Because the small column size invol

Because the small column size involved few variables, the
ANN architecture adopted here was straightforward. The
input layer for the FFANN estimator had four input
nodes, one for each still temperature, and a single hidden
layer. The RANN estimator included an additional input
node for the last concentration prediction. In both estimators,
the output layer comprised a single output node for
the predicted ethanol concentration. Sigmoid activation
functions were used to compute the output signal of each
neuron.
Back-propagation optimization algorithms from MATLAB
6.5 release 13 (‘‘TRAINLM” Levenberg-Marquardt
for static networks, ‘‘TRAINBFG” BFGS quasi-Newton
for dynamic networks) were used for calibration. Convergence
criteria were assigned RMSE arbitrary low calibration
targets of 0.5% v/v for laboratory and 0.7% v/v for
industrial data. Calibration target values were selected by
trial and error to avoid overfit and to achieve good prediction
accuracy within reasonable calibration times. The
RMSE target for laboratory data was smaller since the
L-dens ethanol sensor was more accurate than the laboratory
hydrometer used with industrial samples.

ผลลัพธ์ (ไทย) 1:

เนื่องจากขนาดของคอลัมน์เล็ก ๆ เกี่ยวข้องกับตัวแปรน้อย การแอนสถาปัตยกรรมที่นำมาใช้ที่นี่ไม่ตรงไปตรงมา ที่ชั้นอินพุตสำหรับประมาณ FFANN มี 4 อินพุตโหน หนึ่งสำหรับแต่ละอุณหภูมินิ่ง และเดียวซ่อนชั้น การป้อนข้อมูลเพิ่มเติมรวมประมาณ RANNโหนสำหรับทำนายความเข้มข้นสุดท้าย ในทั้งสอง estimatorsชั้นผลลัพธ์ประกอบด้วยโหนเดียวสำหรับความเข้มข้นของเอทานอลที่คาดการณ์ เปิดใช้งาน sigmoidใช้ฟังก์ชันในการคำนวณสัญญาณของแต่ละเซลล์ประสาทอัลกอริทึมเพิ่มประสิทธิภาพเผยแพร่หลังจาก MATLAB6.5 ปล่อย 13 ("TRAINLM" Levenberg-Marquardtสำหรับเครือข่ายคง นิวตัน quasi-BFGS "TRAINBFG"สำหรับเครือข่ายแบบไดนามิก) ถูกใช้สำหรับการปรับเทียบ บรรจบกันเกณฑ์กำหนด RMSE เทียบต่ำสุดที่กำหนดเป้าหมายของ 0.5% v/v สำหรับห้องปฏิบัติการและ 0.7% v/v สำหรับข้อมูลอุตสาหกรรม เลือกโดยเทียบค่าเป้าหมายลองผิดลองถูก เพื่อหลีกเลี่ยงการ overfit และให้ทายดีความถูกต้องภายในเวลาที่เหมาะสมเทียบ ที่RMSE เป้าหมายสำหรับข้อมูลห้องปฏิบัติมีขนาดเล็กตั้งแต่การเซนเซอร์เอทานอล L dens ได้ถูกต้องมากกว่าห้องปฏิบัติการไฮโดรมีเตอร์ที่ใช้กับอุตสาหกรรมตัวอย่าง

ผลลัพธ์ (ไทย) 2:

เนื่องจากขนาดที่เล็กคอลัมน์ที่เกี่ยวข้องกับตัวแปรไม่กี่
สถาปัตยกรรม ANN นำมาใช้ที่นี่เป็นตรงไปตรงมา
ชั้นการป้อนสำหรับประมาณการ FFANN มีสี่การป้อนข้อมูล
โหนดหนึ่งสำหรับแต่ละอุณหภูมิยังคงและซ่อนเดี่ยว
ชั้น ประมาณการ Rann รวมการป้อนข้อมูลเพิ่มเติม
โหนดสำหรับการทำนายความเข้มข้นที่ผ่านมา ในการประมาณค่าทั้งสอง
ชั้นออกประกอบด้วยโหนดเดียวสำหรับการส่งออก
เอทานอลความเข้มข้นที่คาดการณ์ไว้ sigmoid ยืนยันการใช้งาน
ฟังก์ชั่นถูกนำมาใช้ในการคำนวณสัญญาณของแต่ละ
เซลล์ประสาท.
Back-ขั้นตอนวิธีการเพิ่มประสิทธิภาพการบริหารจัดการจาก MATLAB
6.5 ปล่อย 13 ('' TRAINLM "Levenberg-Marquardt
สำหรับเครือข่ายแบบคงที่ '' TRAINBFG "BFGS กึ่งนิวตัน
สำหรับเครือข่ายแบบไดนามิก) ถูกนำมาใช้ สำหรับการสอบเทียบ บรรจบ
เกณฑ์ที่ได้รับมอบหมายโดยพลการสอบเทียบ RMSE ต่ำ
เป้า 0.5% ปริมาตร / ปริมาตรสำหรับห้องปฏิบัติการและ 0.7% ปริมาตร / ปริมาตรสำหรับ
ข้อมูลอุตสาหกรรม เป้าหมายการสอบเทียบค่าได้รับการคัดเลือกโดย
การทดลองและข้อผิดพลาดที่จะหลีกเลี่ยง overfit และเพื่อให้บรรลุการทำนายที่ดี
ความถูกต้องภายในเวลาที่เหมาะสมการสอบเทียบ
เป้าหมาย RMSE ข้อมูลห้องปฏิบัติการขนาดเล็กตั้งแต่
เซ็นเซอร์เอทานอล L-เดนส์ได้ถูกต้องมากกว่าห้องปฏิบัติการ
ไฮโดรมิเตอร์ใช้กับกลุ่มตัวอย่างอุตสาหกรรม

ผลลัพธ์ (ไทย) 3:

เพราะคอลัมน์ขนาดเล็กที่เกี่ยวข้องกับตัวแปรไม่กี่ ,
สถาปัตยกรรมแอนบุญธรรมที่นี่คือตรงไปตรงมา
ชั้นข้อมูลสำหรับ ffann ประมาณสี่อินพุต
โหนดหนึ่งสำหรับแต่ละยังคงอุณหภูมิ และเดียวที่ซ่อน
ชั้น การประมาณการรวมแรนโหนดเข้า
เพิ่มเติมสำหรับความเข้มข้นพยากรณ์ล่าสุด ทั้งผลผลิตประมาณ
ชั้น , ประกอบด้วยโหนดออกเดียว
การทำนายความเข้มข้นของเอทานอล ฟังก์ชันกระตุ้น
แบบใช้หาสัญญาณของแต่ละเซลล์ประสาทขั้นตอนวิธีการเพิ่มประสิทธิภาพการขยายพันธุ์
.

กลับจาก MATLAB 6.5 รุ่นที่ 13 ( ''trainlm " levenberg มาร์คว
ทั้งเครือข่าย ' 'trainbfg " bfgs กึ่งนิวตัน
สำหรับเครือข่ายแบบไดนามิก ) ใช้สำหรับการสอบเทียบ เกณฑ์การลู่เข้า

วิธีการสอบเทียบที่ได้รับมอบหมายโดยพลการต่ำเป้าหมายของ 0.5 % v / v สำหรับห้องปฏิบัติการและ 0.7 % v / v
ข้อมูลอุตสาหกรรม เป้าหมายการสอบเทียบค่าจำนวน
การทดลองและข้อผิดพลาดที่จะหลีกเลี่ยง overfit และเพื่อให้บรรลุที่ดีทำนาย
ความถูกต้องภายในเวลาการสอบเทียบที่เหมาะสม
เป้าหมาย RMSE สำหรับในห้องปฏิบัติการมีขนาดเล็กตั้งแต่
l-dens เอทานอลเซนเซอร์มีความถูกต้องมากกว่าห้องปฏิบัติการ
ไฮโดรมิเตอร์ที่ใช้กับตัวอย่างอุตสาหกรรม