ANN application and resultsStandard

ANN application and results
Standardization of input data is an important step of data processing before ANN can be applied. In the present
study, the input data for a variable x were standardized by the ANN model (Neural Power, 2003)
In estimation of parameters of a hydrologic model, the available data are divided in two parts. The first part is
used to calibrate the model and the second, to validate it. This practice is known as ‘split-sample’ test. The length of
calibration data depends upon the number of parameters to be estimated. The general practice is to use half to twothird
of the data for calibration and the remaining for validation. The data of River Yamuna consisted of 72 patterns
where the measurements of flow discharge, travel time, temperature, pH, electrical conductivity, BOD and DO were
available. Out of the data sets, 48 patterns selected randomly were used for training and 24 patterns for testing. To
simulate the Dissolved oxygen, ANNs based on feed forward error back propagation algorithm were used.
For ANN development, a number of combinations of input variables and input stations were tried namely: (a)
All the data sets for stations Mathura (upstream), Mathura (central) and Mathura (downstream) except DO values at
Mathura (downstream) (b) All data sets for the stations Mathura (upstream), and Mathura (central), and (c) All the
data sets for the station Mathura (upstream). For the analysis, the ANN consisted 14 input nodes, 10 input nodes and
5 input nodes for the cases (a), (b), and (c) respectively. The output layer had a single node corresponding to
dissolved oxygen at downstream of Mathura. The ANN training epoch consisted of 5000 cycles. According to Hsu
et al. (1995), three-layer feed forward ANNs can be used to model real-world functional relationships that may be of
unknown or poorly defined form and complexity. Therefore, only three-layer networks were tried in this study.
During training, the number of nodes in the hidden layer was considered to be less than or equal to 2*input layers+1
(Swingler, 1996), which really provided the best results. It may also be added that as a result of training, a set of
weights that represents the ‘knowledge’ of ANN is obtained and one does not get an explicit equation to work with.
The comparative performance of various ANN models based on RMSE, Coefficient of correlation and
determination coefficient for DO estimation are given in Table 1. It can be seen from Table 7.6 that during
calibration, the values of RMSE, R and DC for all the developed models vary in the range of 1.71 to 2.89, 0.852 to
0.907 and 0.722 to 0.8226 respectively. However, the values of RMSE, R and DC vary in the range of 1.52 to 6.91
cumec, 0.654 to 0.928 and 0.283 to 0.856 respectively during the model validation. As explained in the earlier
sections, three types of ANN models have been developed with different combinations of data and stations, i.e.,
ANN1: All the data sets for stations Mathura (upstream), Mathura (central) and Mathura (downstream) except DO
values at Mathura (downstream); ANN2: All data sets for the stations Mathura (upstream), and Mathura (central);
and ANN3: All the data sets for the station Mathura (upstream). Performance of the three ANN models is different.
The best performing ANN model is the ANN2 model with values of RMSE, R, DC as 1.71, 0.907, 0.822
respectively during calibration and 1.52, 0.928, 0.856 respectively during validation. ANNR2 model has a total of
10 input variables consisting of monthly flow discharge, temperature, pH, biochemical oxygen demand (BOD) and
dissolved oxygen (DO) at Mathura (upstream) and Mathura(central). The results indicate that the ANN model
performance is best with optimum number of input variables. In case of ANN1 with 14 input variables, the
performance is lower than ANN2 due to more number of input variables which increase model complexity. An
increase in the complexity of the models might mislead the modeler to overfit the training data and lead to poor
forecasts (Tokar and Johnson, 1999). In case of ANN3, the performance reduces drastically compared to ANN2
because of less number of input variables which are unable to explain the underlying physical process. Therefore, in
ANN model development, it is very important to use optimum number of input variables and for the present study,
the results indicate that for DO simulation at Mathura (downstream), 14 input variables as used in ANN2 are
optimum. The graphical results of the best performing ANN, i.e., ANN2 are shown in Figure 3 in the form of time
series plots and scatter plots which depict a good match between the observed and simulated DO by ANN method.

ผลลัพธ์ (ไทย) 1:

แอนแอพลิเคชันและผลลัพธ์มาตรฐานของข้อมูลป้อนเข้าเป็นขั้นตอนสำคัญของการประมวลผลข้อมูลก่อนใช้แอน ในปัจจุบันศึกษา ข้อมูลป้อนเข้าสำหรับตัวแปร x ได้มาตรฐานรุ่นแอน (ประสาทอำนาจ 2003)ในการประเมินของพารามิเตอร์ของแบบจำลองอุทกวิทยา มีแบ่งข้อมูลในสองส่วน ส่วนแรกคือใช้การปรับเทียบแบบจำลองและที่สอง การตรวจสอบความถูก แบบฝึกหัดนี้เรียกว่าการทดสอบ 'แยกตัวอย่าง' ความยาวของเทียบข้อมูลขึ้นอยู่กับจำนวนของพารามิเตอร์ที่จะประเมิน ปฏิบัติทั่วไปจะใช้ครึ่งถึง twothirdข้อมูลสำหรับการปรับเทียบและเหลือสำหรับการตรวจสอบ ข้อมูลของยามูนาริเวอร์ประกอบด้วยรูปแบบที่ 72ซึ่งขนาดของกระแสปล่อย การเดินทางเวลา อุณหภูมิ pH ค่าการนำไฟฟ้า BOD และทำได้พร้อมใช้งาน จากชุดข้อมูล 48 รูปแบบเลือกสุ่มถูกใช้สำหรับการฝึกอบรม และ 24 รูปแบบการทดสอบ ถึงจำลองออกซิเจน Dissolved, ANNs ตามอาหารที่ใช้อัลกอริทึมการเผยแพร่หลังพลาดไปข้างหน้าสำหรับแอนพัฒนา จำนวนชุดของตัวแปรอินพุตและสัญญาณสถานีได้พยายามได้แก่: (a)ทุกชุดข้อมูลสำหรับสถานีมธุระ (ต้นน้ำ), มธุระ (กลาง) และมธุระ (น้ำ) ยกเว้นค่าที่มธุระ (น้ำ) (b) ข้อมูลทั้งหมดที่ตั้งค่าสำหรับสถานีมธุระ (ต้นน้ำ), และมธุระ (กลาง), และ (c) ทั้งหมดข้อมูลที่ตั้งค่าสำหรับสถานีมธุระ (ต้นน้ำ) สำหรับการวิเคราะห์ แอนประกอบด้วยโหนเข้า 14 อินพุตโหน 10 และ5 อินพุตโหนสำหรับกรณี (ก), (b) และ (c) ตามลำดับ ชั้นออกมาหนึ่งโหนตรงกับส่วนยุบออกซิเจนที่ปลายน้ำของมธุระ ยุคแอนฝึกอบรมประกอบด้วย 5000 รอบ ตามซูและ al. (1995), 3 ชั้นอาหาร ANNs ไปข้างหน้าสามารถใช้แบบจำลองความสัมพันธ์ทำงานจริงที่อาจฟอร์มไม่ทราบ หรือกำหนดงานและความซับซ้อน ดังนั้น เครือข่ายเพียง 3 ชั้นได้พยายามในการศึกษานี้ในระหว่างการฝึกอบรม จำนวนโหนดในชั้นซ่อนถูกถือว่าน้อยกว่า หรือเท่ากับ 2 * เข้าชั้น + 1(Swingler, 1996) ซึ่งจริง ๆ ให้ผลดีที่สุด มันยังสามารถเพิ่มที่เป็นผลจากการฝึกอบรม ชุดรับน้ำหนักที่แสดง 'ความรู้' ของแอน และหนึ่งไม่ได้สมการที่ชัดเจนในการทำงานด้วยเปรียบเทียบประสิทธิภาพของแอนรุ่นต่าง ๆ ตาม RMSE สัมประสิทธิ์ของความสัมพันธ์ และกำหนดสัมประสิทธิ์การประเมินทำได้ในตารางที่ 1 จะเห็นได้จากตารางที่ 7.6 ที่ระหว่างปรับเทียบ ค่า RMSE, R และ DC สำหรับทุกรูปแบบพัฒนาที่แตกต่างกันไปในช่วง 1.71 การ 2.89, 0.852 เพื่อ0.907 และ 0.722-0.8226 ตามลำดับ ค่า RMSE, R และ DC แตกต่างกันอย่างไรก็ตาม ในช่วง 1.52-6.91cumec, 0.654 0.928 และ 0.283 กับ 0.856 ตามลำดับในระหว่างการตรวจสอบรูปแบบ ตามที่อธิบายไว้ก่อนหน้านี้ส่วน แอนรุ่นสามชนิดได้รับการพัฒนา ด้วยชุดข้อมูลและสถานี เช่นANN1: ชุดข้อมูลทั้งหมดสำหรับสถานีมธุระ (ต้นน้ำ), มธุระ (กลาง) และมธุระ (น้ำ) ยกเว้นทำค่าในมธุระ (น้ำ); ANN2: ชุดข้อมูลทั้งหมดสถานีมธุระ (ต้นน้ำ), และมธุระ (กลาง);และ ANN3: ชุดข้อมูลทั้งหมดสำหรับสถานีมธุระ (ต้นน้ำ) ประสิทธิภาพของรูปแบบแอนสามจะแตกต่างกันดีสุดในการทำแบบจำลอง ANN เป็นแบบ ANN2 มีค่า RMSE, R, DC เป็น 1.71, 0.907, 0.822ตามลำดับในระหว่างการปรับเทียบ และ 1.52, 0.928, 0.856 ตามลำดับในระหว่างการตรวจสอบ รุ่น ANNR2 มีทั้งหมด10 ตัวแปรอินพุตประกอบด้วยเดือนไหลปล่อย อุณหภูมิ pH, biochemical ความต้องการออกซิเจน (BOD) และปริมาณออกซิเจนละลาย (DO) ในมธุระ (ต้นน้ำ) และ Mathura(central) ผลลัพธ์บ่งชี้ว่า แอนน์ที่รุ่นประสิทธิภาพการทำงานเหมาะกับจำนวนตัวแปรอินพุตที่เหมาะสม ในกรณีของ ANN1 กับตัวแปรอินพุต 14 การประสิทธิภาพต่ำกว่า ANN2 เนื่องจากจำนวนตัวแปรอินพุตที่เพิ่มความซับซ้อนของรูปแบบเพิ่มเติมได้ มีเพิ่มความซับซ้อนของแบบจำลองอาจเข้าใจ modeler overfit ข้อมูลการฝึกอบรม และนำไปดีคาดการณ์ (Tokar และ Johnson, 1999) กรณี ANN3 ประสิทธิภาพลดอย่างรวดเร็วเมื่อเทียบกับ ANN2เนื่องจากตัวแปรอินพุตจำนวนน้อย ซึ่งไม่สามารถอธิบายกระบวนการทางกายภาพพื้นฐาน ดังนั้น ในพัฒนารุ่นแอน มันจำเป็นต้องใช้จำนวนสูงสุด ของตัวแปรอินพุท และมีการ ศึกษาผลระบุว่า การทำการจำลองในมธุระ (น้ำ), ตัวแปรอินพุตที่ 14 ใช้ใน ANN2เหมาะสม มีแสดงผลกราฟิกดีที่สุดทำแอน เช่น ANN2 ในรูปที่ 3 ในรูปแบบของเวลาชุดผืนและผืนกระจายซึ่งแสดงถึงการจับคู่ที่ดีระหว่างการสังเกต และเลียนแบบ ทำตามวิธีของแอน

ผลลัพธ์ (ไทย) 2:

แอพลิเคชันแอนและผลมาตรฐานของการป้อนข้อมูลเป็นขั้นตอนสำคัญของการประมวลผลข้อมูลก่อน ANN สามารถนำมาใช้
ในปัจจุบันการศึกษาข้อมูลเข้ามาเป็นตัวแปร x ถูกมาตรฐานโดยแบบจำลอง ANN (ประสาทพลังงาน, 2003) ในการประมาณค่าพารามิเตอร์ของรูปแบบทางอุทกวิทยา, ข้อมูลที่มีอยู่จะถูกแบ่งออกเป็นสองส่วน ส่วนแรกจะใช้ในการปรับรูปแบบและที่สองในการตรวจสอบมัน วิธีนี้เป็นที่รู้จักกันเป็น 'แยกตัวอย่างทดสอบ ความยาวของข้อมูลการสอบเทียบขึ้นอยู่กับจำนวนของพารามิเตอร์ที่จะประมาณ การปฏิบัติทั่วไปคือการใช้ครึ่ง twothird ของข้อมูลสำหรับการสอบเทียบและที่เหลือสำหรับการตรวจสอบ ข้อมูลของแม่น้ำ Yamuna ประกอบด้วย 72 รูปที่วัดของการปล่อยไหลของเวลาในการเดินทางอุณหภูมิpH การนำไฟฟ้า, ค่า BOD และ DO เป็นใช้ได้ ออกจากชุดข้อมูลที่ 48 รูปแบบการสุ่มเลือกถูกนำมาใช้สำหรับการฝึกอบรมและ 24 รูปแบบสำหรับการทดสอบ หากต้องการ. จำลองออกซิเจนละลายที่ ANNs ขึ้นอยู่กับวิธีการขยายพันธุ์กลับข้อผิดพลาดไปข้างหน้าฟีดถูกนำมาใช้สำหรับการพัฒนาแอนจำนวนของการรวมกันของตัวแปรและสถานีการป้อนกำลังพยายามคือ (ก) ทุกชุดข้อมูลสำหรับสถานีมถุรา (ต้นน้ำ) มถุรา (กลาง) และมถุรา (ดาวน์สตรีม) ยกเว้นค่า DO ที่มถุรา(ดาวน์สตรีม) (ข) ข้อมูลทั้งหมดที่ชุดสำหรับสถานีมถุรา (ต้นน้ำ) และมถุรา (กลาง) และ (ค) ทุกชุดข้อมูลสถานีมถุรา( ต้นน้ำ) สำหรับการวิเคราะห์ ANN ประกอบด้วย 14 โหนดป้อนข้อมูล 10 โหนดเข้าและ5 โหนดการป้อนข้อมูลสำหรับกรณี (ก) (ข) และ (ค) ตามลำดับ ชั้นเอาท์พุทมีโหนดเดียวที่สอดคล้องกับออกซิเจนที่ละลายในน้ำจากมถุรา ยุคการฝึกอบรมประกอบด้วย ANN 5000 รอบ ตามที่ฮet al, (1995), ฟีดสามชั้นไปข้างหน้า ANNs สามารถนำมาใช้ในการจำลองความสัมพันธ์ที่แท้จริงของโลกการทำงานที่อาจจะมีรูปแบบที่ไม่รู้จักหรือคุณภาพที่กำหนดและความซับซ้อน ดังนั้นเฉพาะเครือข่ายสามชั้นกำลังพยายามในการศึกษานี้. ระหว่างการฝึกอบรมจำนวนโหนดในชั้นที่ซ่อนอยู่ได้รับการพิจารณาจะน้อยกว่าหรือเท่ากับ 2 * ชั้นการป้อนข้อมูล + 1 (Swingler, 1996) ซึ่งให้จริงๆที่ดีที่สุด ผล. นอกจากนี้ยังอาจจะเพิ่มที่เป็นผลมาจากการฝึกอบรมชุดของน้ำหนักที่แสดงถึงความรู้ของแอนจะได้รับและไม่ได้รับสมการที่ชัดเจนในการทำงานกับ. ผลการดำเนินงานเปรียบเทียบแบบจำลอง ANN ต่างๆขึ้นอยู่กับ RMSE, ค่าสัมประสิทธิ์ ความสัมพันธ์และค่าสัมประสิทธิ์ความมุ่งมั่นในการประมาณการDO จะได้รับในตารางที่ 1 จะเห็นได้จากตารางที่ 7.6 ว่าในช่วงการสอบเทียบค่าของRMSE วิจัยและ DC สำหรับทุกรูปแบบการพัฒนาที่แตกต่างกันในช่วง 1.71-2.89 การที่จะ 0.852 .907 และ 0.722-0.8226 ตามลำดับ อย่างไรก็ตามค่า RMSE วิจัยและ DC แตกต่างกันไปในช่วง 1.52 เพื่อ 6.91 cumec, 0.654-0.928 และ 0.283-0.856 ตามลำดับระหว่างการตรวจสอบรูปแบบ ตามที่อธิบายไว้ในก่อนหน้านี้ส่วนสามประเภทของรูปแบบแอนได้รับการพัฒนาด้วยการผสมที่แตกต่างกันของข้อมูลและสถานีคือANN1: ทุกชุดข้อมูลสำหรับสถานีมถุรา (ต้นน้ำ) มถุรา (กลาง) และมถุรา (ดาวน์สตรีม) ยกเว้น DO ค่า ที่มถุรา (ปลายน้ำ); ANN2: ทุกชุดข้อมูลสำหรับสถานีมถุรา (ต้นน้ำ) และมถุรา (กลาง) และ ANN3: ทุกชุดข้อมูลสถานีมถุรา (ต้นน้ำ) ผลการดำเนินงานของทั้งสามรูปแบบที่แตกต่างกัน ANN. ที่ดีที่สุดของการแสดงแบบจำลอง ANN เป็นรุ่น ANN2 มีค่าของ RMSE วิจัยดีซีเป็น 1.71, 0.907, 0.822 ตามลำดับในระหว่างการสอบเทียบและ 1.52, 0.928, 0.856 ตามลำดับระหว่างการตรวจสอบ รูปแบบ ANNR2 มีทั้งหมด10 ตัวแปรประกอบด้วยปล่อยไหลรายเดือนอุณหภูมิค่า pH ความต้องการออกซิเจนทางชีวเคมี (BOD) และออกซิเจนละลายน้ำ(DO) ที่มถุรา (ต้นน้ำ) และมถุรา (กลาง) ผลการศึกษาพบว่าแบบจำลอง ANN ประสิทธิภาพการทำงานที่ดีที่สุดที่มีจำนวนที่เหมาะสมของตัวแปร ในกรณีที่ ANN1 กับ 14 ตัวแปรที่ผลการดำเนินงานต่ำกว่าANN2 เนื่องจากจำนวนมากขึ้นของตัวแปรที่เพิ่มความซับซ้อนรูปแบบ เพิ่มขึ้นในความซับซ้อนของรูปแบบที่อาจทำให้เข้าใจผิดโมเดลเพื่อ overfit ข้อมูลการฝึกอบรมและนำไปสู่ความยากจนการคาดการณ์(Tokar และจอห์นสัน, 1999) ในกรณีที่ ANN3 ประสิทธิภาพลดลงอย่างมากเมื่อเทียบกับการ ANN2 เพราะจำนวนน้อยของตัวแปรซึ่งไม่สามารถที่จะอธิบายกระบวนการพื้นฐานทางกายภาพ ดังนั้นในการพัฒนารูปแบบแอนมันเป็นสิ่งสำคัญมากที่จะใช้จำนวนที่เหมาะสมของตัวแปรการป้อนข้อมูลและการศึกษาปัจจุบันผลระบุว่าสำหรับการจำลองทำที่มถุรา(ดาวน์สตรีม) 14 ตัวแปรที่ใช้ใน ANN2 มีความเหมาะสม ผลกราฟิกของประสิทธิภาพที่ดีที่สุด ANN คือ ANN2 จะแสดงในรูปที่ 3 ในรูปแบบของเวลาที่แปลงชุดและแผนการกระจายซึ่งแสดงให้เห็นถึงการแข่งขันที่ดีระหว่างตั้งข้อสังเกตและจำลองทำด้วยวิธีANN

ผลลัพธ์ (ไทย) 3:

ผลลัพธ์
แอนโปรแกรมและมาตรฐานของข้อมูลเป็นขั้นตอนสำคัญของการประมวลผลข้อมูลก่อนและสามารถใช้กับ ในการศึกษา
, ข้อมูลสำหรับตัวแปร x เป็นมาตรฐานตามแบบ แอน ( ประสาทพลัง , 2003 )
ในการประมาณค่าของพารามิเตอร์ของแบบจำลองอุทกวิทยา ข้อมูลจะถูกแบ่งออกเป็นสองส่วน ส่วนแรกคือ
ใช้ปรับเทียบรุ่นที่สองเพื่อพิสูจน์ความถูกต้อง การปฏิบัตินี้เรียกว่าการทดสอบแบ่งตัวอย่าง ' ความยาวของ
ข้อมูลการสอบเทียบขึ้นอยู่กับจำนวนของพารามิเตอร์จะประมาณ การปฏิบัติทั่วไป คือ ใช้ครึ่ง twothird
ของข้อมูลสำหรับการสอบเทียบและที่เหลือสำหรับการตรวจสอบ ข้อมูลของแม่น้ำ Yamuna จำนวน 72 รูปแบบ
ที่การวัดการไหล เวลาเดินทาง อุณหภูมิ ความเป็นกรดด่างการนำไฟฟ้า , BOD และทำถูก
พร้อม จากข้อมูลชุด 48 รูปแบบสุ่มเลือกใช้สำหรับการฝึกอบรมและ 24 รูปแบบสำหรับการทดสอบ

ใช้ออกซิเจนละลาย , แอนน์ตามป้อนไปหน้าข้อผิดพลาดหลังกระจายขั้นตอนวิธีใช้
การพัฒนาแอน จำนวนของชุดค่าผสมของตัวแปรและสถานีใส่ได้ คือ ( ก )
ทุกชุดข้อมูลสำหรับท่องเที่ยวสถานี ( upstream ) ท่องเที่ยว ( กลาง ) และมถุรา ( ปลายน้ำ ) นอกจากทำที่ค่า
มถุรา ( ต่อเนื่อง ) ( ข ) ทุกชุดข้อมูลสำหรับสถานีท่องเที่ยว ( ต้นน้ำ ) และมถุรา ( ภาคกลาง ) , และ ( c )
ชุดข้อมูลสำหรับสถานีท่องเที่ยว ( ขั้นต้น ) สำหรับการวิเคราะห์ ข้อมูลประกอบด้วย 14 แอนโหนดโหนดและโหนด
5 10 ใส่ input สำหรับกรณี ( A ) , ( B )และ ( C ) ตามลำดับ การแสดงผลชั้นมีโหนดเดียวที่สอดคล้องกับปริมาณออกซิเจนที่ละลายในน้ำที่ปลายน้ำของ Mathura
. การฝึกให้แอนจำนวน 5000 รอบ ตาม Hsu
et al . ( 1995 ) สามชั้นให้อาหารทางข้างหน้าสามารถใช้รูปแบบการทำงานจริงความสัมพันธ์ที่อาจจะไม่รู้จักหรือได้กำหนด
รูปแบบและความซับซ้อน ดังนั้นเครือข่ายสามชั้นเท่านั้นที่พยายามในการศึกษา .
ในระหว่างการฝึกอบรม จำนวนโหนดในชั้นซ่อนก็ถือว่าน้อยกว่าหรือเท่ากับ 2 * ใส่ชั้น 1
( swingler , 1996 ) ซึ่งได้รับผลลัพธ์ที่ดีที่สุด มันอาจจะเพิ่มว่า ผลของการฝึก ชุด
น้ำหนักที่แสดงถึง ' ความรู้ ' ของแอนที่ได้รับและไม่ได้รับสมการที่ชัดเจนของการทำงาน การเปรียบเทียบประสิทธิภาพของแบบจำลอง ANN
ต่างๆตามวิธีสหสัมพันธ์และสัมประสิทธิ์การประมาณค่า
กำหนดทำให้ตารางที่ 1 มันสามารถเห็นได้จากตารางใน
7.6 สอบเทียบค่า RMSE ,r และ DC ที่พัฒนาแบบจำลองที่แตกต่างกันในช่วงของ 1.71 ถึง 2.89 0.852

และ 0.907 0.722 เพื่อ 0.8226 ตามลำดับ อย่างไรก็ตาม ค่า RMSE , R และ DC แตกต่างกันในช่วงต่อไป
cumec 6.91 , และเพื่อให้ 0.654 0.928 มาณ 0.856 ตามลำดับในรูปแบบการตรวจสอบ ตามที่อธิบายไว้ในส่วนก่อนหน้านี้
,สามประเภทของแอนรุ่นได้รับการพัฒนากับชุดที่แตกต่างกันของข้อมูลและสถานี , I ,
ann1 : ทุกชุดข้อมูลสำหรับท่องเที่ยวสถานี ( upstream ) ท่องเที่ยว ( กลาง ) และมถุรา ( ปลายน้ำ ) ยกเว้นที่ค่าทำ
Mathura ( ปลายน้ำ ) ann2 : ทุกชุดข้อมูลสำหรับสถานีท่องเที่ยว ( ต้นน้ำ ) และ ท่องเที่ยว ( กลาง ) ;
ann3 : ทั้งหมดและชุดข้อมูลสถานีท่องเที่ยว ( ต้นน้ำ )การแสดงของทั้งสาม แอน รุ่นที่แตกต่างกัน การปฏิบัติที่ดีที่สุด แอน
รูปแบบเป็นรูปแบบ ann2 กับค่า RMSE , R , DC เป็น 1.71 , 0.907 0.822 ,
ตามลำดับในการสอบเทียบและ 1.52 , 0.928 , 0.856 ตามลำดับในระหว่างการตรวจสอบ annr2 รูปแบบมีทั้งหมด
10 ตัวแปรนำเข้าประกอบด้วยการไหลรายเดือน , อุณหภูมิ , pH , ความต้องการออกซิเจนทางชีวเคมี ( BOD ) และ
ปริมาณออกซิเจนละลายน้ำ ( DO ) ใน Mathura ( ต้นน้ำ ) และมถุรา ( ภาคกลาง ) ผลการศึกษาพบว่า ประสิทธิภาพของแอนแบบ
ที่ดีที่สุดคือกับจำนวนที่เหมาะสมของตัวแปร . ในกรณีของ ann1 14 ตัวแปรนำเข้า ,
ประสิทธิภาพต่ำกว่า ann2 เนื่องจากหมายเลขเพิ่มเติมตัวแปรนำเข้าที่เพิ่มความซับซ้อนของโมเดล .
เป็นเพิ่มขึ้นในความซับซ้อนของแบบจำลองอาจทำให้เข้าใจผิดโมเดลที่จะ overfit ข้อมูลการฝึกอบรมและนำไปสู่การคาดการณ์น่าสงสาร
( โตการ์ และ จอห์นสัน , 1999 ) ในกรณีของ ann3 ประสิทธิภาพลดลงอย่างมากเมื่อเทียบกับ ann2
เพราะจํานวนน้อยใส่ตัวแปรที่ไม่สามารถที่จะอธิบายพื้นฐานทางกายภาพ กระบวนการ ดังนั้นในการพัฒนาแบบจำลอง
แอนมันเป็นสิ่งสำคัญมากที่จะใช้จำนวนที่เหมาะสมของตัวแปรและการศึกษา
ผลการวิจัยพบว่าทำจำลองที่มถุรา ( ปลายน้ำ ) 14 ตัวแปรนำเข้าที่ใช้ใน ann2 เป็น
สูงสุด ผลกราฟิกของการปฏิบัติที่ดีที่สุด แอน คือ ann2 แสดงในรูปที่ 3 ในรูปแบบของเวลา
แปลงชุดและแปลงกระจายซึ่งแสดงถึงการแข่งขันระหว่างตรวจสอบและจำลอง โดย แอน วิธี