Rainfall forecasting plays many imp

Rainfall forecasting plays many important role in water resources studies such as river training works and design of flood warning
systems. Recent advancement in artificial intelligence and in particular techniques aimed at converting input to output for highly nonlinear,
non-convex and dimensionalized processes such as rainfall field, provide an alternative approach for developing rainfall forecasting
model. Artificial neural networks (ANNs), which perform a nonlinear mapping between inputs and outputs, are such a technique.
Current literatures on artificial neural networks show that the selection of network architecture and its efficient training procedure are
major obstacles for their daily usage. In this paper, feed-forward type networks will be developed to simulate the rainfall field and a socalled
back propagation (BP) algorithm coupled with genetic algorithm (GA) will be used to train and optimize the networks. The technique
will be implemented to forecast rainfall for a number of times using rainfall hyetograph of recording rain gauges in the Upper
Parramatta catchment in the western suburbs of Sydney, Australia. Results of the study showed the structuring of ANN network with
the input parameter selection, when coupled with GA, performed better compared to similar work of using ANN alone.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์ปริมาณน้ำฝนสำคัญจำนวนมากในน้ำการศึกษาทรัพยากรน้ำฝึกงานและออกแบบของการเตือนภัยน้ำท่วมระบบ ความก้าวหน้าล่าสุด ในปัญญาประดิษฐ์ และเทคนิคเฉพาะเพื่อป้อนข้อมูลการแสดงผลสำหรับการแปลงสูงไม่เชิงเส้นกระบวนการไม่ใช่นูน และ dimensionalized เช่นเขตข้อมูลปริมาณน้ำฝน มีวิธีการอื่นสำหรับการคาดการณ์ปริมาณน้ำฝนพัฒนาแบบจำลอง ประดิษฐ์ประสาทเครือข่าย (ANNs), ที่ทำการแมปที่ไม่เชิงเส้นระหว่างอินพุตและเอาท์พุต เทคนิคดังกล่าวได้Literatures ปัจจุบันบนเครือข่ายประสาทเทียมแสดงการเลือกของสถาปัตยกรรมเครือข่ายและกระบวนการฝึกอบรมที่มีประสิทธิภาพอุปสรรคสำคัญสำหรับการใช้งานประจำวันของพวกเขา ในเอกสารนี้ เครือข่ายชนิดอาหารไปจะพัฒนาขึ้นเพื่อจำลองเขตปริมาณน้ำฝนและการ socalledจะใช้อัลกอริทึมการเผยแพร่หลัง (BP) ควบคู่ไปกับอัลกอริทึมทางพันธุกรรม (GA) เพื่อฝึก และเพิ่มประสิทธิภาพเครือข่าย เทคนิคการจะดำเนินการเพื่อคาดการณ์ปริมาณน้ำฝนจำนวนครั้งใช้ hyetograph ฝนของบันทึกฝนมาตรวัดบนลุ่มน้ำปาร์รามัตตาในชานเมืองตะวันตกของซิดนีย์ ออสเตรเลีย ผลการศึกษาแสดงให้เห็นว่าการจัดโครงสร้างของเครือข่ายแอนเลือกพารามิเตอร์ป้อนเข้า เมื่อควบคู่กับ GA ทำดีกว่าเมื่อเทียบกับคล้ายงานของใช้คนเดียวแอน

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ปริมาณน้ำฝนมีบทบาทสำคัญมากในการศึกษาทรัพยากรน้ำเช่นผลงานการฝึกอบรมแม่น้ำและการออกแบบของเตือนภัยน้ำท่วมระบบ ความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์และโดยเฉพาะอย่างยิ่งในเทคนิคการมุ่งเป้าไปที่การแปลงการป้อนข้อมูลการส่งออกสำหรับการไม่เชิงเส้นสูงกระบวนการที่ไม่นูนและ dimensionalized เช่นสนามปริมาณน้ำฝนให้เป็นวิธีทางเลือกในการพัฒนาการคาดการณ์ปริมาณน้ำฝนรุ่น เครือข่ายประสาทเทียม (ANNs) ซึ่งดำเนินการทำแผนที่เชิงเส้นระหว่างปัจจัยการผลิตและผลผลิตมีเทคนิคดังกล่าว. วรรณกรรมปัจจุบันบนเครือข่ายประสาทเทียมแสดงให้เห็นว่าการเลือกของสถาปัตยกรรมเครือข่ายและวิธีการฝึกอบรมที่มีประสิทธิภาพเป็นอุปสรรคสำคัญสำหรับการใช้งานในชีวิตประจำวันของพวกเขา ในบทความนี้เครือข่ายประเภทอาหารไปข้างหน้าจะมีการพัฒนาในการจำลองสนามปริมาณน้ำฝนและ socalled ขยายพันธุ์กลับ (BP) ขั้นตอนวิธีการควบคู่ไปกับขั้นตอนวิธีพันธุกรรม (GA) จะถูกนำมาใช้ในการฝึกอบรมและเพิ่มประสิทธิภาพของเครือข่าย เทคนิคที่จะดำเนินการที่จะคาดการณ์ปริมาณน้ำฝนเป็นจำนวนครั้งที่ใช้ hyetograph ปริมาณน้ำฝนในการบันทึกมาตรวัดฝนตกลงมาในสังคมที่กักเก็บน้ำมัตตาในย่านชานเมืองทางตะวันตกของนครซิดนีย์ประเทศออสเตรเลีย ผลการศึกษาแสดงให้เห็นว่าโครงสร้างของเครือข่าย ANN กับการเลือกพารามิเตอร์สำหรับการป้อนเมื่อคู่กับGA, ทำได้ดีเมื่อเทียบกับการทำงานที่คล้ายกันของการใช้แอนคนเดียว

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปริมาณน้ำฝนนั้นมีบทบาทสำคัญมากในแหล่งน้ำ เช่น แม่น้ำ งานศึกษาอบรม และออกแบบระบบเตือน
น้ำท่วม ความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์และเทคนิคเฉพาะที่มุ่งแปลง input output ที่ไม่เป็นเชิงเส้นสูง และกระบวนการ dimensionalized
ไม่นูน เช่น ทุ่งฝนให้บริการทางเลือกสำหรับการพัฒนาแบบจำลองพยากรณ์ฝน
. โครงข่ายประสาทเทียม ( แอนน์ ) ซึ่งแสดงแผนที่เชิงเส้นระหว่างอินพุตและเอาต์พุต มีเทคนิคดังกล่าว
วรรณกรรมปัจจุบันบนโครงข่ายประสาทเทียมที่แสดงให้เห็นว่าการเลือกของสถาปัตยกรรมเครือข่ายและกระบวนการของการฝึกอบรมที่มีประสิทธิภาพเป็นหลักสำหรับการใช้งานทุกวัน
อุปสรรคของพวกเขา ในกระดาษนี้เครือข่ายประเภท feed-forward จะพัฒนาขึ้นเพื่อจำลองฝนตกสนามและลากข้าง
back propagation ( BP ) โดยคู่กับขั้นตอนวิธีเชิงพันธุกรรม ( GA ) จะถูกใช้เพื่อฝึกและเพิ่มประสิทธิภาพเครือข่าย เทคนิค
จะดำเนินการพยากรณ์ปริมาณน้ำฝนสำหรับจำนวนของเวลาที่ใช้ในการบันทึกของฝนฝนฝนสะสมเกจด้านบน
มัตตาพื้นที่รับน้ำในเขตชานเมืองทางตะวันตกของซิดนีย์ ออสเตรเลีย ผลการศึกษาพบว่าการสร้างเครือข่ายกับ
แอนใส่พารามิเตอร์การเลือก เมื่อคู่กับกา แสดงได้ดีกว่าทำงานที่คล้ายกันของการใช้แอนคนเดียว