Implications: This study provides a

Implications: This study provides an alternative approach to predict PM10 levels 1 day ahead by building seasonal ANN
models. Applying PCA on a lagged data set resulted in selection of the most significant lags of variables reducing model
complexity. Cascading training with error back-propagation method appropriately determined hidden layer neurons. Separately
building ANN models for winter and summer periods over years, even though it required much more effort compared with
building regular nonseasonal models, yielded better model agreements and smaller testing errors. This approach can be applied on
the data sets with irregularities and a large number of considered inputs.

ผลลัพธ์ (ไทย) 1:

ผลกระทบ: การศึกษานี้ให้แนวทางอื่นเพื่อทำนายระดับ PM10 1 วันข้างหน้า โดยการสร้างฤดูกาลแอนรุ่น ใช้ PCA ในชุดข้อมูล lagged ผลในการเลือกของเหลวที่สำคัญที่สุดของตัวแปรที่ลดรูปความซับซ้อน ฝึกอบรมเกี่ยวข้องกับข้อผิดพลาดกลับเผยแพร่วิธีเหมาะสมกำหนดชั้นซ่อนเซลล์ประสาท แยกต่างหากอาคารแอนรุ่นสำหรับฤดูหนาว และฤดูร้อนปี แม้ว่ามันต้องใช้ความพยายามมากขึ้นเมื่อเทียบกับอาคารแบบไม่ปกติ ผลแบบดีและการทดสอบขนาดเล็กข้อผิดพลาด วิธีการนี้สามารถใช้ได้บนชุดข้อมูล มีความผิดปกติและพิจารณาปัจจัยการผลิตเป็นจำนวนมาก

ผลลัพธ์ (ไทย) 3:

ความหมาย : การศึกษานี้มีวิธีการทำนายระดับ 1 วันข้างหน้า PM10 โดยอาคารตามฤดูกาล แอนรุ่น การใช้ PCA ในราคาชุดข้อมูลให้เลือกล่าช้าที่สำคัญที่สุดของตัวแปรลดแบบความซับซ้อน การฝึกด้วยวิธีที่เหมาะสม back-propagation ซ้อนข้อผิดพลาดกำหนดชั้นเซลล์ที่ซ่อนอยู่ แยกต่างหากการสร้างโมเดลสำหรับแอน ฤดูหนาว และฤดูร้อนช่วงปีที่ผ่านมาแม้ว่าจะต้องใช้ความพยายามมากขึ้นเมื่อเทียบกับอาคารที่ไม่มีแบบปกติ ให้ผลดีกว่ารูปแบบข้อตกลงและข้อผิดพลาดการทดสอบขนาดเล็ก วิธีการนี้สามารถใช้ในข้อมูลชุดกับความผิดปกติและเป็นจำนวนมากของการพิจารณาข้อมูล