the primary aim of developing an AN

the primary aim of developing an ANN is to genera& the features of the rainfall time series.
If an ANN properly learns the features of the data, then the ANN is said to achieve good
generalisation. Depending on the complexity of the network, however, an ANN may suffer from
either underfittlng or overfitting the training data. An ANN that is not suI&iently complex can
fail to detect fully the features in a complicated data set, leading to underfitting. An ANN that
is too complex may fit the noise, not just the features, leading to overfitting.
A popular technique to achieve generalisation is the early stopping method presented by
Sarle [S]. According to the early stopping method, the data was split into three sets, namely
a training set, a monitoring set, and a validation set. The training set wss used to train the
network, whereas the monitoring set was used to monitor the performance of the network at
regular intervals during training. Training stopped when the error, when the model is applied
to the monitoring set, reached a mlnlmum. The validation set is used for final evaluation of the
network performance.
The 34 storm events of this study were thus divided into three data sets:
l training set-16 storms with a total of 748 rainfall periods (each of 15 minutes),
l monitoring set-eight storms with a total of 376 rainfall periods, and
l validation set-ten storms with a total of 625 rainfall periods.
The maximum epoch for training wss set at 1000. An epoch wss defined ss a complete sweep
through the training patterns; the weights of a network were updated after each epoch. Therefore,
a maximum epoch of 1000 means that the weights were allowed to update at most 1000 times.
During training, the networks were checked at every 100 epochs. ‘Daining was stopped when
the error in the monitoring data reached its lowest value, or the training reached the maximum
epoch, whichever came first. Finally, the networks were evaluated against the validation data.
Where appropriate, a sigmoid activation function was adopted for the hidden nodes, whereas
a linear activation function was used for the output nodes. The use of a sigmoid function was
to enable nonlinearity of the network. The sigmoid function, however, was not adopted for the
output nodes because it would force the output to be bounded between 0.0 and 1.0; thii would
require scaling of the output variable by a known maximum value. This was not appropriate for
rainfall forecasting because it was undesirable to set a priori a maximum rainfall value for the
data. To overcome this situation, an identity (linear) function was used instead.

ผลลัพธ์ (ไทย) 1:

จุดมุ่งหมายหลักของการพัฒนาแอนเป็นสกุลและลักษณะการทำงานของชุดเวลาฝนตกถ้าเป็นแอนถูกต้องทราบคุณลักษณะของข้อมูล แล้วแอนกล่าวได้ว่า ประสบความสำเร็จดีgeneralisation ขึ้นอยู่กับความซับซ้อนของเครือข่าย อย่างไรก็ตาม การแอนน์อาจทรมานจากunderfittlng หรือ overfitting ข้อมูลการฝึกอบรม แอนที่สุ่ยและ iently ซับซ้อนสามารถล้มเหลวในการตรวจสอบอย่างเต็มที่ในชุดข้อมูลซับซ้อน นำไป underfitting แอนเป็นที่ถูกเกินไป ซับซ้อนอาจพอดีเสียง ไม่เพียงแต่ลักษณะการทำงาน ไป overfittingเทคนิคยอดนิยมเพื่อให้บรรลุ generalisation เป็นวิธีหยุดก่อนที่นำเสนอโดยSarle [S] ตามวิธีหยุดก่อน ข้อมูลถูกแบ่งออกเป็น 3 ชุด ได้แก่ชุดฝึก ชุดตรวจสอบ และการตรวจสอบได้ การฝึกตั้ง wss ใช้ฝึกการเครือข่าย ในขณะที่มีใช้ชุดตรวจสอบเพื่อตรวจสอบประสิทธิภาพของเครือข่ายที่สม่ำเสมอในระหว่างการฝึกอบรม ฝึกหยุดเมื่อข้อผิดพลาด เมื่อมีใช้รูปแบบชุดตรวจสอบ ถึง mlnlmum ตัว ใช้ชุดตรวจสอบสำหรับการประเมินขั้นสุดท้ายของการประสิทธิภาพของเครือข่ายเหตุการณ์พายุ 34 การศึกษานี้จึงถูกแบ่งออกเป็นสามชุดข้อมูล:พายุชุด 16 รวม 748 เวลาฝนตก (แต่ละ 15 นาที), การฝึกอบรม ll ชุดแปดพายุ มีจำนวน 376 ฝนรอบ การตรวจสอบ และl สอบชุดสิบพายุ มีจำนวน 625 ฝนรอบระยะเวลายุคสูงสุดสำหรับ wss ฝึกตั้ง 1000 มี wss ยุคกำหนด ss กวาดสมบูรณ์ผ่านรูปแบบการฝึกอบรม น้ำหนักของเครือข่ายที่มีการปรับปรุงหลังจากแต่ละยุค ดังนั้นเป็นยุคสูงสุด 1000 หมายความว่าน้ำหนักได้รับอนุญาตให้ปรับปรุงมากที่สุด 1000 ครั้งในระหว่างการฝึกอบรม เครือข่ายถูกตรวจสอบที่ epochs ทุก 100 ' Daining ถูกหยุดเมื่อข้อผิดพลาดในการตรวจสอบข้อมูลถึงค่าต่ำสุด หรือการฝึกอบรมกำหนดราคาสูงสุดยุค แล้วมาก่อน สุดท้าย เครือข่ายถูกประเมินเทียบกับข้อมูลตรวจสอบเหมาะสม ฟังก์ชันเรียกใช้ sigmoid ถูกนำมาใช้สำหรับโหนดที่ซ่อน ในขณะที่ฟังก์ชันเชิงเส้นเปิดใช้สำหรับโหนออก มีการใช้ฟังก์ชัน sigmoidการเปิดใช้งาน nonlinearity ของเครือข่าย ฟังก์ชัน sigmoid อย่างไรก็ตาม ไม่นำมาใช้เพื่อการแสดงผลได้เนื่องจากมันจะให้ผลผลิตสามารถล้อมรอบระหว่าง 0.0 1.0 โหน thii จะต้องปรับขนาดของตัวแปรผล โดยใช้ค่าสูงสุดที่รู้จัก นี่ไม่ใช่ความเหมาะสมคาดการณ์ปริมาณน้ำฝนก็ระวัง priori มีตั้งค่าปริมาณน้ำฝนสูงสุดสำหรับการข้อมูล จะเอาชนะสถานการณ์นี้ ฟังก์ชัน (เชิงเส้น) มีเอกลักษณ์ถูกนำมาใช้แทน

ผลลัพธ์ (ไทย) 2:

จุดมุ่งหมายหลักของการพัฒนาคือการ ANN จำพวกและคุณสมบัติของอนุกรมเวลาฝนตก.
หาก ANN ต้องเรียนรู้คุณสมบัติของข้อมูลแล้ว ANN
มีการกล่าวเพื่อให้บรรลุที่ดีทั่วไป ทั้งนี้ขึ้นอยู่กับความซับซ้อนของเครือข่าย
แต่เป็นแอนอาจได้รับจากทั้งunderfittlng หรือ overfitting ข้อมูลการฝึกอบรม ANN ที่ไม่ซับซ้อนและหมี่ iently
สามารถล้มเหลวในการตรวจสอบอย่างเต็มที่คุณลักษณะในชุดข้อมูลที่ซับซ้อนที่นำไปสู่​​underfitting ANN
ที่มีความซับซ้อนมากเกินไปอาจจะพอดีกับเสียงที่ไม่เพียงแต่คุณสมบัติที่นำไปสู่อิง.
เทคนิคที่นิยมเพื่อให้บรรลุทั่วไปเป็นวิธีการหยุดในช่วงต้นที่นำเสนอโดย
Sarle [S]
ตามวิธีการหยุดต้นข้อมูลที่ถูกแบ่งออกเป็นสามชุดคือชุดการฝึกอบรมชุดการตรวจสอบและการตรวจสอบการตั้งค่า ชุดฝึกอบรม WSS ใช้ในการฝึกอบรมเครือข่ายในขณะที่ชุดการตรวจสอบที่ใช้ในการตรวจสอบประสิทธิภาพการทำงานของเครือข่ายที่ช่วงเวลาปกติระหว่างการฝึกอบรม การฝึกอบรมหยุดเมื่อเกิดข้อผิดพลาดเมื่อรูปแบบที่มีการใช้ชุดตรวจสอบถึง mlnlmum ชุดการตรวจสอบจะใช้สำหรับการประเมินผลสุดท้ายของประสิทธิภาพของเครือข่าย. 34 เหตุการณ์พายุของการศึกษานี้ถูกแบ่งออกจึงเป็นสามชุดข้อมูล: การฝึกอบรมลิตรตั้ง 16 พายุมีจำนวน 748 ระยะเวลาที่ปริมาณน้ำฝน (แต่ละ 15 นาที), การตรวจสอบลิตร ตั้งแปดพายุมีทั้งหมด 376 ระยะเวลาที่ปริมาณน้ำฝนและการตรวจสอบลิตรตั้งสิบพายุมีทั้งหมด625 ระยะเวลาเหนือศีรษะ. ยุคสูงสุดสำหรับการตั้งค่าการฝึกอบรมที่ WSS 1000 WSS ยุคกำหนด ss กวาดสมบูรณ์ผ่านรูปแบบการฝึกอบรม; น้ำหนักของเครือข่ายได้รับการปรับปรุงหลังจากที่แต่ละยุค ดังนั้นยุคสูงสุด 1000 หมายความว่าน้ำหนักได้รับอนุญาตให้อัปเดตที่มากที่สุด 1000 ครั้ง. ระหว่างการฝึกอบรมเครือข่ายถูกตรวจสอบในทุก ๆ 100 epochs 'Daining ก็หยุดเมื่อเกิดข้อผิดพลาดในการตรวจสอบข้อมูลที่ถึงค่าต่ำสุดหรือการฝึกอบรมถึงสูงสุดยุคแล้วแต่จำนวนใดมาก่อน ในที่สุดเครือข่ายได้รับการประเมินกับข้อมูลการตรวจสอบ. ที่เหมาะสมยืนยันการใช้งานฟังก์ชั่น sigmoid ถูกนำมาใช้สำหรับโหนดที่ซ่อนอยู่ในขณะที่ฟังก์ชั่นการกระตุ้นเชิงเส้นที่ใช้สำหรับโหนดเอาท์พุท การใช้ฟังก์ชั่น sigmoid คือการเปิดใช้งานไม่เป็นเชิงเส้นของเครือข่าย ฟังก์ชั่น sigmoid แต่ไม่ได้ถูกนำมาใช้สำหรับโหนดการส่งออกเพราะมันจะบังคับให้การส่งออกที่จะกระโดดระหว่าง0.0 และ 1.0; thii จะต้องมีการปรับขนาดของตัวแปรที่ส่งออกโดยค่าสูงสุดที่รู้จักกัน นี้ไม่ได้เป็นที่เหมาะสมสำหรับการคาดการณ์ปริมาณน้ำฝนเพราะมันเป็นที่ไม่พึงประสงค์ในการตั้งค่าเบื้องต้นค่าปริมาณน้ำฝนสูงสุดสำหรับข้อมูล ที่จะเอาชนะสถานการณ์นี้ตัวตน (เชิงเส้น) ฟังก์ชั่นที่ถูกนำมาใช้แทน