Topography of the proposed NNBPN mo

Topography of the proposed NNBPN model to predict surface roughness and power consumption is shown in Fig. 4. It is feed forward back propagation network trained with Levenberg–Marquardt back propagation algorithm. Experimental data is used for training and testing the developed back propagation neural network model. The learning function is gradient descent algorithm with momentum weight and bias learning function. The number of hidden layers and neurons are determined through a trial and error method, in order to accommodate the converged error. The structure of the developed neural network is 4–9–6–2 (4 neurons in the input layer, 9 neurons in 1st hidden layer and 6 neurons in 2nd hidden layer and 2 neurons in the output layer). With a learning rate of 0.57 and a momentum term of 0.9, the network is trained for 10,000 iterations. Error between the desired and the actual outputs is less than 0.001 at the end of training process.

ผลลัพธ์ (ไทย) 1:

ภูมิประเทศของแบบจำลอง NNBPN เสนอเพื่อทำนายความเรียบผิวและพลังงานจะปรากฏใน Fig. 4 มันเป็นอาหารเครือข่ายเผยแพร่หลังไปข้างหน้ากับ Levenberg – Marquardt หลังเผยแพร่ขั้นตอนวิธีการฝึกอบรม ข้อมูลทดลองใช้สำหรับการฝึกอบรม และทดสอบแบบจำลองโครงข่ายประสาทเผยแพร่หลังการพัฒนา ฟังก์ชั่นการเรียนรู้คือ อัลกอริทึมโคตรไล่โทนสีน้ำหนักโมเมนตัมและความโน้มเอียงที่เรียนรู้ฟังก์ชัน กำหนดจำนวนชั้นซ่อนและ neurons ผ่านวิธีการลองผิดลองถูก เพื่อรองรับข้อผิดพลาด converged โครงสร้างของเครือข่ายประสาทพัฒนาเป็น 4 – 9 – 6 – 2 (neurons ที่ 4 ในชั้นอินพุต neurons 9 ใน 1 ชั้นซ่อน และ neurons 6 ในชั้นซ่อน 2 และ 2 neurons ในชั้นพุ) เรียนรู้อัตรา 0.57 และคำโมเมนตัมของ 0.9 เครือข่ายคือการฝึกอบรมสำหรับซ้ำ 10000 ข้อผิดพลาดที่ระบุและแสดงผลจริงเป็นน้อยกว่า 0.001 เมื่อสิ้นสุดการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

ลักษณะภูมิประเทศของที่นำเสนอรูปแบบ NNBPN ในการทำนายความขรุขระของผิวและการใช้พลังงานแสดงในรูป 4. มันเป็นฟีดไปข้างหน้าเครือข่ายการขยายพันธุ์กลับมาฝึกกับหลัง Levenberg-Marquardt วิธีการขยายพันธุ์ ข้อมูลการทดลองที่ใช้สำหรับการฝึกอบรมและการทดสอบที่พัฒนาหลังการขยายพันธุ์แบบเครือข่ายประสาท ฟังก์ชั่นการเรียนรู้เป็นขั้นตอนวิธีการไล่ระดับสีโคตรมีน้ำหนักโมเมนตัมและฟังก์ชั่นการเรียนรู้อคติ จำนวนชั้นที่ซ่อนอยู่และเซลล์ประสาทจะถูกกำหนดโดยวิธีการทดลองและข้อผิดพลาดในการสั่งซื้อเพื่อรองรับความผิดพลาดของการแปรสภาพ โครงสร้างของเครือข่ายประสาทพัฒนาเป็น 4-9-6-2 (4 เซลล์ประสาทในชั้นการป้อน, 9 เซลล์ประสาทที่ซ่อนอยู่ในชั้นที่ 1 และ 6 เซลล์ประสาทที่ซ่อนอยู่ในชั้นที่ 2 และ 2 เซลล์ประสาทในชั้นการส่งออก) ด้วยอัตราการเรียนรู้ของ 0.57 และระยะ 0.9 โมเมนตัมของเครือข่ายที่ได้รับการฝึกฝน 10,000 ซ้ำ ข้อผิดพลาดระหว่างที่ต้องการและผลที่เกิดขึ้นจริงจะน้อยกว่า 0.001 ในตอนท้ายของกระบวนการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

ลักษณะของการนำเสนอ nnbpn ทำนายความขรุขระของพื้นผิวและการใช้พลังงานที่แสดงในรูปที่ 4 มันดึงไปข้างหน้ากลับแพร่เครือข่ายการฝึกอบรมกับ levenberg –มาร์ควกลับมาใช้ขั้นตอนวิธี ข้อมูลที่ใช้สำหรับการฝึกอบรมและทดสอบพัฒนากลับโดยนิวรอลแบบฟังก์ชันการเรียนรู้ขั้นตอนวิธีการเชื้อสายที่มีน้ำหนักโมเมนตัมและอคติในการเรียนรู้การทำงาน จำนวนชั้นซ่อนและเซลล์ประสาทจะถูกกำหนดโดยวิธีการลองผิดลองถูก เพื่อรองรับการทำงานผิดพลาด โครงสร้างของการพัฒนาโครงข่ายประสาทเทียมเป็น 4 – 6 – 9 – 2 เซลล์ประสาทในใส่ชั้นเซลล์ประสาทในชั้นซ่อน 1 9 6 2 ชั้นซ่อนและเซลล์ประสาทและเซลล์ประสาทในผลผลิต 2 ชั้น ) กับการเรียนรู้อัตรา 0.57 และโมเมนตัมระยะ 0.9 , เครือข่ายการฝึกอบรม 10 , 000 รอบ . เกิดข้อผิดพลาดระหว่างความต้องการและผลผลิตจริงจะน้อยกว่า 0.001 ในตอนท้ายของกระบวนการฝึกอบรม