Rainfall forecasting plays many imp

Rainfall forecasting plays many important role in water resources studies such as river training works and design of flood waArtificial neural networks and genetic algorithm
ANN has been innovated as a flexible mathematical structure based on the biological functioning of the nervous system. Sarle (1994) argued that the same roots of classical regression can be found in ANNs originally developed as a model of information storage and computing using neuronal processes found in nature (Hykin, 1999). The most popular type of ANN, i.e. multilayer feed-forward neural network (MFNN), the three-layer feed-forward neural network (TFNN), is shown in Fig. 1. ANN training is performed to determine the weights associated with the network in an optimal way using an appropriate algorithm. Many researchers have reported difficulties in training the network parameters caused by parameter interdependence, parameter insensitivity and multi-local optima (Hykin, 1999). Montana and Davis (1988) and Maniezzo (1994) applied GA in training a BPNN. In their works, GA determined the best topology of ANNs. ANN has to go through three phases for its operational application. In the first phase, a subset of input–output dataset (S1=[(x1,d1),(x2,d2),…,(xp1,dp1)]) is used to train the networks (calibration phase) while in the second phase, another subset of input–output dataset View the MathML source is used to validate the calibrated networks. Imrie, Durucan, and Korre (2000) suggested to have an intervening phase, so-called the testing phase, whereby a third subset of dataset View the MathML source is used to guide the network to test over training (over generalization) phenomena during training phase. In this case, ANN training exercise becomes an unconstrained, nonlinear optimization problem in the weight space, and an appropriate algorithm may be used to solve this problem. In the ANN testing phase, the objective is to determine the suitability of the weighting coefficients with regard to over-fitting process.

ผลลัพธ์ (ไทย) 1:

คาดการณ์ปริมาณน้ำฝนสำคัญจำนวนมากในน้ำการศึกษาทรัพยากรน้ำฝึกงานและออกแบบเครือข่ายประสาท waArtificial น้ำท่วมและอัลกอริทึมทางพันธุกรรมแอนน์ได้ถูกคิดค้นเป็นโครงสร้างทางคณิตศาสตร์มีความยืดหยุ่นตามการทำงานทางชีวภาพของระบบประสาท Sarle (1994) โต้เถียงว่า รากเดียวกันของการถดถอยที่คลาสสิกจะพบใน ANNs เดิมพัฒนาเป็นรูปแบบของการจัดเก็บข้อมูล และคำนวณการใช้ neuronal ประมวลผลพบในธรรมชาติ (Hykin, 1999) ชนิดนิยมมากที่สุดของแอน เช่นหลายชั้นไปดึงโครงข่ายประสาท (MFNN), เครือข่ายประสาทดึงไปข้างหน้า 3 ชั้น (TFNN), มีแสดงใน Fig. 1 แอนน์ดำเนินการฝึกอบรมการกำหนดน้ำหนักที่เชื่อมโยงกับเครือข่ายในทางเหมาะสมโดยใช้อัลกอริทึมเหมาะสม นักวิจัยจำนวนมากได้รายงานปัญหาในพารามิเตอร์เครือข่ายที่เกิดจากพารามิเตอร์อิสระเสรี insensitivity พารามิเตอร์ และหลายท้องถิ่นพติ (Hykin, 1999) การฝึกอบรม มอนทานา และ Davis (1988) และ Maniezzo (1994) ใช้ GA ในการฝึกอบรม BPNN ในการปฏิบัติงาน GA กำหนดโครงสร้างที่ดีที่สุดของ ANNs แอนน์ได้ไปผ่านโปรแกรมประยุกต์การดำเนินงาน 3 ระยะ ในระยะแรก ชุดย่อยของชุดข้อมูลอินพุต – เอาท์พุต (S1=[(x1,d1),(x2,d2),...,(xp1,dp1)]) ใช้ในการฝึกอบรมเครือข่าย (เทียบระยะ) ในขณะที่ในเฟสที่สอง ย่อยอื่นของชุดข้อมูลอินพุต – เอาท์พุตแหล่ง MathML จะใช้ในการตรวจสอบเครือข่าย calibrated ดู Imrie, Durucan และ Korre (2000) แนะนำให้มีอยู่ระหว่างกลางระยะ เรียกว่าขั้นตอนการทดสอบ โดยสามชุดย่อยของชุดข้อมูลดูต้น MathML ใช้เครือข่ายเพื่อทดสอบผ่านการฝึกอบรม (ผ่าน generalization) ปรากฏการณ์ระหว่างขั้นตอนการฝึกอบรมให้คำแนะนำ ในกรณีนี้ แอนฝึกออกกำลังกายจะ มีปัญหาเพิ่มประสิทธิภาพ unconstrained ไม่เชิงเส้นในพื้นที่น้ำหนัก และอาจใช้ขั้นตอนวิธีการที่เหมาะสมเพื่อแก้ไขปัญหานี้ ในระยะทดสอบแอน วัตถุประสงค์คือเพื่อ พิจารณาความเหมาะสมของสัมประสิทธิ์น้ำหนักตามกระบวนการที่เหมาะสมมากเกินไป

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ปริมาณน้ำฝนมีบทบาทสำคัญมากในการศึกษาทรัพยากรน้ำเช่นผลงานการฝึกอบรมและการออกแบบแม่น้ำเครือข่ายประสาท waArtificial
น้ำท่วมและขั้นตอนวิธีพันธุกรรมแอนได้รับการคิดค้นเป็นโครงสร้างทางคณิตศาสตร์ที่มีความยืดหยุ่นขึ้นอยู่กับการทำงานทางชีวภาพของระบบประสาท Sarle (1994) แย้งว่ารากเดียวกันของการถดถอยคลาสสิกที่สามารถพบได้ใน ANNs การพัฒนามาเป็นรูปแบบของการจัดเก็บข้อมูลและการคำนวณโดยใช้กระบวนการของเซลล์ประสาทที่พบในธรรมชาติ (Hykin, 1999) ประเภทที่นิยมมากที่สุดของแอนเช่นหลายเครือข่ายประสาทฟีดไปข้างหน้า (MFNN) ซึ่งเป็นเครือข่ายประสาทฟีดไปข้างหน้าสามชั้น (TFNN) แสดงในรูป 1. การฝึกอบรม ANN จะดำเนินการเพื่อตรวจสอบน้ำหนักที่เกี่ยวข้องกับเครือข่ายในวิธีที่ดีที่สุดโดยใช้อัลกอริทึมที่เหมาะสม นักวิจัยหลายคนมีรายงานว่ามีความยากลำบากในการฝึกอบรมค่าเครือข่ายที่เกิดจากการพึ่งพาซึ่งกันและกันพารามิเตอร์ไม่รู้สึกพารามิเตอร์และดีที่สุดของหลายท้องถิ่น (Hykin, 1999) มอนแทนาและเดวิส (1988) และ Maniezzo (1994) นำไปใช้ในการฝึกอบรม GA BPNN ในการทำงานของพวกเขา GA กำหนดโครงสร้างดีที่สุดของ ANNs แอนจะต้องผ่านขั้นตอนที่สามสำหรับการประยุกต์ใช้ในการดำเนินงานของ ในระยะแรกซึ่งเป็นส่วนหนึ่งของชุดข้อมูลที่นำเข้าส่งออก (S1 = [(x1, d1), (x2, d2) ... (xp1, DP1)]) ถูกนำมาใช้ในการฝึกอบรมเครือข่าย (ระยะการสอบเทียบ) ในขณะที่ ขั้นที่สองของชุดย่อยนำเข้าส่งออกอื่นดูแหล่งที่มา MathML ถูกนำมาใช้ในการตรวจสอบเครือข่ายที่ปรับเทียบ รีย์, Durucan และ Korre (2000) แนะนำให้มีขั้นตอนการแทรกแซงที่เรียกว่าขั้นตอนการทดสอบโดยเซตที่สามของชุดข้อมูลที่ดูแหล่งที่มา MathML ถูกนำมาใช้เพื่อเป็นแนวทางในเครือข่ายในการทดสอบในช่วงการฝึกอบรม (กว่าทั่วไป) ปรากฏการณ์ระหว่างการฝึกอบรม ระยะ ในกรณีนี้การออกกำลังกายการฝึกอบรมแอนจะกลายเป็นข้อ จำกัด ปัญหาการเพิ่มประสิทธิภาพเชิงเส้นในอวกาศน้ำหนักและขั้นตอนวิธีการที่เหมาะสมอาจถูกใช้เพื่อแก้ปัญหานี้ ในขั้นตอนการทดสอบ ANN วัตถุประสงค์คือการกำหนดความเหมาะสมของค่าสัมประสิทธิ์น้ำหนักในเรื่องเกี่ยวกับขั้นตอนในช่วงที่เหมาะสม

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปริมาณน้ำฝนนั้นมีบทบาทสำคัญมากในแหล่งน้ำ เช่น แม่น้ำ งานฝึกอบรม ศึกษาและออกแบบโครงข่ายประสาทเทียมและขั้นตอนวิธีทางพันธุกรรม น้ำท่วม waartificial
แอนได้ถูกคิดค้นโดยความยืดหยุ่นของโครงสร้างทางคณิตศาสตร์ที่ใช้ในการทำงานทางชีวภาพของระบบประสาทsarle ( 1994 ) แย้งว่า รากของสมการถดถอยแบบคลาสสิกที่สามารถพบได้ในทางสร้างสรรค์ พัฒนาเป็นรูปแบบของการเก็บข้อมูลและการคำนวณโดยใช้กระบวนการการค้นพบในธรรมชาติ ( hykin , 1999 ) ประเภทที่นิยมที่สุดของแอน คือ feed-forward หลายเครือข่ายประสาท ( mfnn ) , สามชั้น feed-forward โครงข่ายประสาทเทียม ( tfnn ) ที่แสดงในรูปที่ 1แอน การฝึกอบรมจะได้น้ำหนักที่เกี่ยวข้องกับเครือข่ายในวิธีที่ดีที่สุดโดยใช้อัลกอริทึมที่เหมาะสม นักวิจัยหลายคนได้รายงานปัญหาในการฝึกอบรมเครือข่ายที่เกิดจากการพึ่งพาอาศัยกันพารามิเตอร์พารามิเตอร์ , พารามิเตอร์และต่อต้านหลายท้องถิ่น Optima ( hykin , 1999 ) มอนแทนา และ เดวิส ( 1988 ) และ maniezzo ( 1994 ) กาที่ใช้ในการฝึกอบรมแบบจำลอง . ในงานของพวกเขากากำหนดโครงสร้างที่ดีที่สุดของทาง . แอนต้องผ่านสามขั้นตอนสำหรับการดำเนินงานของ ในเฟสแรก เป็นเซตย่อยของข้อมูลและส่งออกข้อมูล ( S1 = [ ( x1 , D1 ) , X ( , D2 ) . . . . . . . ( xp1 dp1 , ) ใช้รถไฟเครือข่าย ( ขั้นตอนการสอบเทียบ ) ในขณะที่ในเฟสอีกชุดย่อยของข้อมูลและดูข้อมูลแหล่งผลผลิต Mathias-S ใช้ในการตรวจสอบการสอบเทียบ ) มรี ,durucan และ korre ( 2000 ) พบว่า มีการแทรกแซงขั้นตอนที่เรียกว่าขั้นตอนการทดสอบ ซึ่งเป็นชุดย่อยสามของ DataSet ดู MathML แหล่งใช้คู่มือเครือข่ายเพื่อทดสอบผ่านการฝึกอบรม ( generalization ) ปรากฏการณ์ในขั้นตอนการฝึกอบรม ในกรณีนี้ การฝึกออกกำลังกาย แอน กลายเป็นปัญหาในการเพิ่มประสิทธิภาพต่างกันไป ไม่เชิงเส้นหนักพื้นที่และขั้นตอนวิธีที่เหมาะสมอาจถูกใช้เพื่อแก้ปัญหานี้ ในขั้นตอนการทดสอบ แอน วัตถุประสงค์คือเพื่อตรวจสอบความเหมาะสมของน้ำหนักรวม เกี่ยวกับ ผ่านกระบวนการกระชับ