It can be seen from Table 4.1 that

It can be seen from Table 4.1 that based on the mse and R values during training, the performance of the ANN model improved when an additional hidden layer is included in the network and it is further improved when the training function of Bayesian regulation backpropagation is used. During testing, the data set includes forty five cases, which were not used during training. By applying the models to the testing dataset; the mse of 7.09876, 1.63661 and 3.18439 for Model 1, Model 2 and Model 3, were generated respectively. In contrast to the experience with the training set, using the Bayesian regulation back propagation algorithm did not give a better mse value.

A comparison of the three models was made. Although Model 2 provides a better mse than Model 3 during testing (1.6366 and 3.1844 respectively, as shown in Table 4.1), by comparing the average percentage error over all test cases (10.07 for Model 2 and 6.51 for Model 3), it can be seen that Model 3 gives a better performance and prediction. In comparing the worst and best cases, the worst case of Model 3 has an error of 21.51%, which is significantly lower than that of Model 1 (162.26%) and Model 2 (105.77%). The best case of Model 3 has an error of 0.50%, which is also lower than that of Model 1 (2.53%) and Model 2 (1.20%). The oil production curves of the best and worst case of Model 3 are shown in Fig. 4.1, and it can be seen the curves for predicted output and target output are closely approximating each other in both cases. Thus, it can be concluded that Model 3 gives the best performance and consequently, it was incorporated into the automated prediction system.

ผลลัพธ์ (ไทย) 2:

มันสามารถเห็นได้จากตารางที่ 4.1 ที่อยู่บนพื้นฐานของค่า MSE และ R ระหว่างการฝึกอบรมที่มีประสิทธิภาพของรูปแบบแอนดีขึ้นเมื่อชั้นที่ซ่อนเพิ่มเติมจะรวมอยู่ในเครือข่ายและเป็นต่อไปที่ดีขึ้นเมื่อฟังก์ชั่นการฝึกอบรมของ backpropagation ระเบียบคชกรรมถูกนำมาใช้ . ในระหว่างการทดสอบข้อมูลชุดรวมถึงสี่สิบหกรณีที่ไม่ได้ใช้ในระหว่างการฝึกอบรม โดยใช้แบบจำลองเพื่อทดสอบชุด; MSE ของ 7.09876 ที่ 1.63661 3.18439 และสำหรับรุ่นที่ 1 รุ่นที่ 2 และรุ่นที่ 3 ถูกสร้างขึ้นตามลำดับ ในทางตรงกันข้ามกับประสบการณ์กับชุดการฝึกอบรมโดยใช้ระเบียบวิธีการขยายพันธุ์แบบเบย์กลับไม่ได้ให้ค่า MSE ดีกว่า. การเปรียบเทียบของทั้งสามรุ่นที่ถูกทำ แม้ว่ารุ่น 2 ให้ MSE ดีกว่ารุ่น 3 ในระหว่างการทดสอบ (1.6366 และ 3.1844 ตามลำดับดังแสดงในตารางที่ 4.1) โดยการเปรียบเทียบความผิดพลาดร้อยละเฉลี่ยมากกว่าทุกกรณีทดสอบ (10.07 สำหรับรุ่นที่ 2 และ 6.51 สำหรับรุ่นที่ 3) ที่จะสามารถ เห็นได้ว่ารุ่น 3 ให้ประสิทธิภาพที่ดีขึ้นและการทำนาย ในการเปรียบเทียบกรณีที่เลวร้ายที่สุดและดีที่สุดในกรณีที่เลวร้ายที่สุดของรุ่น 3 มีข้อผิดพลาดของ 21.51% ซึ่งต่ำกว่าที่ของรุ่นที่ 1 (162.26%) และรุ่นที่ 2 (105.77%) กรณีที่ดีที่สุดของรุ่น 3 มีข้อผิดพลาดที่ 0.50% ซึ่งยังต่ำกว่าของรุ่นที่ 1 (2.53%) และรุ่นที่ 2 (1.20%) เส้นโค้งการผลิตน้ำมันของกรณีที่ดีที่สุดและเลวร้ายที่สุดของรุ่น 3 จะแสดงในรูป 4.1 และมันสามารถมองเห็นเส้นโค้งสำหรับการส่งออกและการส่งออกเป้าหมายที่คาดการณ์อย่างใกล้ชิดใกล้เคียงกันในทั้งสองกรณี ดังนั้นจึงสามารถสรุปได้ว่ารุ่น 3 จะช่วยให้ประสิทธิภาพการทำงานที่ดีที่สุดและทำให้มันถูกรวมเข้าไว้ในระบบการทำนายอัตโนมัติ

ผลลัพธ์ (ไทย) 3:

มันสามารถเห็นได้จากตารางที่ 4.1 ที่อยู่บนพื้นฐานของ MSE และค่า r ระหว่างการฝึกอบรม ประสิทธิภาพของรูปแบบ แอนดีขึ้นเมื่อเพิ่มชั้นซ่อนอยู่ในเครือข่ายและมีการปรับปรุงเพิ่มเติมเมื่อการฝึกอบรมการทำงานของระบบการควบคุมแบบใช้ ในระหว่างการทดสอบ กลุ่มตัวอย่างประกอบด้วยสี่สิบห้ากรณี ซึ่งไม่ได้ถูกใช้ในระหว่างการฝึกอบรมโดยใช้แบบทดสอบชุดข้อมูล ; MSE ของ 7.09876 1.63661 3.18439 , และรุ่น 1 รุ่น 2 และรุ่นที่ 3 ขึ้น ตามลำดับ ในทางตรงกันข้ามกับประสบการณ์ด้วยชุดฝึกอบรม การใช้ระบบระเบียบกลับการขยายพันธุ์วิธีไม่ให้ค่า MSE ดีกว่า

การเปรียบเทียบสามรุ่นได้แม้ว่ารุ่น 2 ให้ดีขึ้น ( กว่ารุ่น 3 ในระหว่างการทดสอบ ( 1.6366 และ 3.1844 ตามลำดับ ดังแสดงในตารางที่ 4.1 ) โดยการเปรียบเทียบความคลาดเคลื่อนเฉลี่ยมากกว่ากรณีทดสอบทั้งหมด ( 10.07 สำหรับรุ่น 2 และ รุ่น 3 ทั้ง ) จะเห็นได้ว่า แบบจำลองที่ 3 จะช่วยให้ประสิทธิภาพที่ดีขึ้น และพยากรณ์ เปรียบเทียบกรณีเลวร้ายที่สุดและดีที่สุด กรณีเลวร้ายที่สุดของรุ่น 3 มีข้อผิดพลาดของ 21.51 %ซึ่งน้อยกว่าที่ของรุ่น 1 ( 162.26 % ) และรุ่นที่ 2 ( 105.77 % ) กรณีที่ดีที่สุดของรุ่น 3 มีข้อผิดพลาดของ 0.50% ซึ่งยังต่ำกว่าที่ของรุ่น 1 ( 2.53 % ) และแบบที่ 2 ( 1.20 % ) การผลิตน้ํามันโค้งของกรณีที่ดีที่สุดและเลวร้ายที่สุดของแบบจำลองที่ 3 จะแสดงในรูปที่ 4.1 ,และสามารถเห็นโค้งเพื่อทำนายผลผลิต และผลผลิตเป้าหมายอย่างใกล้ชิดประมาณแต่ละอื่น ๆ ในทั้งสองกรณี ดังนั้นจึงสามารถสรุปได้ว่า แบบจำลองที่ 3 จะช่วยให้ประสิทธิภาพที่ดีที่สุดและดังนั้นจึงรวมอยู่ในการคาดการณ์โดยอัตโนมัติระบบ