µ¦¦³»
¤ª·
µµ¦Â¨³Á°¨µª·
´
¥ ¤®µª·
¥µ¨´
¥´
¬·
¦´Ê
¸É
19
¦³Î
µe
2552
4
³Á®È
Åo
ªn
µ¤¸
µ¦¨° 2 ¦´Ê
¨³
o
°¤¼
¨¸É
Äo
ÄäÁ¨Á¦º
°
n
µ¥Ä¥¦³µÁ¸
¥¤´Ê
¼
Ân
°°Á}
2 »
º
° »
o
°¤¼
¨¸
É
Äo
ĵ¦ f
° ¨³»
°µ¦° ¹
É
»
o
°¤¼
¨¸
É
Äo
ĵ¦¨°
´
Ê
º
° ´
«¹
µe
»
o
µ¥
°»
o
°¤¼
¨ ®¦º
°´
«¹
¬µ¸É
¤¸
¦®´
´
«¹
µ
¹Ê
o
o
ª¥ 50 Äo
Î
µ®¦´
µ¦¨°¸É
1
Ân
°°Á}
»
o
°¤¼
¨¸
É
Äo
ĵ¦ f
° 72.65% ¨³ »
°µ¦° 27.35% Î
µ®¦´
µ¦¨°
¦´Ê
¸É
2 Åo
Î
µª
o
°¤¼
¨
°´
«¹
¬µ¸É
¦µ¨µ¦Á·
{
®µ Á
o
µÅ µÁ·
¤ ¤¸
Î
µª 245 ¦µ¥µ¦ Á}
260
¦µ¥µ¦ ¨³Åo
Ân
o
°¤¼
¨ °°Á}
»
o
°¤¼
¨¸É
Äo
ĵ¦ f
° 68.46% ¨³ »
°µ¦° 31.54%
µ¦Î
µ®´
ªÂ¦ ¨³µ¦Á
o
µ¦®´
ĵª·
´
¥¸Ê
¼o
ª·
´
¥Åo
¡·
µ¦µµ
o
°¤¼
¨´
«¹
¬µ¸É
¼
ÁÈ
Ä
¢j
¤°µµ¦¥r
¸É
¦¹
¬µ ¹É
¦³°Åo
ª¥
o
°¤¼
¨Än
ª
°¦³ª´
·
n
ª´
ª
°´
«¹
¬µ ¦³°o
ª¥
o
°¤¼
¨
´
«¹
¬µÁ°
o
°¤¼
¨µ¦«¹
¬µµµ´
Á·
¤ ¨³
o
°¤¼
¨¼o
¦°
°´
«¹
¬µ ¹É
Äo
Á}
´
ªÂ¦Äµ¦
¦³¤ª¨¨Ã®µ¦¦´
¨ ¤¸
´Ê
·Ê
17 î °µ¸Ê
¼o
ª·
´
¥Åo
Äo
®´
ª
o
°Äµ¦´
¦°´
«¹
¬µÁ}
o
°¤¼
¨
¦³° ¨³Á}
´
ªÂ¦¸É
Äo
Î
µ®¦´
µ¦¦´
o
°¤¼
¨ (Input Node) Ã¥µ¦ª·
Á¦µ³®r
°µ¦´
¦°´
«¹
µ
´Ê
¼o
ª·
´
¥Åo
ª·
¸
µ¦·
n
µ³ÂÎ
µ®¦´
µ¦ª·
Á¦µ³®r
ªn
µ´
«¹
¬µ Á}
»
¨¸É
·
®¦º
°Á¸É
¥/¤¸
{
®µ ¤¸
Î
µª
î´Ê
·Ê
23 î ¦»
Åo
ªn
µ
o
°¤¼
¨´
«¹
¬µ¸É
Á}
´
ªÂ¦Á¸É
¥ª´
¦³ª´
·
n
ª´
ª
o
°¤¼
¨´
«¹
¬µ¸É
Á}
´
ªÂ¦Á¸É
¥ª´
µ¦´
¦°´
«¹
¬µ ³Á®È
ªn
µµ¦Âî
°´
ªÂ¦·
ª¦°¨Äµª·
´
¥¸Ê
¦»
Åo
ªn
µ¼o
ª·
´
¥
Åo
Î
µ®´
ªÂ¦ 40 î
µ¦Åo
¤µ
°¦¼
 ®¦º
°Ã¤Á¨Î
µ®¦´
µ¦¡¥µ¦r
𵵦Á·
{
®µ
°´
«¹
¬µ Ân
°°Á}
3 n
ª ¦³°o
ª¥ ´Ê
¦´
o
°¤¼
¨ (Input Layer) Åo
Î
µ®Î
µªÃ®Ä´Ê
¦´
o
°¤¼
¨Án
µ´
Î
µª
´
ªÂ¦´Ê
®¤
°»
o
°¤¼
¨¸É
¦´
¤µ Î
µª 40 î ´Ê
n
°Á¦o
(Hidden Layer) µ¦Î
µ®Ã®n
°Á¦o
´
Ê
¼o
ª·
´
¥Åo
Î
µ®Á}
¡µ¦µ¤·
Á°¦r
(Parameter) ¸É
Î
µ´
°¥n
µ®¹É
¸É
Äo
ĵ¦Äo
ÄäÁ¨ ´
´Ê
ĵ¦ª·
´
¥Ä¦´Ê
¸Ê
¹
Åo
¡·
µ¦µÁ¨º
°Äo
îĴÊ
n
°Á¦o
µµ¦¨°®¨µ¥ Ç ¦´Ê
µÎ
µªÃ®¸É
Ân
µ´
´Ê
¨ (Output Node) ĵ¦ª·
´
¥¸Ê
¼o
ª·
´
¥Åo
Î
µµ¦Î
µ®Î
µªÃ®µ¦Â¨Äµ¦¨°¦´Ê
¸É
1
Î
µª 1 î ¨³Î
µªÃ®Äµ¦Â¨Äµ¦¨°¦´Ê
¸É
2 Î
µª 2 î äÁ¨
Back – Propagation Neuron Network Î
µ®¦´
¡¥µ¦r
ðµÁ·
{
®µ
°´
«¹
¬µ µµ¦¨°¦´Ê
¸É
1 ¤¸
Î
µª ¦´
o
°¤¼
¨Án
µ´
Î
µª´
ªÂ¦ Î
µª 40 î ¹É
¼o
ª·
´
¥¡·
µ¦µµÂ¢j
¤
o
°¤¼
¨µ³Á¸
¥
µ°n
Á¦·
¤ª·
µµ¦Â¨³Â¢j
¤°µµ¦¥r
¸É
¦¹
¬µ ¨³¤¸
Î
µªÃ®µ¦Â¨ Î
µª 1 î Án
µ´Ê
äÁ¨ Back – Propagation Neuron Network Î
µ®¦´
¡¥µ¦r
ðµÁ·
{
®µ
°´
«¹
¬µ µµ¦¨°¦´Ê
¸É
2 ¤¸
Î
µª ¦´
o
°¤¼
¨Án
µ´
Î
µª´
ªÂ¦ Î
µª 40 î ¨³¤¸
Î
µªÃ®µ¦Â¨ Î
µª
2 î
µ¦ª·
Á¦µ³®r
o
°¤¼
¨¸É
¼o
ª·
´
¥Åo
Äo
Î
µ®¦´
µ¦¨°´Ê
Åo
Á¦¸
¥¤
o
°¤¼
¨Î
µ®¦´
µ¦Á¦·
ª¦°¨Ã¥
µ¤µ¦¦³»
n
µn
µ Ç ¸É
Á¸É
¥ª
o
°´
µ¦Á¦Åo
Án
n
µµ¦Á¦¸
¥¦¼o
(Epoch), Hidden Node, n
µ»
¤´
·
¸É
³Äo
Á¦ ®¨´
µ´Ê
榤³Î
µµ¦Á¦·
ª¦°¨Ã¥ Back - Propagation Training Algorithm Ã¥µ¦¦´
n
µ
Weight ¨³ Bias Ä»
Ç 1 ¦° ¨³³¦´
¦³´É
Training Output ¨³ Target Output ¤¸
n
µÄ¨o
Á¸
¥´
o
°¤¼
¨°·
¡»
(Input) ®¦º
°´Ê
¦´
o
°¤¼
¨
¼o
ª·
´
¥Åo
Á¦¸
¥¤Åªo
Î
µª 40 î ¨³ 35 î µ¦Î
µ®
n
µ¡µ¦µ¤·
Á°¦r
n
µ Ç ¸É
Äo
Î
µ®¦´
µ¦Á¦ º
° îĴÊ
n
°Á¦o
(Hidden Node) Î
µªÃ®Ä´Ê
n
°Á¦o
Á}
¡µ¦µ¤·
Á°¦r
¸É
Î
µ´
°¥n
µ®¹É
ÄäÁ¨Ä¥¦³µÁ¸
¥¤ ´
´Ê
¹
Åo
¡·
µ¦µÁ¨º
°Äo
îµµ¦¨°