The modeling method for ANN was bas

The modeling method for ANN was based on the principles
of the back propagation algorithm. In order to find out
an optimal configuration of neural network model, it is
necessary to combine many different ANN prototypes.
Consequently, six different training algorithms including
gradient descent with momentum, scaled conjugated gradient,
Levenberg–Marquardt, quasi-Newton, conjugated
gradient and variable learning rate were used for network
training. The number of hidden layer(s), the neurons in the
hidden layer(s) and the value of the training parameters for
every training algorithm were obtained by trial and error
method with considering of ANN performance. Also, three
types of transfer functions of tangent hyperbolic conversion,
sigmoid (tan sig) and linear motion (pure line) function
among layers were used for ANN models. For
selecting the number of hidden layers along with the right
number of neurons in the middle layers, comparison of
networks which had different number of neurons and also
different number of hidden layers were carried out

ผลลัพธ์ (ไทย) 1:

วิธีการสร้างโมเดลสำหรับแอนน์เป็นไปตามหลักการของอัลกอริทึมการเผยแพร่หลังการ เพื่อค้นหาการกำหนดค่าสูงสุดของแบบจำลองโครงข่ายประสาท เป็นจำเป็นต้องรวมต้นแบบแอนแตกต่างกันมากดังนั้น หกฝึกต่าง ๆ อัลกอริทึมรวมถึงเชื้อสายไล่ระดับกับโมเมนตัม ปรับไล่ระดับกลวงLevenberg – Marquardt, quasi-นิวตัน กลวงใช้การไล่ระดับและตัวแปรอัตราการเรียนรู้สำหรับเครือข่ายฝึกอบรม จำนวน layer(s) ซ่อน neurons ในการlayer(s) ที่ซ่อนอยู่และค่าของพารามิเตอร์สำหรับการฝึกอบรมทุกขั้นตอนวิธีการฝึกอบรมได้รับมา โดยการลองผิดลองถูกวิธีกับการพิจารณาประสิทธิภาพการทำงานของแอน ยัง 3ชนิดของฟังก์ชันถ่ายโอนของแปลงไฮเพอร์โบลิสัมผัสsigmoid (tan sig) และฟังก์ชันการเคลื่อนที่เชิงเส้น (สายแท้)ระหว่างชั้นที่ใช้สำหรับรุ่นแอน สำหรับเลือกจำนวนชั้นซ่อนกับด้านขวาจำนวนของ neurons ในชั้นกลาง เปรียบเทียบเครือข่ายที่มีจำนวนแตกต่างกันของ neurons และจำนวนชั้นซ่อนได้ดำเนินการ

ผลลัพธ์ (ไทย) 2:

วิธีการสร้างแบบจำลองสำหรับแอนมีพื้นฐานอยู่บนหลักการของวิธีการขยายพันธุ์ด้านหลัง เพื่อที่จะหาการตั้งค่าที่เหมาะสมของรูปแบบเครือข่ายประสาทมันเป็นสิ่งที่จำเป็นที่จะรวมต้นแบบANN ที่แตกต่างกัน. ดังนั้นหกขั้นตอนวิธีการฝึกอบรมที่แตกต่างกันรวมถึงการไล่ระดับสีโคตรกับโมเมนตัมปรับลาดผันLevenberg-Marquardt กึ่งนิวตันผันลาดและอัตราการเรียนรู้ตัวแปรถูกนำมาใช้สำหรับเครือข่ายการฝึกอบรม จำนวนชั้นที่ซ่อน (s), เซลล์ประสาทในชั้นซ่อน(s) และความคุ้มค่าของพารามิเตอร์การฝึกอบรมสำหรับทุกขั้นตอนวิธีการฝึกอบรมที่ได้รับโดยการทดลองและข้อผิดพลาดด้วยวิธีพิจารณาของประสิทธิภาพการทำงาน ANN นอกจากนี้สามชนิดของฟังก์ชั่นการถ่ายโอนสัมผัสแปลงผ่อนชำระsigmoid (sig สีน้ำตาล) และการเคลื่อนไหวเชิงเส้น (สายบริสุทธิ์) ฟังก์ชั่นในหมู่ชั้นถูกนำมาใช้สำหรับรุ่นANN สำหรับการเลือกจำนวนชั้นที่ซ่อนอยู่พร้อมกับสิทธิจำนวนของเซลล์ประสาทในชั้นกลางเปรียบเทียบเครือข่ายซึ่งมีจำนวนที่แตกต่างกันของเซลล์ประสาทและจำนวนที่แตกต่างกันของชั้นซ่อนได้ดำเนินการ

ผลลัพธ์ (ไทย) 3:

การเสนอตัวแบบแอน ขึ้นอยู่กับหลักการของขั้นตอนวิธีการ
กลับมา เพื่อหาการตั้งค่าที่เหมาะสม
ของแบบจำลองโครงข่ายประสาทเทียม มันต้องรวมหลายๆ

แอนต้นแบบ ดังนั้นการฝึกอบรมที่แตกต่างกันรวมทั้งหกขั้นตอนวิธีการเชื้อสายกับโมเมนตัม
, ปรับขนาดและการไล่ระดับสี
levenberg –มาร์ควกึ่งนิวตัน conjugated
,การไล่ระดับสีและตัวแปรอัตราการเรียนรู้ที่ใช้สำหรับการฝึกอบรมเครือข่าย

จำนวนชั้นซ่อน ( s ) , เซลล์ประสาทในชั้นซ่อน
( s ) และค่าของพารามิเตอร์สำหรับการฝึก
ทุกขั้นตอนวิธีที่ได้จากการทดลองและข้อผิดพลาด
วิธีพิจารณาการปฏิบัติงานของแอน นอกจากนี้สามชนิดของฟังก์ชันถ่ายโอนของ

hyperbolic tangent การแปลงซิกมอยด์ ( Tan SIG ) และการเคลื่อนไหวเชิงเส้น ( บริสุทธิ์ ) ฟังก์ชัน
ระหว่างชั้นใช้แอนรุ่น สำหรับ
เลือกจำนวนชั้นซ่อนพร้อมกับถูกต้อง
จำนวนเซลล์ประสาทในชั้นกลาง การเปรียบเทียบของเครือข่ายซึ่งมีจำนวนแตกต่างกันของ

เซลล์ประสาทและยังหมายเลขที่แตกต่างกันของชั้นซ่อน พบว่า