shows the comparison between predic

shows the comparison between predicted and measured
runoff values at training and testing phases by hybrid GA–ANN
model using the daily data from the Ourika catchment. The GA–
ANN algorithm was run with a population size of 100, uniform
crossover probability was set to 0.9 and uniform mutation probability
was set to 0.1. GA–ANN was trained by 80 generations, followed
by a BP training procedure. The value of learning
coefficient 0.01 and momentum correction factor 0.08 were used
for the back-propagation training algorithm.
In Fig. 3 the output of the model, simulated with test data,
shows a good agreement with the target. The simulation performance
of the GA–ANN model was evaluated on the basis of root
mean square error (RMSE) and efficiency coefficient R2 (Nash &
Sutcliffe, 1970). The parameters RMSE = 0.162 and R2 = 0.91 suggest
a very good performance. In general, a R2 value greater than
0.9 indicates a very satisfactory model performance, while a R2 value
in the range 0.8–0.9 signifies a good performance and values
less than 0.8 indicate an unsatisfactory model performance (Coulibaly
& Baldwin, 2005).
In order to evaluate the performance of the genetic algorithmbased
neural network, back-propagation neural network was applied
with the same data sets used in the GA–ANN model. Fig. 4
shows the extent of the match between the measured and predicted
daily flow values by GA–BP and BP neural networks in term

ผลลัพธ์ (ไทย) 1:

แสดงการเปรียบเทียบระหว่างวัด และคาดการณ์ไหลบ่าค่าฝึกอบรม และทดสอบระยะ โดยไฮบริ GA-แอนแบบจำลองโดยใช้ข้อมูลรายวันจากลุ่มน้ำ Ourika GA-อัลกอริทึมแอนรันขนาดประชากร 100 ชุดยูนิฟอร์มความน่าเป็นแบบไขว้ถูกตั้งค่าให้ความน่าเป็นการกลายพันธุ์ 0.9 และสม่ำเสมอถูกตั้งค่าเป็น 0.1 GA-แอนถูกฝึก โดยรุ่น 80 ตามโดยขั้นตอนการฝึกอบรม BP ค่าของการเรียนรู้ใช้สัมประสิทธิ์ 0.01 และโมเมนตัมการแก้ไขปัจจัย 0.08สำหรับขั้นตอนวิธีการฝึกอบรมเผยแพร่หลังการใน Fig. 3 การแสดงผลของแบบจำลอง จำลองทดสอบข้อมูลแสดงข้อตกลงที่ดีกับเป้าหมาย ประสิทธิภาพการทำงานของการจำลองของ GA – แอน รุ่นถูกประเมินโดยใช้หลักข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (RMSE) และสัมประสิทธิ์ประสิทธิภาพ R2 (Nash &Sutcliffe, 1970) พารามิเตอร์ RMSE = 0.162 และ R2 = 0.91 แนะนำประสิทธิภาพดีขึ้น ทั่วไป R2 มีค่ามากกว่า0.9 บ่งชี้ประสิทธิภาพแบบน่าพอใจมาก ในขณะที่ค่า R2ในช่วง 0.8-0.9 หมายถึงประสิทธิภาพที่ดีและค่าน้อยกว่า 0.8 บ่งชี้ประสิทธิภาพการใช้แบบจำลอง (Coulibalyและบอลด์วิน 2005)เพื่อประเมินประสิทธิภาพของ algorithmbased ทางพันธุกรรมใช้โครงข่ายประสาท โครงข่ายประสาทกลับมาเผยแพร่มีชุดข้อมูลเดียวกันที่ใช้ในรุ่น GA – แอน Fig. 4แสดงขอบเขตของการจับคู่ระหว่างวัด และคาดการณ์ค่ากระแสรายวัน โดย GA – BP และ BP ประสาทเครือข่ายในระยะ

ผลลัพธ์ (ไทย) 2:

แสดงให้เห็นถึงการเปรียบเทียบระหว่างการคาดการณ์และการวัดค่าการไหลบ่าในการฝึกอบรมและขั้นตอนการทดสอบโดยไฮบริด GA-ANN รูปแบบโดยใช้ข้อมูลประจำวันจากการเก็บกักน้ำ Ourika GA- ขั้นตอนวิธี ANN ดำเนินการที่มีขนาดประชากร 100 เครื่องแบบน่าจะเป็นครอสโอเวอร์ถูกกำหนดให้0.9 และความน่าจะกลายพันธุ์เครื่องแบบถูกกำหนดให้0.1 GA-ANN รับการฝึกฝนโดยรุ่น 80 ตามด้วยขั้นตอนการฝึกอบรมความดันโลหิต มูลค่าของการเรียนรู้ค่าสัมประสิทธิ์ 0.01 และโมเมนตัม 0.08 ปัจจัยการแก้ไขถูกนำมาใช้สำหรับการขยายพันธุ์กลับขั้นตอนวิธีการฝึกอบรม. ในรูป 3 การส่งออกของรูปแบบจำลองที่มีข้อมูลผลการทดสอบแสดงให้เห็นว่าข้อตกลงที่ดีกับเป้าหมาย ผลการดำเนินงานการจำลองรูปแบบ GA-ANN ถูกประเมินบนพื้นฐานของรากหมายถึงข้อผิดพลาดของตาราง(RMSE) และค่าสัมประสิทธิ์ประสิทธิภาพ R2 (แนชและซัทคลีฟ1970) พารามิเตอร์ RMSE = 0.162 และ R2 = 0.91 แสดงให้เห็นผลงานที่ดีมาก โดยทั่วไปค่า R2 มากกว่า0.9 แสดงให้เห็นผลการดำเนินงานรูปแบบที่น่าพอใจมากในขณะที่ค่า R2 ในช่วง 0.8-0.9 หมายถึงผลงานที่ดีและมีค่าน้อยกว่า0.8 แสดงให้เห็นผลการดำเนินงานที่น่าพอใจรูปแบบ (Coulibaly และบอลด์วิน, 2005). ในการสั่งซื้อ ในการประเมินผลการปฏิบัติงานของทางพันธุกรรม algorithmbased เครือข่ายประสาทกลับขยายพันธุ์เครือข่ายประสาทถูกนำมาใช้กับชุดข้อมูลเดียวกับที่ใช้ในรุ่น GA-ANN มะเดื่อ. 4 แสดงให้เห็นขอบเขตของการแข่งขันระหว่างวัดและคาดการณ์ไว้ที่ค่าการไหลของทุกวันโดย GA-ความดันโลหิตและ BP เครือข่ายประสาทในระยะ

ผลลัพธ์ (ไทย) 3:

แสดงการเปรียบเทียบระหว่างคาดการณ์และวัดค่าปริมาณน้ำท่าที่ฝึกและทดสอบขั้นตอนโดยระบบกา –แอนรูปแบบการใช้ข้อมูลรายวันจาก ourika ลุ่มน้ำ . เกมจำกัดขั้นตอนวิธีแอนใช้กับขนาดประชากร 100 , เครื่องแบบความน่าจะเป็นแบบเป็นชุดเครื่องแบบของ 0.9 และความน่าจะเป็นถูกตั้งค่าให้ 0.1 กา –แอน ได้รับการอบรมจาก 80 รุ่น ตามโดยมีการฝึกปฏิบัติ คุณค่าของการเรียนรู้เท่ากับ 0.01 และโมเมนตัมการแก้ไขปัจจัย 0.08 ใช้สำหรับ back-propagation ฝึกขั้นตอนวิธีในรูปที่ 3 ผลของแบบจําลองกับข้อมูลทดสอบแสดงข้อตกลงที่ดีกับเป้าหมาย การแสดงการจำลองของรูปแบบกา –แอน ถูกประเมินบนพื้นฐานของรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) และ R2 มีค่าประสิทธิภาพ ( Nash และซัตคลิฟ , 1970 ) ค่า RMSE = 0.162 R2 = 0.91 และแนะนำการแสดงที่ดีมาก โดยทั่วไป , R2 ค่ามากกว่า0.9 แสดงว่าแบบจำลองสมรรถนะที่น่าพอใจมาก ในขณะที่ R2 ค่าในช่วง 0.8 และ 0.9 ถึงประสิทธิภาพที่ดีและคุณค่าน้อยกว่า 0.8 บ่งชี้แบบจำลองสมรรถนะที่น่าพอใจ ( coulibaly& Baldwin , 2005 )เพื่อประเมินประสิทธิภาพของ algorithmbased พันธุกรรมประสาทเครือข่าย back-propagation ใช้เครือข่ายประสาทด้วยชุดข้อมูลเดียวกันที่ใช้ในรูปแบบกา –แอน รูปที่ 4แสดงขอบเขตของการจับคู่ระหว่างวัดและทำนายไหลทุกวัน ค่าโดยกา– BP และ BP โครงข่ายประสาทเทียมในภาค