของ MLP และ RBF-ชนิดแบบจำลองโครงข่ายประสาทพัฒนาสำหรับสร้างแบบจำลองปริมาณน้ำฝนที่ไหลบ่าของสองแม่น้ำอินเดียอ่าง ประสิทธิภาพของทั้งสองรุ่นเครือข่าย RBF และ MLP ถูกประเมินทั้งในแง่ของคุณสมบัติลักษณะ ทำนายลักษณะ hydrograph และความไม่แน่นอนที่คาดเดา ผลการศึกษาบ่งชี้ว่า ตัวเลือกของเครือข่ายชนิดมีผลต่อความแม่นยำการทำนายแบบแน่นอน การศึกษาแนะนำว่า ทั้งสองเครือข่ายที่มีบุญและข้อจำกัด เช่น MLP ต้องใช้กระบวนการยาวนานทดลองใช้ และการแก้ไขจำนวนที่ซ่อนอยู่โหน ในขณะที่สำหรับ RBF มี โครงสร้างของเครือข่ายสามารถแก้ไขโดยใช้อัลกอริทึมการฝึกอบรมที่เหมาะสม อย่างไรก็ตามการพิพากษาซึ่งจะเหนือกว่าไม่ได้อย่างชัดเจนจากการศึกษา ลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

ดอกเบี้ยที่เพิ่มขึ้นในการใช้เครือข่ายประสาทเทียม (ANNs)
ในการสร้างแบบจำลองปริมาณน้ำฝนที่ไหลบ่า-แนะบางประเด็นที่ยังคงไม่ได้รับการแก้ไขอย่างถูกต้อง หนึ่งในความกังวลดังกล่าวคือการใช้ประเภทเครือข่ายการศึกษาทางทฤษฎีในตรอนหลายชั้น (MLP) ที่มีฟังก์ชั่นการถ่ายโอน sigmoid สว่างข้อ จำกัด บางอย่างสำหรับการใช้งาน
อีกทางเลือกหนึ่งที่มีความเชื่อมั่นในทั่วไปชุมชนผู้ใช้แอนว่าฟังก์ชั่นพื้นฐานรัศมี (RBF) เครือข่ายมีประสิทธิภาพดีกว่าMLP เป็นฐานของอดีต nonlinearities กับข้อมูลการฝึกอบรมชุด เรื่องนี้ไม่ได้รับการพิสูจน์โดยยังใช้งานในอุทกวิทยา บทความนี้นำเสนอการประเมินผลที่ครอบคลุมของประสิทธิภาพการทำงานของ MLP- RBF และประเภทรุ่นโครงข่ายประสาทเทียมที่พัฒนาขึ้นสำหรับการสร้างแบบจำลองปริมาณน้ำฝนที่ไหลบ่า-สองลุ่มน้ำอินเดีย ผลการดำเนินงานของทั้งสองMLP และรูปแบบของเครือข่าย RBF ได้รับการประเมินอย่างครอบคลุมในแง่ของคุณสมบัติทั่วไปของพวกเขาคาดการณ์ลักษณะhydrograph และความไม่แน่นอนการคาดการณ์ ผลการศึกษาแสดงให้เห็นว่าทางเลือกของเครือข่ายประเภทอย่างแน่นอนมีผลกระทบต่อความถูกต้องของการทำนายรูปแบบที่ ผลการศึกษาแสดงให้เห็นว่าทั้งสองเครือข่ายมีประโยชน์และข้อ จำกัด ยกตัวอย่างเช่น MLP ต้องมีขั้นตอนการพิจารณาคดีนานและข้อผิดพลาดในการแก้ไขปัญหาที่ดีที่สุดของจำนวนซ่อนโหนดในขณะที่สำหรับRBF โครงสร้างของเครือข่ายที่สามารถแก้ไขได้โดยใช้วิธีการฝึกอบรมที่เหมาะสม อย่างไรก็ตามการตัดสินที่ดีกว่าเป็นไปไม่ได้อย่างชัดเจนจากการศึกษานี้ ลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

ใน เวลาเดียวกัน ยอมรับว่ากระบวนการการพัฒนาควรเน้นความต้องการขององค์กรในบริบทของสภาพแวดล้อมทางธุรกิจและกระบวนการพื้นที่อยู่สูงกว่าระดับวุฒิภาวะที่สามารถตอบสนองความต้องการในปัจจุบันและอนาคตขององค์กรหรือโครงการ