Prediction performance showed that

Prediction performance showed that all the approaches
provide a quite satisfactory accuracy, showing a correlation
about 0.98. The optimal setup for predictions of the
test set observations was for a network used from Levenberg–
Marquardt training algorithm with two hidden layers
and the number of ten neurons in each layer. The highest
accuracy of simulation was obtained for this network with
an error of 6.22%. It should be noted that except variable
learning rate training algorithm, Levenberg–Marquardt
training algorithm represented lower performance in
terms of MSE values compared to the others. After Levenberg–
Marquardt, scaled conjugated gradient training algorithm
had the highest network performance concerning
accuracy and SSE values followed by conjugated gradient
training algorithm. The gradient descent was the slowest
training algorithm while the quasi-Newton after Levenberg–
Marquardt was the fast. The performance of the networks
with one hidden layers which used from these six
algorithms represented in Table 3. As seen, the Levenberg–
Marquardt training algorithm had the best performance
like the network with two hidden layers. After it,
the quasi-Newton was the best training algorithm concerning
speed, MSE, accuracy and coefficient of determination.
Unlike the network with two hidden layers, the
Levenberg–Marquardt training algorithm with one hidden
layer had the best performance of MSE.

ผลลัพธ์ (ไทย) 1:

ประสิทธิภาพการทำนายพบว่าแนวทางทั้งหมดให้ความแม่นยำค่อนข้างน่าพอใจ แสดงความสัมพันธ์เกี่ยวกับ 0.98 การตั้งค่าที่เหมาะสมสำหรับการคาดการณ์ของการสังเกตชุดทดสอบมีเครือข่ายที่ใช้จาก Levenberg-อัลกอริทึมฝึก Marquardt ซ่อนอยู่ชั้นสองด้วยและหมายเลขของ neurons สิบในแต่ละชั้น สูงสุดความถูกต้องของการจำลองได้รับสำหรับเครือข่ายนี้ด้วยมีข้อผิดพลาดของ 6.22% ควรสังเกตที่ยกเว้นตัวแปรเรียนรู้ขั้นตอนวิธีการฝึกอบรมอัตรา Levenberg – Marquardtขั้นตอนวิธีการฝึกอบรมแสดงประสิทธิภาพต่ำเงื่อนไขของค่า MSE ที่เปรียบเทียบกับผู้อื่น หลังจาก Levenberg-Marquardt ปรับอัลกอริทึมฝึกไล่ระดับกลวงมีสูงเครือข่ายประสิทธิภาพเกี่ยวข้องกับความถูกต้องและค่า SSE ที่ตามไล่ระดับกลวงอัลกอริทึมของการฝึกอบรม เชื้อสายไล่ระดับได้ช้าที่สุดขั้นตอนวิธีการฝึกอบรมขณะนิวตัน quasi-หลังจาก Levenberg-Marquardt ได้อย่างรวดเร็ว ประสิทธิภาพของเครือข่ายกับหนึ่งซ่อนเลเยอร์ซึ่งใช้เหล่านี้ 6อัลกอริทึมในการแสดงในตาราง 3 เห็น Levenberg-Marquardt ฝึกอัลกอริทึมมีประสิทธิภาพสูงสุดเช่นเครือข่ายกับซ่อนสองชั้น หลังจากนั้นนิวตัน quasi-มีส่วนเกี่ยวข้องกับขั้นตอนวิธีการฝึกอบรมความเร็ว MSE ความถูกต้อง และสัมประสิทธิ์ของการกำหนดซึ่งแตกต่างจากเครือข่ายที่มี 2 ชั้นซ่อน การอัลกอริทึมฝึก Levenberg – Marquardt หนึ่งซ่อนอยู่ชั้นมีประสิทธิภาพดีที่สุดของ MSE

ผลลัพธ์ (ไทย) 2:

การทำนายผลการดำเนินงานพบว่าวิธีการทั้งหมดที่ให้ความถูกต้องที่น่าพอใจมากแสดงให้เห็นถึงความสัมพันธ์เกี่ยวกับ0.98 การติดตั้งที่ดีที่สุดสำหรับการคาดการณ์ของการทดสอบการตั้งข้อสังเกตเป็นเครือข่ายที่ใช้จาก Levenberg- ขั้นตอนวิธีการฝึกอบรม Marquardt มีสองชั้นที่ซ่อนและจำนวนสิบเซลล์ประสาทในชั้นแต่ละ สูงสุดความถูกต้องของแบบจำลองที่ได้รับสำหรับเครือข่ายนี้มีข้อผิดพลาดของ6.22% จาก มันควรจะตั้งข้อสังเกตว่ายกเว้นตัวแปรขั้นตอนวิธีการฝึกอบรมอัตราการเรียนรู้ Levenberg-Marquardt ขั้นตอนวิธีการฝึกอบรมเป็นตัวแทนของผลการดำเนินงานที่ต่ำกว่าในแง่ของค่า MSE เมื่อเทียบกับคนอื่น ๆ หลังจาก Levenberg- Marquardt, ปรับขั้นตอนวิธีการฝึกอบรมการไล่ระดับสีผันมีประสิทธิภาพของเครือข่ายมากที่สุดเกี่ยวกับความถูกต้องและค่าSSE ตามมาด้วยการไล่ระดับสีผันขั้นตอนวิธีการฝึกอบรม โคตรลาดช้าที่สุดคือขั้นตอนวิธีการฝึกอบรมในขณะที่กึ่งนิวตันหลังจาก Levenberg- Marquardt เป็นอย่างรวดเร็ว ประสิทธิภาพการทำงานของเครือข่ายที่มีชั้นหนึ่งซ่อนอยู่ซึ่งใช้จากเหล่านี้หกขั้นตอนวิธีการแสดงในตารางที่3 เท่าที่เห็นที่ Levenberg- ขั้นตอนวิธีการฝึกอบรม Marquardt มีประสิทธิภาพที่ดีที่สุดเช่นเดียวกับเครือข่ายที่มีสองชั้นที่ซ่อน หลังจากที่มันกึ่งนิวตันเป็นขั้นตอนวิธีการฝึกอบรมที่ดีที่สุดเกี่ยวกับความเร็วMSE ความถูกต้องและค่าสัมประสิทธิ์การตัดสินใจ. ซึ่งแตกต่างจากเครือข่ายที่มีสองชั้นที่ซ่อนไว้ขั้นตอนวิธีการฝึกอบรม Levenberg-Marquardt กับที่ซ่อนหนึ่งชั้นมีประสิทธิภาพที่ดีที่สุดของMSE

ผลลัพธ์ (ไทย) 3:

ผลการทำนายพบว่าทุกวิธีการ
มีความถูกต้องค่อนข้างน่าพอใจ แสดงความสัมพันธ์
ประมาณ 0.98 . การตั้งค่าที่เหมาะสมสำหรับคาดคะเนของ
ชุดทดสอบการสังเกตสำหรับเครือข่ายที่ใช้ขั้นตอนวิธีการจาก levenberg –มาร์คว 2 ชั้นซ่อนด้วย

และจํานวน 10 เซลล์ประสาทในแต่ละชั้น ความถูกต้องสูงสุด
จำลองได้นี้กับเครือข่าย
ข้อผิดพลาดของ 6.22 % มันควรจะสังเกตว่ายกเว้นตัวแปร
การเรียนรู้ขั้นตอนวิธีขั้นตอนวิธีการฝึกอบรมการฝึกอบรมอัตรา levenberg –มาร์คว

แสดงประสิทธิภาพลดลงในแง่ของ MSE ค่าเมื่อเทียบกับคนอื่น ๆ หลังจาก levenberg –
มาร์คว , ปรับขนาดและการฝึกวิธีที่มีประสิทธิภาพของเครือข่ายสูง

เกี่ยวกับความถูกต้องและ SSE ค่าตามด้วย conjugated ลาด
ขั้นตอนวิธีการฝึกอบรม การไล่ระดับสีโคตรช้าที่สุด
ฝึกขั้นตอนวิธีในขณะที่กึ่งนิวตันหลังจาก levenberg –
มาร์ควเป็นอย่างรวดเร็ว ประสิทธิภาพของเครือข่าย
กับชั้นซ่อนซึ่งใช้อัลกอริทึมเหล่านี้หก
แสดงในตารางที่ 3 เห็นตาม , levenberg –
มาร์ควฝึกขั้นตอนวิธีที่มีประสิทธิภาพที่ดีที่สุด
ชอบเครือข่ายกับชั้นซ่อน 2
หลังมันที่กึ่งนิวตันเป็นขั้นตอนวิธีการฝึกอบรมที่ดีที่สุดเกี่ยวกับ MSE
ความเร็ว ความถูกต้อง และสัมประสิทธิ์การกำหนด .
ซึ่งแตกต่างจากเครือข่ายชั้นซ่อนสอง
levenberg –มาร์ควฝึกวิธีหนึ่งซ่อน
ชั้นได้ประสิทธิภาพที่ดีที่สุดจาก .