network typically comprised of thre

network typically comprised of three layers including input,
hidden and output layers. Input data are first collected
in input layer, and then sent to different processing units
(neuron), which constitute the hidden layer of the networks
[19]. The structure of a neuron showed in Fig. 1 consists
of two major term of weight and transfer function. A
transfer function receives an argument n and generates an
output a. The network input for each neuron is the sum of
all input values, each multiplied by its weight and a bias
term which may be considered as the weight from a supplementary
input equaling one. The output value can be
calculated by feeding the network input into the transfer
function of the neuron [20]. Many transfer functions were
applied in ANN model such as hard limit, pure line, log sigmoid,
soft max, tan sigmoid and triangular basis. The ANN
compares the calculated output with actual data (target)
and computes the error term. Indeed, the ANN is trained
to minimize the error between the ANN output and the target,
resulting in an optimal solution.

ผลลัพธ์ (ไทย) 1:

โดยทั่วไปประกอบด้วยสามชั้นรวมถึงการป้อนข้อมูล เครือข่ายชั้นซ่อน และผลลัพธ์ ก่อนเก็บรวบรวมข้อมูลป้อนเข้าในชั้นอินพุต แล้ว ส่งไปยังหน่วยประมวลผลที่แตกต่างกัน(เซลล์ประสาท), ซึ่งเป็นชั้นที่ซ่อนอยู่ของเครือข่าย[19] ประกอบด้วยโครงสร้างของเซลล์ประสาทที่พบใน Fig. 1วาระหลักที่สองของฟังก์ชันถ่ายโอนและน้ำหนัก Aฟังก์ชันโอนย้ายรับอาร์กิวเมนต์ตัว n และสร้างการผลลัพธ์ ป้อนข้อมูลในเซลล์ประสาทแต่ละเครือข่ายเป็นผลรวมของค่าอินพุททั้งหมด แต่ละคูณ ด้วยน้ำหนักตัวและมีความโน้มเอียงระยะที่อาจถือว่าเป็นน้ำหนักจากการเสริมป้อนเท่ากับหนึ่ง ค่าผลผลิตคำนวณ โดยให้อาหารเข้าข่ายเป็นการโอนย้ายการทำงานของเซลล์ประสาท [20] หลายฟังก์ชันโอนย้ายได้ใช้ในรุ่นแอนหนักจำกัด บรรทัดบริสุทธิ์ ล็อก sigmoidอ่อนสูงสุด tan sigmoid และสามเหลี่ยมพื้นฐาน แอนเปรียบเทียบผลลัพธ์ที่คำนวณได้กับข้อมูลจริง (เป้าหมาย)และคำนวณคำข้อผิดพลาด แน่นอน การฝึกอบรมแอนเพื่อลดข้อผิดพลาดระหว่างแอนผลลัพธ์และเป้าหมายเกิดในโซลูชั่นเหมาะสม

ผลลัพธ์ (ไทย) 2:

เครือข่ายมักจะประกอบด้วยสามชั้นรวมถึงการป้อนข้อมูลที่ซ่อนอยู่และชั้นเอาท์พุท
ป้อนข้อมูลจะถูกเก็บรวบรวมครั้งแรกในชั้นการป้อนข้อมูลแล้วส่งไปประมวลผลหน่วยที่แตกต่างกัน
(เซลล์ประสาท) ซึ่งเป็นชั้นที่ซ่อนอยู่ของเครือข่าย
[19] โครงสร้างของเซลล์ประสาทที่แสดงให้เห็นในรูป 1
ประกอบด้วยสองคำที่สำคัญของน้ำหนักและฟังก์ชั่นการถ่ายโอน
ฟังก์ชั่นการถ่ายโอน n
ได้รับการโต้แย้งและสร้างเอาท์พุท การป้อนข้อมูลสำหรับเครือข่ายเซลล์ประสาทแต่ละคือผลรวมของค่าเข้าทั้งหมดแต่ละคูณด้วยน้ำหนักและอคติระยะซึ่งอาจถือได้ว่าเป็นน้ำหนักเสริมจากการป้อนข้อมูลเท่ากับหนึ่ง มูลค่าการส่งออกสามารถคำนวณโดยการให้อาหารการป้อนข้อมูลเข้าสู่เครือข่ายการถ่ายโอนการทำงานของเซลล์ประสาท[20] ฟังก์ชั่นการถ่ายโอนจำนวนมากถูกนำมาใช้ในรูปแบบแอนเช่นวงเงินยากสายบริสุทธิ์เข้าสู่ระบบ sigmoid, แม็กซ์นุ่ม sigmoid สีน้ำตาลและพื้นฐานสามเหลี่ยม แอนเปรียบเทียบผลลัพธ์ที่คำนวณได้กับข้อมูลที่เกิดขึ้นจริง (เป้าหมาย) และคำนวณระยะข้อผิดพลาด อันที่จริงแอนได้รับการฝึกฝนที่จะลดข้อผิดพลาดระหว่างการส่งออกและ ANN เป้าหมายส่งผลให้ทางออกที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

เครือข่ายโดยทั่วไปประกอบด้วย 3 ชั้น ปัจจัยการผลิต และผลผลิต
ที่ซ่อนอยู่ออกมาได้ ข้อมูลแรกที่รวบรวม
ในชั้นข้อมูล และส่งไปยังหน่วยประมวลผลที่แตกต่างกัน
( เซลล์ประสาท ) ซึ่งเป็นชั้นซ่อนของเครือข่าย
[ 19 ] โครงสร้างของเซลล์ที่แสดงในรูปที่ 1 ประกอบด้วย
เทอมสองหลักของน้ำหนักและฟังก์ชันการถ่ายโอน
เป็นฟังก์ชันถ่ายโอนได้รับการโต้แย้ง และจะสร้างผลผลิตป้อนเครือข่าย A .

แต่ละเซลล์ประสาทคือผลรวมของค่าข้อมูลทั้งหมด แต่ละ คูณด้วยน้ำหนัก และ อคติ
ในระยะซึ่งอาจจะถือว่าเป็น น้ำหนักจากเสริม
อินพุตเท่ากับหนึ่งของมัน มูลค่าส่งออกสามารถคำนวณโดยการให้ใส่

โอนเครือข่ายในการทำงานของเซลล์ประสาท [ 20 ] โอนหน้าที่หลายคน
ประยุกต์ในรูปแบบ เช่น แอน จำกัด ยากแท้บรรทัดปูมบันทึกแบบ
นุ่ม Max , ตัน , และสามเหลี่ยมแบบพื้นฐาน ส่วนแอน
เปรียบเทียบคำนวณผลผลิตกับข้อมูลที่เกิดขึ้นจริง ( เป้าหมาย )
. เงื่อนไขข้อผิดพลาด แน่นอน , มีการฝึกอบรม
เพื่อลดข้อผิดพลาดระหว่าง แอน และผลผลิตเป้าหมาย
ส่งผลให้โซลูชั่นที่เหมาะสมที่สุด