In this paper a comparative study o

In this paper a comparative study of supervised
machine learning methods has been investigated online dynamic
calibrate cosmic ray based bulk soil moisture sensor. Data collected
from the Australian Water Availability Project (AWAP) database has
been used as independent ground truth and the Hydroinnova
CRS-1000 cosmic ray probe deployed in Tullochgorum, Australia was
experimented for this study. Prediction performance of the five
supervised artificial neural network (ANN) estimators, namely
Sugano type Adaptive Neuro-Fuzzy Inference System (S-ANFIS),
Multilayer Perceptron Neural Network (MLPNN), Elman Neural
Network (ENN), Learning Vector Quantization Neural Network
(LVQN) and Radial Basis Function Network (RBFN) were evaluated
using various incremental training and testing paradigms to establish
the best generalisation methodology to calibrate the probes remotely.
AWAP trained five estimators was able to predict bulk soil moisture
directly from cosmic ray neutron counts within the range of 74%-91%
as best accuracies, whereas best sensitivity and specificity was 89%
and 93%. These results proved that supervised artificial neural
network based paradigm could be a valuable alternative calibration
method for cosmic ray sensors against the current expensive and
hydrological assumption based field calibration method.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ ศึกษาเปรียบเทียบดูแลวิธีการเรียนรู้เครื่องได้รับตรวจสอบออนไลน์แบบไดนามิกสอบเทียบเซนเซอร์วัดความชื้นดินจำนวนมากจากรังสีคอสมิก ข้อมูลที่เก็บรวบรวมมีฐานข้อมูลจากออสเตรเลียน้ำงานโครงการ (AWAP)ความจริงดินและ Hydroinnova การมีหัววัดรังสีคอสมิก CRS-1000 จัดวางใน Tullochgorum ออสเตรเลียทดลองสำหรับการศึกษานี้ ทำนายประสิทธิภาพในห้าดูแล estimators โครงข่ายประสาทเทียม (แอน) คือSugano ชนิดปรับเลือนประสาทระบบอนุมาน (S-ANFIS),เพอร์เซปตรอนหลายเครือข่ายประสาท (MLPNN), Elman ประสาทเครือข่าย (น้ำร้อนพุ), การเรียนรู้เครือข่ายประสาท Quantization เวกเตอร์(LVQN) และถูกประเมินรัศมีพื้นฐานฟังก์ชันเครือข่าย (RBFN)โดยใช้กรอบการทดสอบและการฝึกอบรมเพิ่มเติมต่าง ๆ เพื่อสร้างวิธี generalisation สุดปรับเทียบเซ็นเซอร์ระยะไกลAWAP ฝึกอบรมห้า estimators มาทำนายความชื้นในดินจำนวนมากโดยตรงจากรังสีคอสมิก นิวตรอนนับภายในช่วงร้อยละ 74-91เป็นความแม่นที่สุด ในขณะที่ความไวและความจำเพาะที่ดีที่สุดคือ 89%และ 93% ผลลัพธ์เหล่านี้พิสูจน์ที่ดูแลประดิษฐ์ประสาทเครือข่ายตามกระบวนทัศน์อาจเป็นการสอบเทียบทางเลือกที่มีคุณค่าวิธีสำหรับหัววัดรังสีคอสมิกกับปัจจุบันมีราคาแพง และอัสสัมชัญอุทกวิทยาตามวิธีสอบเทียบ

ผลลัพธ์ (ไทย) 2:

ในงานวิจัยนี้ศึกษาเปรียบเทียบภายใต้การดูแล
วิธีการเรียนรู้ของเครื่องได้รับการตรวจสอบแบบไดนามิกออนไลน์
เซ็นเซอร์ความชื้นในดินเป็นกลุ่มสอบเทียบรังสีคอสมิกตาม ข้อมูลที่เก็บรวบรวม
จากโครงการน้ำของออสเตรเลียจัดจำหน่าย (AWAP) ฐานข้อมูลได้
ถูกนำมาใช้เป็นความจริงพื้นดินที่เป็นอิสระและ Hydroinnova
CRS-1000 สอบสวนรังสีคอสมิกนำไปใช้ใน Tullochgorum ออสเตรเลียได้รับการ
ทดลองการศึกษาครั้งนี้ ประสิทธิภาพการทำนายของห้า
เครือข่ายประสาทเทียม (ANN) ประมาณภายใต้การดูแลคือ
ประเภท Sugano Adaptive ฟัซซี่อนุมานระบบ (S-ANFIS)
หลาย Perceptron โครงข่ายประสาทเทียม (MLPNN) Elman ประสาท
เครือข่าย (ENN) การเรียนรู้เวกเตอร์โครงข่ายประสาทเทียม
( LVQN) และ Radial Basis ฟังก์ชั่นเครือข่าย (RBFN) ได้รับการประเมิน
โดยใช้การฝึกอบรมและการทดสอบที่เพิ่มขึ้นต่างๆกระบวนทัศน์ในการสร้าง
วิธีการทั่วไปที่ดีที่สุดในการสอบเทียบยานสำรวจระยะไกล.
AWAP ได้รับการฝึกฝนห้าประมาณก็สามารถที่จะคาดการณ์ความชุ่มชื้นในดินจำนวนมาก
โดยตรงจากข้อหาเรย์นิวตรอนจักรวาลภายใน ช่วง 74% -91%
เป็นความถูกต้องที่ดีที่สุดในขณะที่ความไวและความจำเพาะที่ดีที่สุดคือ 89%
และ 93% ผลลัพธ์เหล่านี้พิสูจน์ให้เห็นว่าภายใต้การดูแลประสาทเทียม
เครือข่ายตามกระบวนทัศน์ที่อาจจะเป็นทางเลือกที่มีคุณค่าการสอบเทียบ
วิธีการเซ็นเซอร์รังสีคอสมิกกับราคาแพงและปัจจุบัน
สมมติฐานตามวิธีการวัดสนามอุทกวิทยา

ผลลัพธ์ (ไทย) 3:

ในงานวิจัยนี้ศึกษาเปรียบเทียบมีการเรียนรู้ของเครื่องวิธีการได้รับการสอบแบบออนไลน์ปรับรังสีคอสมิกเซ็นเซอร์ความชื้นดินเป็นกลุ่มตาม เก็บรวบรวมข้อมูลจากโครงการน้ำห้องพักออสเตรเลีย ( awap ) ฐานข้อมูลมีถูกใช้เป็นดินที่เป็นอิสระและ hydroinnova ความจริงcrs-1000 รังสีคอสมิกโพรบใช้ใน tullochgorum ออสเตรเลียคือทำการทดลองเพื่อศึกษา การทำนายประสิทธิภาพของห้าดูแลระบบโครงข่ายประสาทเทียม ( ANN ) วิธีการ คือsugano Neuro ฟัซซี่ชนิดแบบเชิงระบบ ( s-anfis )เพอร์เซปตรอนหลายเครือข่ายประสาท ( mlpnn ) ประสาท เ แมนเครือข่าย ( รายย่อย ) , เครือข่ายการเรียนรู้เวกเตอร์ quantization ประสาท( lvqn ) และเครือข่ายการทำงานพื้นฐานรัศมี ( rbfn ) ได้แก่การฝึกทดสอบกรอบความคิดเพื่อสร้างและเพิ่มต่าง ๆgeneralisation ที่ดีที่สุดวิธีการปรับใช้จากระยะไกลawap ฝึกประมาณห้าสามารถทำนายความชื้นในดินขนาดใหญ่โดยตรงจากรังสีคอสมิกนิวตรอนนับในช่วง 74 % - 91 %เท่าที่ความถูกต้อง ส่วนความไวและความจำเพาะเป็น 89 % ดีที่สุดและ 93 % ผลลัพธ์เหล่านี้ได้พิสูจน์แล้วว่ามีประสาทประดิษฐ์กระบวนทัศน์ที่ใช้เครือข่ายสามารถเป็นทางเลือกที่มีคุณค่า การสอบเทียบวิธีการตรวจจับรังสีคอสมิกกับปัจจุบันมีราคาแพงสมมุติฐานทางด้านวิธีการสอบเทียบตาม