ResultsSelection of ANN modelsA rap

Results
Selection of ANN models
A rapid back-propagation learning algorithm (Battiti, 1992)
was used in all ANN models and architectures with different
numbers of hidden neurons explored to select the
best architecture for the ANN models. The number of
iterations was controlled to prevent the network from
becoming overtrained. Overtraining was identified by an
early stopping technique, determined as the point where
the classification error in the validation data set started
to increase with increasing iterations. The relationship
between the number of iterations and the classification
error in validation data sets is given in Fig. 1.
Four to five hidden neurons and a sigmoid activation
function for both layers with 1500–2500 iterations offered
the best architecture. When data from all Australian field
sites were used in training, the ANN model was 60%
accurate in predicting severity classes for the South American
sites, and the percentage of error was 100% when
predicting severity for the Caquetá site. Similarly, the
model using data from all South American sites predicted
severity classes for the Australian sites poorly (data not
shown). Stylosanthes has only recently been introduced to
Caquetá and no C. gloeosporioides inoculum or anthracnose
symptoms were recorded at this site during the 1994–
96 period. Therefore data from Caquetá were excluded,
and all further analysis was conducted only on six Australian
and South American sites. This increased the prediction
success of the Australian model to >77% and that
of the South American model to >76%. The classification
errors for the various ANN models with three to 10 hidden
neurons developed with or without data from the Caquetá
site are given in Fig. 2.

ผลลัพธ์ (ไทย) 1:

ผลลัพธ์เลือกรุ่นแอนขั้นตอนวิธีการเรียนรู้กลับมาเผยแพร่อย่างรวดเร็ว (Battiti, 1992)ใช้ในรูปแบบแอนและสถาปัตยกรรมพร้อมทั้งหมดหมายเลขของ neurons ซ่อนอุดมต้องการสถาปัตยกรรมดีที่สุดสำหรับรุ่นแอน จำนวนเกิดซ้ำถูกควบคุมเพื่อป้องกันเครือข่ายจากเป็น overtrained Overtraining ระบุได้โดยการเช้าหยุดเทคนิค กำหนดจุดที่ประเภทข้อผิดพลาดในการตรวจสอบข้อมูลเริ่มต้นเพิ่มกับเพิ่มซ้ำ ความสัมพันธ์จำนวนการเกิดซ้ำและการจัดประเภทข้อผิดพลาดในการตรวจสอบข้อมูลชุดจะได้รับใน Fig. 1สี่ถึงห้าซ่อน neurons และเปิด sigmoidฟังก์ชันทั้งสองชั้นพร้อมเสนอแผน 1500 – 2500สถาปัตยกรรมดีที่สุด เมื่อข้อมูลจากเขตข้อมูลทั้งหมดที่ออสเตรเลียเว็บไซต์ใช้ในการฝึกอบรม แบบแอนได้ 60%แม่นยำในการทำนายความรุนแรงชั้นในอเมริกาใต้อเมริกา และเปอร์เซ็นต์ของข้อผิดพลาดได้ 100% เมื่อคาดการณ์ความรุนแรงสำหรับเว็บไซต์ Caquetá ในทำนองเดียวกัน การแบบจำลองที่ใช้ข้อมูลจากอเมริกาอเมริกาใต้ทั้งหมดที่คาดการณ์ไว้ความรุนแรงสอนงานท่องเที่ยวออสเตรเลีย (ข้อมูลไม่แสดง) นำ Stylosanthes ไปเมื่อเร็ว ๆ นี้เท่านั้นCaquetá และ C. gloeosporioides inoculum หรือ anthracnose ไม่อาการประสานที่ 1994 –รอบระยะเวลา 96 ดังนั้น ข้อมูลจาก Caquetá ได้แยกและวิเคราะห์เพิ่มเติมทั้งหมดได้ดำเนินการเฉพาะในออสเตรเลีย 6และอเมริกาใต้อเมริกา เพิ่มคำทำนายความสำเร็จของโมเดลเป็นออสเตรเลีย > 77% และที่ของแบบจำลองการอเมริกาใต้ > 76% การจัดประเภทข้อผิดพลาดสำหรับแบบจำลอง ANN ต่าง ๆ กับสาม 10 ซ่อนพัฒนามี หรือไม่ มีข้อมูลจาก Caquetá neuronsเว็บไซต์จะได้รับใน Fig. 2

ผลลัพธ์ (ไทย) 2:

ผลการคัดเลือกรูปแบบ ANN อย่างรวดเร็วหลังการขยายพันธุ์ขั้นตอนวิธีการเรียนรู้ (Battiti, 1992) ถูกนำมาใช้ในทุกรูปแบบแอนและสถาปัตยกรรมที่แตกต่างกันกับตัวเลขของเซลล์ประสาทซ่อนสำรวจเพื่อเลือกสถาปัตยกรรมที่ดีที่สุดสำหรับรุ่นANN จำนวนของการทำซ้ำถูกควบคุมเพื่อป้องกันเครือข่ายจากกลายเป็นovertrained Overtraining ถูกระบุโดยเทคนิคการหยุดก่อนกำหนดเป็นจุดที่มีข้อผิดพลาดในการจัดหมวดหมู่ข้อมูลชุดการตรวจสอบเริ่มต้นที่จะเพิ่มขึ้นด้วยซ้ำที่เพิ่มขึ้น ความสัมพันธ์ระหว่างจำนวนของการทำซ้ำและการจำแนกที่ผิดพลาดในชุดการตรวจสอบข้อมูลที่จะได้รับในรูป 1. สี่ถึงห้าเซลล์ประสาทที่ซ่อนอยู่และการเปิดใช้งาน sigmoid ฟังก์ชั่นสำหรับชั้นทั้งที่มีการทำซ้ำ 1500-2500 นำเสนอสถาปัตยกรรมที่ดีที่สุด เมื่อข้อมูลจากทุกสาขาออสเตรเลียเว็บไซต์ถูกนำมาใช้ในการฝึกอบรมรุ่น ANN เป็น 60% ที่ถูกต้องในการทำนายการเรียนความรุนแรงสำหรับอเมริกาใต้เว็บไซต์และร้อยละของข้อผิดพลาดเป็น 100% เมื่อทำนายความรุนแรงสำหรับเว็บไซต์Caquetá ในทำนองเดียวกันรูปแบบโดยใช้ข้อมูลจากเว็บไซต์อเมริกาใต้ทั้งหมดคาดการณ์การเรียนความรุนแรงสำหรับเว็บไซต์ที่ไม่ดีของออสเตรเลีย(ข้อมูลไม่แสดง) ถั่วเพิ่งจะได้รับการแนะนำให้รู้จักCaquetáและไม่มี C. gloeosporioides เชื้อแอนแทรกโนหรืออาการที่ถูกบันทึกไว้ที่เว็บไซต์นี้ในช่วง1994- 96 ระยะเวลา ดังนั้นข้อมูลจากCaquetáได้รับการยกเว้น, และการวิเคราะห์ต่อไปได้รับการดำเนินการเฉพาะในหกออสเตรเลียเว็บไซต์และอเมริกาใต้ นี้เพิ่มขึ้นการทำนายความสำเร็จของรุ่นออสเตรเลีย> 77% และของรูปแบบอเมริกาใต้ที่> 76% การจำแนกประเภทความผิดพลาดสำหรับรุ่นแอนต่างๆที่มีสามถึง 10 ซ่อนเซลล์ที่พัฒนาโดยมีหรือไม่มีข้อมูลจากCaquetáเว็บไซต์จะได้รับในรูป 2

ผลลัพธ์ (ไทย) 3:

การเลือกรูปแบบผลลัพธ์ที่แอน

อย่างรวดเร็ว back-propagation อัลกอริทึมการเรียนรู้ ( battiti , 1992 )
ใช้ทั้งหมดแอนรูปแบบสถาปัตยกรรมที่มีตัวเลขที่แตกต่างกัน
ประสาทที่ซ่อนอยู่สำรวจเลือก
ที่ดีที่สุดสถาปัตยกรรมสำหรับแอน รุ่น จํานวน
ซ้ำถูกควบคุมเพื่อป้องกันเครือข่ายจาก
เป็น overtrained . ฝึกหนักเกินไปถูกระบุโดย
ก่อนหยุดเทคนิคกำหนดเป็นจุดที่
การจำแนกข้อมูลข้อผิดพลาดในการตรวจสอบการตั้งค่าเริ่มต้น
เพิ่มขึ้นซ้ำ . ความสัมพันธ์ระหว่างจำนวนรอบ

และการจำแนกผิดพลาดในการตรวจสอบข้อมูลชุดจะได้รับในรูปที่ 1 .
4 - 5 มิลเซลล์ประสาทและกระตุ้นการทำงาน
แบบทั้งชั้นกับ 1500 - 2500 รอบเสนอ
สถาปัตยกรรมที่ดีที่สุดเมื่อข้อมูลจากเว็บไซต์เขต
ออสเตรเลียทั้งหมดที่ใช้ในการฝึกแบบ แอน เป็น 60 %
ถูกต้องในการพยากรณ์ความรุนแรงของเรียนเว็บไซต์อเมริกาใต้
และค่าร้อยละของความผิดพลาด 100% เมื่อ
ทำนายความรุนแรงสำหรับเว็บไซต์ . kgm caquet . ส่วนรูปแบบการใช้ข้อมูลจากเว็บไซต์

อเมริกาใต้ทั้งหมดคาดการณ์ความรุนแรงเรียนเว็บไซต์ออสเตรเลียไม่ดี ( ข้อมูลไม่
แสดง )จากมีเพียงเมื่อเร็ว ๆนี้แนะนำ

ไม่มี C . gloeosporioides . kgm caquet เชื้อแอนแทรคโนส
หรืออาการที่ถูกบันทึกไว้ที่เว็บไซต์นี้ในช่วง 1994 -
96 งวด ดังนั้น ข้อมูลจาก caquet . kgm คือไม่รวม
และการวิเคราะห์ต่อไปดำเนินการเฉพาะในออสเตรเลียและอเมริกาใต้
6 เว็บไซต์ นี้เพิ่มคำทำนาย
ความสำเร็จของนางแบบออสเตรเลีย > 77% และ
รูปแบบของอเมริกาใต้เพื่อ > 76 % การจัดหมวดหมู่
ข้อผิดพลาดต่างๆ แอน รุ่นสามถึง 10 มิล
เซลล์ประสาทพัฒนามี หรือไม่ มีข้อมูลจากเว็บไซต์ . kgm
caquet จะได้รับในรูปที่ 2