AbstractAir pollution time series i

Abstract
Air pollution time series is often characterized as chaotic in nature. The prediction using conventional statistical
techniques and neural network with backpropagation algorithm, which is most widely applied, do not give reliable
prediction results. The new algorithm is therefore proposed to predict the chaotic time series based on the artificial neural
network technique. The training to the network is similar to the conventional technique of learning, whereas for testing
and prediction purpose, the algorithm searches for the nearest neighbor of the presented test and/or prediction patterns in
the training set. The case study of well-known chaotic time series, namely, Lorenz map and real data of ozone
concentration are provided to examine the performance of proposed scheme. The most widely used backpropagation
algorithm is also used for comparison purpose. The out performance of proposed scheme over backpropagation algorithm
is observed. The proposed scheme provides the network, the ability to capture the underlying dynamics of the chaotic time
series, as the input patterns are presented one by one to the network.

ผลลัพธ์ (ไทย) 1:

นามธรรม
ชุดเวลามลพิษทางอากาศมักจะเป็นลักษณะวุ่นวายเป็นธรรมชาติ การคาดเดาที่ใช้ทั่วไปสถิติ
เทคนิคโครงข่ายประสาทกับ backpropagation อัลกอริทึม ที่กันอย่างแพร่หลายใช้ ไม่ให้เชื่อถือ
คาดเดาผลลัพธ์ อัลกอริทึมใหม่จึงได้นำเสนอการทำนายชุดเวลาวุ่นวายตาม artificial ประสาท
เครือข่ายเทคนิคการ ฝึกอบรมเครือข่ายจะคล้ายกับเทคนิคทั่วไปของการเรียนรู้ ในขณะที่การทดสอบ
และวัตถุ ประสงค์การคาดเดา หาเพื่อนบ้านที่ใกล้ที่สุดของรูปแบบนำเสนอของการทดสอบและ/หรือการคาดเดาในอัลกอริทึม
ชุดฝึก กรณีศึกษาชุดเวลารู้จักวุ่นวาย ได้แก่ ชายลอเรนซ์แผนที่และข้อมูลที่แท้จริงของโอโซน
ความเข้มข้นมีการตรวจสอบประสิทธิภาพของโครงร่างเสนอ ส่วนใหญ่ใช้ backpropagation
ยังมีใช้อัลกอริทึมสำหรับวัตถุประสงค์เปรียบเทียบ สอบประสิทธิภาพของโครงร่างเสนอผ่านอัลกอริทึม backpropagation
จะสังเกต โครงร่างเสนอให้เครือข่าย ความสามารถในการจับภาพการเปลี่ยนแปลงต้นแบบเวลาวุ่นวาย
ชุด เป็นรูปแบบการป้อนข้อมูลจะแสดงหนึ่งเครือข่าย

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
เครื่องอนุกรมเวลามลพิษมักจะโดดเด่นในฐานะวุ่นวายในธรรมชาติ การทำนายโดยใช้สถิติทั่วไป
เทคนิคและโครงข่ายประสาทเทียมด้วยวิธีแพร่กระจายย้อนกลับซึ่งถูกนำไปใช้อย่างแพร่หลายมากที่สุดไม่ให้มีความน่าเชื่อถือ
ผลการทำนาย อัลกอริทึมใหม่จะถูกนำเสนอจึงจะทำนายอนุกรมเวลาวุ่นวายขึ้นอยู่กับไฟ Arti ทางการประสาท
เทคนิคเครือข่าย การฝึกอบรมกับเครือข่ายคล้ายกับเทคนิคเดิมของการเรียนรู้ในขณะที่สำหรับการทดสอบ
และการทำนายวัตถุประสงค์การค้นหาอัลกอริทึมสำหรับเพื่อนบ้านที่ใกล้ที่สุดของการทดสอบและ / หรือการทำนายรูปแบบที่นำเสนอใน
ชุดการฝึกอบรม กรณีศึกษาที่รู้จักกันดีอนุกรมเวลาวุ่นวายคือลอเรนแผนที่และข้อมูลที่แท้จริงของโอโซน
เข้มข้นมีไว้เพื่อตรวจสอบประสิทธิภาพการทำงานของโครงการที่เสนอ backpropagation ใช้กันอย่างแพร่หลายมากที่สุด
ขั้นตอนวิธีนี้ยังใช้เพื่อการเปรียบเทียบ ผลการดำเนินงานจากโครงการที่เสนอผ่านขั้นตอนวิธีแพร่กระจายย้อนกลับ
เป็นที่สังเกต โครงการที่เสนอให้เครือข่ายความสามารถในการจับภาพการเปลี่ยนแปลงของพื้นฐานของเวลาที่วุ่นวาย
ชุดเป็นรูปแบบการป้อนข้อมูลจะถูกนำเสนอหนึ่งโดยหนึ่งไปยังเครือข่าย

ผลลัพธ์ (ไทย) 3:

นามธรรม
มลพิษทางอากาศเวลาชุดมักจะมีลักษณะเป็นอลหม่าน ในธรรมชาติ การทำนายโดยใช้เทคนิคทางสถิติ
ปกติและโครงข่ายประสาทเทียมกับขั้นตอนวิธีแบบที่ส่วนใหญ่ใช้กันอย่างแพร่หลาย อย่าเอาผล
ทำนายที่เชื่อถือได้ ขั้นตอนวิธีการใหม่ จึงขอทำนายวุ่นวายเวลาชุดตามกิ่
เครือข่ายประสาทถ่ายทอดเทคนิคการฝึกอบรมเครือข่ายคล้ายกับเทคนิคปกติของการเรียนรู้และการทดสอบ
และจุดประสงค์การพยากรณ์ ขั้นตอนวิธีการค้นหาเพื่อนบ้านที่ใกล้ที่สุดของการทดสอบและ / หรือนำเสนอในรูปแบบการทำนาย
ชุดฝึกอบรม . กรณีศึกษา ที่รู้จักกันดี ชุด วุ่นวายเวลาคือ ลอเรนซ์ แผนที่และข้อมูลที่แท้จริงของโอโซน
สมาธิมีไว้เพื่อตรวจสอบประสิทธิภาพของการเสนอโครงการ ที่ใช้กันอย่างแพร่หลายแบบ
ขั้นตอนวิธีนอกจากนี้ยังใช้เพื่อวัตถุประสงค์ในการเปรียบเทียบ จากประสิทธิภาพของขั้นตอนวิธีแบบเสนอโครงการมากกว่า
เป็นที่สังเกต โครงการที่เสนอให้เครือข่าย ความสามารถในการจับภาพต้นแบบพลวัตของอนุกรมเวลา
อลหม่านเป็นข้อมูลรูปแบบจะแสดงหนึ่งโดยหนึ่งในเครือข่าย