Experiments are conducted in CNC ma

Experiments are conducted in CNC machine using Taguchi’s principles. Results from experimentation are used to train and test the developed neural network models. The performance of the developed hybrid neural network models is measured in terms of computational accuracy and speed. Confirmatory tests are done to validate this approach. From Table 6 the predictive error computed using NNPSO is less compared with other developed models. The reason is that NNPSO model searches solution in the search space different from other neural network models. It maintains a internal memory to store the Gbest and Pbest solutions. Each individual in the population tries to emulate the Gbest and Pbest solutions in the memory by updating two PSO equations. But NNGA model iteratively searches for several good individuals in the population, and make the population to emulate the best solutions found in that generation through reproduction, crossover and mutation operators. Hence it requires substantial computational time to perform decision making whereas back propagation algorithm training network may converge to a set of sub-optimal weights. Hence the effectiveness of NNPSO model in finding the true global optimal solution is competent than the other neural network models. The developed neural network model with PSO predicts the output with an accuracy of error is hardly less than 2%.

ผลลัพธ์ (ไทย) 1:

มีดำเนินการทดลองในเครื่อง CNC ที่ใช้หลักการของ Taguchi ผลจากการทดลองจะใช้ในการฝึก และทดสอบแบบจำลองโครงข่ายประสาทพัฒนา ประสิทธิภาพของรูปแบบเครือข่ายประสาทไฮบริดพัฒนาเป็นวัดคำนวณความถูกต้องแม่นยำและความเร็ว ทดสอบเสร็จจะทำการตรวจสอบวิธีการนี้ จากตาราง 6 ข้อผิดพลาดงานคำนวณโดยใช้ NNPSO จะ น้อยเมื่อเทียบกับรุ่นอื่น ๆ ที่พัฒนาแล้ว เหตุผลคือ โซลูชันที่ค้นหาแบบจำลอง NNPSO ในพื้นที่การค้นหาแตกต่างจากรูปแบบเครือข่ายประสาทอื่น ๆ มันรักษาหน่วยความจำภายในเพื่อเก็บ Pbest และ Gbest โซลูชั่น แต่ละคนในประชากรพยายามจำลอง Pbest และ Gbest โซลูชั่นในหน่วยความจำ ด้วยการปรับปรุงสองสมการ PSO แต่รุ่น NNGA ซ้ำ ๆ หาบุคคลดีหลายในประชากร และทำให้ประชากรการจำลองการแก้ปัญหาดีที่สุดที่พบในรุ่นที่ผ่านการทำซ้ำ ตัวดำเนินการแบบไขว้และการกลายพันธุ์ ดังนั้น มันต้องใช้เวลาคำนวณพบการตัดสินใจทำในขณะที่เครือข่ายเผยแพร่หลังขั้นตอนวิธีการฝึกอบรมอาจมาบรรจบกันชุดน้ำหนักที่เหมาะสมย่อยได้ ดังนั้น ประสิทธิภาพของแบบจำลอง NNPSO ในการหาโซลูชันสูงสุดทั่วโลกจริงมีอำนาจมากกว่าแบบจำลองโครงข่ายประสาทอื่น ๆ แบบจำลองโครงข่ายประสาทพัฒนากับ PSO ทำนายผลลัพธ์ มีความถูกต้องของข้อผิดพลาดคือ ไม่น้อยกว่า 2%

ผลลัพธ์ (ไทย) 2:

การทดลองจะดำเนินการในเครื่อง CNC ใช้หลักการของทากูชิ ผลลัพธ์ที่ได้จากการทดลองที่ใช้ในการฝึกอบรมและทดสอบการพัฒนาแบบจำลองโครงข่ายประสาทเทียม ประสิทธิภาพของการพัฒนาแบบจำลองเครือข่ายประสาทไฮบริดเป็นวัดในแง่ของความถูกต้องในการคำนวณและความเร็ว การทดสอบยืนยันจะดำเนินการในการตรวจสอบวิธีการนี​​้ จากตารางที่ 6 ข้อผิดพลาดในการทำนายคำนวณโดยใช้ NNPSO เป็นน้อยลงเมื่อเทียบกับรุ่นที่พัฒนาอื่น ๆ เหตุผลก็คือว่ารูปแบบการแก้ปัญหา NNPSO ค้นหาในพื้นที่ค้นหาความแตกต่างจากรูปแบบเครือข่ายประสาทอื่น ๆ มันจะเก็บหน่วยความจำภายในในการจัดเก็บและการแก้ปัญหา gbest Pbest บุคคลในประชากรแต่ละคนพยายามที่จะเลียนแบบ gbest และการแก้ปัญหา Pbest ในหน่วยความจำโดยการปรับปรุงสองสมการ PSO แต่รูปแบบ NNGA ค้นหาซ้ำสำหรับบุคคลที่ดีในหลาย ๆ ประชากรและทำให้ประชากรที่จะเลียนแบบการแก้ปัญหาที่ดีที่สุดที่พบในรุ่นที่ผ่านการสืบพันธุ์ครอสโอเวอร์และผู้ประกอบการกลายพันธุ์ เพราะฉะนั้นมันก็ต้องใช้เวลาในการคำนวณอย่างมากในการดำเนินการการตัดสินใจในขณะที่วิธีการขยายพันธุ์หลังการฝึกอบรมเครือข่ายอาจจะมาบรรจบกันชุดของน้ำหนักย่อยที่ดีที่สุด ดังนั้นประสิทธิภาพของรูปแบบ NNPSO ในการหาทางออกที่ดีที่สุดระดับโลกอย่างแท้จริงมีอำนาจกว่ารุ่นเครือข่ายประสาทอื่น ๆ การพัฒนารูปแบบเครือข่ายประสาทกับ PSO คาดการณ์ส่งออกที่มีความถูกต้องของข้อผิดพลาดแทบจะไม่น้อยกว่า 2%

ผลลัพธ์ (ไทย) 3:

การทดลองจะดำเนินการในเครื่อง CNC ใช้ทาเป็นหลัก ผลจากการทดลองใช้ในการฝึกและทดสอบการพัฒนาโครงข่ายประสาทเทียมแบบ ประสิทธิภาพของแบบจำลองโครงข่ายประสาทพัฒนาไฮบริดเป็นวัดในแง่ของความถูกต้องของการคำนวณ และความเร็ว การทดสอบยืนยันจะทำเพื่อตรวจสอบวิธีการนี้จากตารางที่ 6 ข้อผิดพลาดสามารถคำนวณโดยใช้ nnpso น้อยเมื่อเทียบกับอื่น ๆที่พัฒนาขึ้นแบบ เหตุผลที่การค้นหาโซลูชั่นในการค้นหาพื้นที่ที่แตกต่างจากแบบจำลองรูปแบบอื่น ๆ nnpso . มันรักษาความทรงจำภายในเพื่อเก็บ gbest pbest และโซลูชั่นแต่ละคน ในประชากรที่พยายามเลียนแบบ gbest pbest และโซลูชั่นในหน่วยความจำ โดยปรับปรุงสองระบบสมการ แต่รูปแบบ nnga ซ้ำค้นหา บุคคล ที่ดีๆในประชากร และประชากรที่จะเลียนแบบโซลูชั่นที่ดีที่สุดที่พบในที่สร้างผ่านการผู้ประกอบการไขว้และการกลายพันธุ์จึงต้องมีการคำนวณมากเวลาแสดงการตัดสินใจในขณะที่การฝึกอบรมเครือข่ายแบบแพร่กลับ อาจเป็นชุดย่อยที่เหมาะสมของน้ำหนัก ดังนั้น ประสิทธิผลของรูปแบบ nnpso ในการหาโซลูชั่นที่เหมาะสมจริงทั่วโลกมีความสามารถมากกว่าคนอื่น ๆ แบบจำลองโครงข่ายประสาท .การพัฒนาโครงข่ายประสาทเทียมแบบ PSO คาดการณ์ผลผลิตกับความถูกต้องของข้อผิดพลาดไม่น้อยกว่า 2 %