Forecasting naturally occurring phe

Forecasting naturally occurring phenomena is a common problem in many domains of science, and this has been addressed and investigated by many scientists. The importance of time series prediction stems from the fact that it has wide range of applications, including control systems, engineering processes, environmental systems and economics. From the knowledge of some aspects of the previous behaviour of the system, the aim of the prediction process is to determine or predict its future behaviour. In this paper, we consider a novel application of a higher order polynomial neural network architecture called Dynamic Ridge Polynomial Neural Network that combines the properties of higher order and recurrent neural networks for the prediction of physical time series. In this study, four types of signals have been used, which are; The Lorenz attractor, mean value of the AE index, sunspot number, and heat wave temperature. The simulation results showed good improvements in terms of the signal to noise ratio in comparison to a number of higher order and feedforward neural networks in comparison to the benchmarked techniques.

ผลลัพธ์ (ไทย) 1:

คาดการณ์ปรากฏการณ์ธรรมชาติที่เกิดขึ้นเป็นปัญหาทั่วไปในหลายโดเมนของวิทยาศาสตร์ และนี้มีการส่ง และตรวจสอบ โดยนักวิทยาศาสตร์หลาย ความสำคัญของเวลาชุดทายมาจากข้อเท็จจริงว่า มีหลากหลายโปรแกรมประยุกต์ รวมถึงระบบควบคุม วิศวกรรมกระบวนการ ระบบสิ่งแวดล้อม และเศรษฐศาสตร์ จากความรู้บางด้านของพฤติกรรมก่อนหน้าของระบบ จุดมุ่งหมายของการพยากรณ์คือการ กำหนด หรือทำนายพฤติกรรมในอนาคตของ ในเอกสารนี้ เราพิจารณาใช้นวนิยายสูงสั่งเครือข่ายประสาทลกำลังสถาปัตยกรรมเรียกว่าไดนามิกริดจ์พหุนามข่ายประสาทที่รวมคุณสมบัติของขั้นสูงและเครือข่ายประสาทที่เกิดซ้ำสำหรับการคาดเดาของชุดข้อมูลเวลาจริง ในการศึกษานี้ สี่ชนิดของสัญญาณการใช้ ที่อยู่ ที่ชายลอเรนซ์ attractor ค่าเฉลี่ยของดัชนี AE จำนวนจุดมืดดวงอาทิตย์ และคลื่นความร้อนอุณหภูมิ ผลการทดลองพบว่าการปรับปรุงที่ดีในแง่ของสัญญาณต่อสัญญาณรบกวนโดยหมายเลขของใบสั่งและ feedforward สูงเครือข่ายประสาท โดยเทคนิค benchmarked

ผลลัพธ์ (ไทย) 2:

พยากรณ์ปรากฏการณ์ธรรมชาติที่เกิดขึ้นเป็นปัญหาที่พบบ่อยในหลายโดเมนของวิทยาศาสตร์และเรื่องนี้ได้รับการแก้ไขและตรวจสอบโดยนักวิทยาศาสตร์หลายคน ความสำคัญของเวลาการทำนายชุดเกิดจากความจริงที่ว่ามันมีความหลากหลายของการใช้งานรวมทั้งระบบการควบคุมกระบวนการวิศวกรรมระบบสิ่งแวดล้อมและเศรษฐศาสตร์ จากความรู้ของบางแง่มุมของพฤติกรรมก่อนหน้าของระบบจุดมุ่งหมายของกระบวนการการทำนายคือการกำหนดหรือทำนายพฤติกรรมในอนาคตของตน ในบทความนี้เราจะพิจารณาการประยุกต์นวนิยายของสถ​​าปัตยกรรมเครือข่ายประสาทพหุนามการสั่งซื้อที่สูงขึ้นที่เรียกว่าริดจ์แบบไดนามิกพหุนามเครือข่ายประสาทที่รวมคุณสมบัติของการสั่งซื้อที่สูงขึ้นและเครือข่ายประสาทกำเริบการทำนายอนุกรมเวลาทางกายภาพ ในการศึกษานี้สี่ประเภทของสัญญาณได้ถูกนำมาใช้ซึ่งเป็น; attractor อเรนซ์, ค่าเฉลี่ยของดัชนี AE จำนวนจุดบอดบนดวงอาทิตย์และอุณหภูมิคลื่นความร้อน ผลการจำลองแสดงให้เห็นการปรับปรุงที่ดีในแง่ของอัตราส่วนสัญญาณต่อเสียงในการเปรียบเทียบกับจำนวนการสั่งซื้อที่สูงขึ้นและเครือข่ายประสาทคราทในการเปรียบเทียบกับเทคนิคการวัดประสิทธิผล

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปรากฎการณ์ธรรมชาติที่เกิดขึ้นเป็นปัญหาที่พบบ่อยในหลายโดเมนของวิทยาศาสตร์ และนี้ได้รับการแก้ไขและตรวจสอบโดยนักวิทยาศาสตร์หลายคน ความสำคัญของการพยากรณ์อนุกรมเวลาเกิดจากข้อเท็จจริงที่ว่ามันมีหลากหลายของการใช้งานรวมถึงระบบการควบคุมกระบวนการวิศวกรรมระบบสิ่งแวดล้อมและเศรษฐศาสตร์จากความรู้เกี่ยวกับบางแง่มุมของพฤติกรรมก่อนหน้านี้ของระบบเป้าหมายของกระบวนการพยากรณ์หรือคาดการณ์พฤติกรรมเพื่อกำหนดอนาคตของ ในกระดาษนี้เราพิจารณาใหม่ในการสั่งแบบสูงกว่าโครงข่ายประสาทเทียมแบบสถาปัตยกรรมที่เรียกว่า สันพหุนามประสาทเครือข่ายที่รวมคุณสมบัติของสินค้าที่สูงขึ้น และเครือข่ายประสาทกำเริบ สำหรับการพยากรณ์อนุกรมเวลาทางกายภาพ . ในการศึกษานี้ได้ใช้สี่ประเภทของสัญญาณ ซึ่งคือ ลอเรนซ์ attractor , แอ ค่าเฉลี่ยของดัชนีจุดมืดหมายเลขและอุณหภูมิ คลื่นความร้อน ผลการจำลองการทำงานแสดงการปรับปรุงที่ดีในแง่ของอัตราส่วนสัญญาณต่อเสียงรบกวนในการเปรียบเทียบกับจำนวนการสั่งซื้อที่สูงขึ้นและไปข้างหน้าโครงข่ายประสาทเทียมในการเปรียบเทียบเพื่อตรวจสอบเทคนิค