The rainfall forecasting models dev

The rainfall forecasting models developed in this study are based on the use of ANNs to implement
the pattern recognition methodology. ANNs, which emulate the parallel distributed
processing of the human nervous system, have proven to be very powerful in dealing with complicated
problems, such as pattern recognition and function approximation. It has been shown by
Hornik et al. [l] that an ANN with sufficient complexity is capable of approximating any smooth
function to any desired degree of accuracy. In addition, ANNs are computationally robust, in
the sense that they have the ability to learn and generalise from examples to produce meaningful
solutions to problems even when input data contain errors or are incomplete. A further advantage
of ANNs in relation to short-term rainfall forecasting is that ANNs can be designed to operate
in real-time.

ผลลัพธ์ (ไทย) 1:

รูปแบบคาดการณ์ปริมาณน้ำฝนได้รับการพัฒนาในการศึกษานี้ขึ้นอยู่กับการใช้ ANNs สามารถวิธีการรู้จำรูปแบบ ANNs ซึ่งจำลองพร้อมการกระจายการประมวลผลของระบบประสาทของมนุษย์ ได้พิสูจน์อย่างดียิ่งในการจัดการกับความซับซ้อนปัญหา เช่นรูปแบบการรับรู้และการทำงานประมาณ การแสดงโดยHornik et al. [l] ที่มีแอน มีความซับซ้อนพอมีความสามารถในระหว่างการเรียบฟังก์ชันใด ๆ ต้องการระดับความแม่นยำ นอกจากนี้ ANNs มีประสิทธิภาพ computationally ในรู้สึกว่า พวกเขามีความสามารถในการเรียนรู้ และ generalise จากตัวอย่างในการผลิตมีความหมายแก้ไขปัญหาแม้แต่เมื่อมีป้อนข้อมูลประกอบด้วยข้อผิดพลาด หรือไม่สมบูรณ์ ประโยชน์เพิ่มเติมANNs ให้สัมพันธ์กับปริมาณน้ำฝนระยะสั้นคาดการณ์เป็นว่า ANNs สามารถออกแบบการใช้งานในเวลาจริง

ผลลัพธ์ (ไทย) 2:

รูปแบบการพยากรณ์ปริมาณน้ำฝนการพัฒนาในการศึกษาครั้งนี้จะขึ้นอยู่กับการใช้งานของ ANNs
ที่จะใช้รูปแบบวิธีการรับรู้ ANNs ซึ่งเลียนแบบขนานกระจายการประมวลผลของระบบประสาทของมนุษย์ได้พิสูจน์แล้วว่ามีประสิทธิภาพมากในการจัดการกับความซับซ้อนปัญหาเช่นการจดจำรูปแบบและฟังก์ชั่นการประมาณ มันได้รับการแสดงโดยHornik et al, [L] ANN ที่เพียงพอกับความซับซ้อนที่มีความสามารถใกล้เคียงกับใด ๆ เรียบฟังก์ชั่นในระดับที่ต้องการความถูกต้อง นอกจากนี้ ANNs คอมพิวเตอร์ที่มีประสิทธิภาพในแง่ที่ว่าพวกเขามีความสามารถในการเรียนรู้และพูดคุยจากตัวอย่างในการผลิตที่มีความหมายการแก้ปัญหาแม้ในขณะที่ข้อมูลของท่านมีข้อผิดพลาดหรือไม่สมบูรณ์ ข้อได้เปรียบอีกของ ANNs ในความสัมพันธ์กับการคาดการณ์ปริมาณน้ำฝนในระยะสั้นคือการที่ ANNs สามารถออกแบบให้ทำงานในเวลาจริง