2.3 Artificial Neural NetworkThe Ar

2.3 Artificial Neural Network
The Artificial Neural Networks (ANNs) can be trained on the basis of experimental data [14,15], as highlighted
in other papers [16-20]; the theory on which an ANN based on is already described in a previous work [13]. A twolayers feedforward Neural Network was trained by using Matlab programming language; a sigmoidal function for
the hidden layer and a linear function for the output one were chosen as transfer function (T). For the hidden layer,
the sigmoidal function was chosen because it allows to simplify the gradient calculation of the Error function (E)
and to reduce the computational time of the training. The defined pattern is shown in figure 1. The LevenbergMarquardt algorithm was used for the training of Networks. It is a fast method used for minimizing the mean square
error in the feedforward Neural Network.
Preliminary simulations were carried out by varying the number of neurons used in the hidden layer. For all the
simulations, the 70% of data was used for the training, while the remaining part was used for the validation and test
of the Network (15% and 15% respectively) according to previous work [17]. The regression values and the mean
error returned by the trained Networks were considered as control parameters; in table 2 the chosen control parameters
only for the best trained Neural Networks are shown. The best ANN was chosen: it was obtained by using 41
neurons that has the higher training, test, and global regression values and the smallest mean error and standard
deviation. In Figure 2 the comparison between the PMV calculated using the Artificial Neural Networkand the heat
balance approach with respect to questionnaires data is shown; the ANN' results are better correlated with
questionnaires data than the one calculated with the Fanger static model approach. The Regression line is more
similar to the bisecting line, which represent a perfect correlation (PMVq=PMVANN); the regression coefficient is
also higher (R2ANN=0.57; R2 anger=0.23).

ผลลัพธ์ (ไทย) 1:

2.3 โครงข่ายประสาทเทียมเครือข่ายประสาทเทียม (ANNs) สามารถฝึกได้ตามข้อมูลทดลอง [14,15], เป็นการเน้นในเอกสารอื่น ๆ [16-20]; ทฤษฎีที่มีแอนอิงถูกอธิบายไว้ในการทำงานก่อนหน้า [13] ฝึกทักษะ โดยใช้ภาษาเขียนโปรแกรม Matlab; feedforward twolayers ข่ายประสาท ฟังก์ชัน sigmoidalชั้นที่ซ่อนและฟังก์ชันเชิงเส้นสำหรับการแสดงผลที่หนึ่งได้รับเลือกเป็นโอนฟังก์ชัน (T) สำหรับชั้นที่ซ่อนอยู่เลือกฟังก์ชัน sigmoidal เพราะช่วยให้ทำการคำนวณไล่ระดับของข้อผิดพลาดฟังก์ชัน (E)และ เพื่อลดการคำนวณเวลาของการฝึกอบรม รูปแบบกำหนดไว้จะแสดงในรูปที่ 1 อัลกอริทึม LevenbergMarquardt ถูกใช้สำหรับการฝึกอบรมของเครือข่าย มันเป็นวิธีรวดเร็วใช้สำหรับลดสี่เหลี่ยมหมายถึงข้อผิดพลาดใน feedforward ข่ายประสาทแบบจำลองเบื้องต้นที่ดำเนินการ โดยแตกต่างกันของเซลล์ประสาทที่ใช้ในเลเยอร์ที่ถูกซ่อน สำหรับทั้งหมดจำลอง 70% ของข้อมูลที่ใช้สำหรับการฝึกอบรม ในขณะที่ส่วนเหลือใช้สำหรับการตรวจสอบและทดสอบของเครือข่าย (15% และ 15% ตามลำดับ) ตามการทำงานก่อนหน้านี้ [17] ค่าถดถอยและหมายถึงผิดพลาดส่งกลับ โดยเครือข่ายผ่านการฝึกอบรมได้รับการพิจารณาเป็นพารามิเตอร์การควบคุม ตาราง 2 การเลือกควบคุมพารามิเตอร์สำหรับที่สุดฝึกประสาทเครือข่ายเท่านั้นที่จะแสดงขึ้น ดีที่สุดเลือกแอน: มันได้รับ โดยใช้ 41เซลล์ประสาทที่มีการฝึกอบรมสูง ทดสอบ และค่าถดถอยทั่วโลก และข้อผิดพลาดหมายถึงน้อยที่สุด และมาตรฐานความเบี่ยงเบน ภาพที่ 2 การเปรียบเทียบระหว่าง PMV ที่คำนวณโดยใช้ Networkand ประสาทเทียมความร้อนวิธีดุลเกี่ยวข้องกับข้อมูลแบบสอบถามจะแสดง แอน ' ผลลัพธ์มีความสัมพันธ์กับดีกว่าข้อมูลแบบสอบถามที่คำนวณ ด้วยวิธีคงรุ่น Fanger เส้นถดถอยคือเพิ่มเติมคล้ายกับบรรทัด bisecting ซึ่งเป็นสัมประสิทธิ์ (PMVq = PMVANN); ค่าสัมประสิทธิ์การถดถอยคือยังสูง (R2ANN = 0.57 ความโกรธที่ R2 = 0.23)

ผลลัพธ์ (ไทย) 2:

2.3 โครงข่ายประสาทเทียม
เทียมโครงข่ายประสาทเทียม (ANNs) สามารถผ่านการฝึกอบรมบนพื้นฐานของข้อมูลการทดลอง [14,15] ที่เป็นไฮไลต์
ในเอกสารอื่น ๆ [16-20]; ทฤษฎีที่ ANN ไปขึ้นอยู่กับการอธิบายไว้แล้วในการทำงานก่อนหน้า [13] twolayers คราทโครงข่ายประสาทเทียมได้รับการฝึกฝนโดยใช้ภาษาการเขียนโปรแกรม Matlab; ฟังก์ชั่นสำหรับ sigmoidal
ชั้นที่ซ่อนอยู่และฟังก์ชั่นสำหรับการส่งออกเชิงเส้นหนึ่งถูกเลือกให้เป็นฟังก์ชั่นการถ่ายโอน (T) สำหรับชั้นซ่อน
ฟังก์ชัน sigmoidal ได้รับเลือกเพราะจะช่วยให้การลดความซับซ้อนของการคำนวณการไล่ระดับของการทำงานข้อผิดพลาด (E)
และเพื่อลดเวลาในการคำนวณของการฝึกอบรม รูปแบบที่กำหนดไว้จะถูกแสดงในรูปที่ 1 LevenbergMarquardt อัลกอริทึมที่ใช้สำหรับการฝึกอบรมของเครือข่าย มันเป็นวิธีการที่รวดเร็วใช้สำหรับการลดตารางหมายถึง
ข้อผิดพลาดในคราทโครงข่ายประสาทเทียม.
จำลองเบื้องต้นได้ดำเนินการที่แตกต่างกันโดยจำนวนของเซลล์ประสาทที่ใช้ในชั้นที่ซ่อนอยู่ สำหรับทุก
การจำลองที่ 70% ของข้อมูลที่ถูกนำมาใช้สำหรับการฝึกอบรมในขณะที่ส่วนที่เหลือถูกนำมาใช้สำหรับการตรวจสอบและการทดสอบ
ของเครือข่าย (15% และ 15% ตามลำดับ) ตามการทำงานก่อนหน้า [17] ค่าการถดถอยและหมายถึง
ข้อผิดพลาดกลับโดยเครือข่ายการฝึกอบรมได้รับการพิจารณาเป็นพารามิเตอร์ควบคุม ในตารางที่ 2 ได้รับการแต่งตั้งพารามิเตอร์การควบคุม
เฉพาะสำหรับโครงข่ายประสาทได้รับการฝึกฝนที่ดีที่สุดที่จะแสดง ที่ดีที่สุดของแอนได้รับเลือกให้มันได้รับโดยใช้ 41
เซลล์ประสาทที่มีการฝึกอบรมที่สูงขึ้นทดสอบและค่าถดถอยทั่วโลกและข้อผิดพลาดเฉลี่ยเล็กที่สุดและมาตรฐาน
การเบี่ยงเบน ในรูปที่ 2 เปรียบเทียบระหว่าง PMV คำนวณโดยใช้ประสาทเทียม networkand ความร้อน
วิธีการสมดุลกับส่วนที่เกี่ยวกับข้อมูลแบบสอบถามจะแสดง; ผลการแอน 'มีความสัมพันธ์ที่ดีขึ้นกับ
ข้อมูลแบบสอบถามมากกว่าหนึ่งซึ่งคำนวณด้วยวิธี Fanger รูปแบบคงที่ สายการถดถอยมีมากขึ้น
คล้ายกับเส้นตัดซึ่งเป็นตัวแทนของความสัมพันธ์ที่สมบูรณ์แบบ (PMVq = PMVANN); ค่าสัมประสิทธิ์การถดถอยเป็น
ยังสูง (R2ANN = 0.57; R2 โกรธ = 0.23)

ผลลัพธ์ (ไทย) 3:

2.3 แบบจำลองโครงข่ายประสาทเทียมโครงข่ายประสาทเทียม ( แอนน์ ) สามารถรับการฝึกอบรมบนพื้นฐานของข้อมูล 14,15 [ ] , เน้นในเอกสารอื่น ๆ [ 11 ] ; ทฤษฎีที่แอนตามจะถูกอธิบายไว้แล้วในการทำงานก่อนหน้า [ 13 ] เป็น twolayers ไปข้างหน้าโครงข่ายประสาทเทียมถูกฝึกโดยใช้ MATLAB การเขียนโปรแกรมภาษา ; sigmoidal ฟังก์ชันสำหรับชั้นซ่อนและฟังก์ชันเชิงเส้นสำหรับผลผลิตหนึ่งได้รับเลือกเป็นฟังก์ชันถ่ายโอน ( T ) สำหรับชั้นแฝงหน้าที่ sigmoidal ได้รับเลือกเพราะมันช่วยให้ลดความลาดชันการคำนวณฟังก์ชันข้อผิดพลาด ( E )และเพื่อลดเวลาที่ใช้ในการคำนวณของการฝึก การกำหนดรูปแบบแสดงในรูปที่ 1 การ levenbergmarquardt ขั้นตอนวิธีใช้สำหรับการฝึกอบรมเครือข่าย มันเป็นอย่างรวดเร็วและใช้วิธีการลดหมายความว่าสี่เหลี่ยมข้อผิดพลาดในการป้อนไปข้างหน้าโครงข่ายประสาทเทียม .การจำลองเบื้องต้น ได้ดำเนินการเปลี่ยนแปลงจำนวนเซลล์ประสาทในชั้นซ่อน . สำหรับทั้งหมดจำลอง , 70% ของข้อมูลที่ใช้สำหรับการฝึก ในขณะที่ส่วนที่เหลือถูกใช้สำหรับการตรวจสอบและทดสอบของเครือข่าย ( 15 และร้อยละ 15 ตามลำดับ ) ตามหน้างาน [ 17 ] วิเคราะห์คุณค่าและความหมายข้อผิดพลาดที่ส่งกลับโดยเครือข่ายการฝึกอบรมพบว่า ตัวแปรควบคุม ตารางที่ 2 เลือกการควบคุมพารามิเตอร์เฉพาะสำหรับการฝึกอบรมที่ดีที่สุดเครือข่ายประสาทจะแสดง แอนเลือกที่ดีที่สุด : มันได้รับโดยใช้ 41เซลล์ประสาทที่มีสูงกว่าการฝึกอบรมการทดสอบและค่าถดถอยทั่วโลกและเล็กที่สุดหมายถึงข้อผิดพลาดมาตรฐานความเบี่ยงเบน รูปที่ 2 การเปรียบเทียบ PMV คำนวณโดยใช้โครงข่ายประสาทเทียม ความร้อนความสมดุลวิธีการเกี่ยวกับข้อมูลแบบสอบถามแสดง ; แอน ' ผลลัพธ์ที่ได้จะดีขึ้น มีความสัมพันธ์กับข้อมูลจากแบบสอบถามมากกว่าหนึ่ง คำนวณกับไอ้เขี้ยวคงที่วิธีแบบจำลอง เส้นถดถอยมากขึ้นคล้ายกับ bisecting บรรทัดซึ่งแสดงถึงความสัมพันธ์ที่สมบูรณ์แบบ ( pmvq = สัมประสิทธิ์ถดถอย pmvann )ยังสูงกว่า ( r2ann = 0.57 ; R2 ความโกรธ = 0.23 )