Experimental Analysis of Training Parameters Combination of ANN Backpropagation for Climate Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial Neural Networks are widely used in prediction activities and classification processes. However, the implementation on average only uses a network architecture with one hidden layer, while the development of architectures with two or three hidden layers has not been done much. This article discusses the process of developing ANN Backpropagation using a Matlab-based graphical user interface with three hidden layers combined with non-linear activation functions (logsig, tansig, tanh) and training functions (trainrp and trainlm) based on learning rate and momentum. Architecture was created to study climate change in the area around Lombok International Airport station by training on hydrological data (rainfall) from January 2012 to December 2021 with a data type of 10-day interval (36 data every year). The number of neurons in the first hidden layer was determined using the Hecht-Nielsen model, while the second and third hidden layers used the Lawrence-Fredrickson model. Simulation results with architecture 36-73-37-19-1, a learning rate of 0.1, and momentum of 0.9 showed that variations in the activation function logsig-logsig-logsig-purelin and trainlm function demonstrated the best result with epoch of 7, MSE of 0.00090, and RMSE of 0.03011 in the training process and epoch of 5, MSE of 0.003758, and RMSE of 0.0613 in the data testing process. Furthermore, the prediction results demonstrated that a Q-value of 0.222 based on the Schmidt-Ferguson criteria obtained higher rainfall intensity information than previous years with climate category B (wet). Therefore, the government must be careful in determining policies related to field activities especially in agriculture because of climatic conditions with high rainfall.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle