TREND OF FUTURE WEATHER IN THAILAND WITH GENERAL
  CIRCULATION MODEL AND ARTIFICIAL NEURAL NETWORK

    โครงข่ายประสาทเทียมถูกสร้างขึ้นเพื่อการจำลองลักษณะการประมวลผลของระบบประสาทมนุษย์ด้วยแบบจำลองเชิงคณิตศาสตร์และสถิติ (Mathematical and Statistical Model) ซึ่งประกอบด้วยส่วนของการประมวลผลที่เรียกว่า นิวรอน (Neuron) ทุกๆ นิวรอนสามารถมีข้อมูลป้อนเข้า (Input) ได้หลายค่า แต่ข้อมูลส่งออก (Output) มีได้เพียงค่าเดียว และทุกๆข้อมูลส่งออก (Output) จะเชื่อมโยงไปยังข้อมูลป้อนเข้าของนิวรอน (Input) อื่นๆภายในโครงข่ายสำหรับการเชื่อมโยงกันภายในระหว่างนิวรอนทุกๆข้อมูลป้อนเข้า (Input) จะมีค่าน้ำหนัก (Bias) เป็นตัวกำหนดกำลังของการเชื่อมโยงภายในนิวรอนจะมีฟังก์ชันกำหนดสัญญาณส่งออกที่เรียกว่า ฟังก์ชันถ่ายโอน (Transfer Function) ดังแสดงในรูปที่ 5


รูปที่ 1 Artificial Neural Networks



โครงข่ายประสาทเทียมประกอบด้วยนิวรอนจำนวนมากเชื่อมต่อกัน ซึ่งการเชื่อมต่อแบ่งออกเป็นกลุ่มย่อย เรียกว่า ชั้น (Layer) ชั้นแรกเป็นชั้นข้อมูลป้อนเข้า (Input Layer) ชั้นสุดท้ายเป็นชั้นข้อมูลส่งออก (Output Layer) ส่วนชั้นที่อยู่ ระหว่างชั้นข้อมูลป้อนเข้าและชั้นข้อมูลส่งออก เรียกว่าชั้นซ่อน (Hidden Layer) ซึ่งโดยทั่วไปชั้นซ่อนอาจมีมากกว่า 1ชั้นก็ได้ ด้วยเหตุนี้จึงสามารถแบ่งประเภทตามโครงสร้างของโครงข่ายประสาทเทียมได้2แบบ คือ โครงข่ายประสาทเทียมแบบ ชั้นเดียว (Single Layer) ดังแสดงในรูปที่ 5 และโครงข่ายประสาทเทียมแบบหลายชั้น (Multilayer) ดังแสดงในรูปที่ 6



รูปที่ 2 Multilayer


โดยทั่วไปการทำงานของโครงข่ายประสาทเทียมก็คือ การสอนให้โครงข่ายทำการคำนวนข้อมูลส่งออก (Output) พร้อมกับการปรับปรุงค่าน้ำหนัก (Bias) โดยอาศัยกระบวนการทำซ้ำ (Iterative) แบ่งออกเป็น 3 ประเภท คือ

1.การเรียนรู้แบบมีผู้สอน (Supervised Learning)

การเรียนรู้แบบมีผู้สอน (Supervised Learning) คือการสอนโครงข่ายโดยใช้ข้อมูลป้อนเข้า(Input)และข้อมูลส่งออก(Output)เป็นชุดฝึกสอนควบคู่(Training pair) โดยการสอนโครงข่ายนั้นจะใช้ชุดฝึดสอนหลายคู่จึงทำให้ข้อมูลส่งออกจริงกับข้อมูลส่งออก(Output)มีความคลาดเคลื่อนกัน โดยโครงข่ายจะต้องมีการปรับค่าน้ำหนัก(Bias)เพื่อลดค่าความแตกต่าง(Error)ระหว่างข้อมูลส่งออกจริงกับข้อมูลส่ง(Output)

2.การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) คือการสอนโครงข่ายโดยใช้ข้อมูลป้อนเข้า(Input)และหลักการทางสถิติหาค่าทางสถิติของชุดฝึกสอน ทำการจัดกลุ่มข้อมูลออกเป็นระดับต่างๆโดยโครงข่ายประสาทเทียมจะหาค่าข้อมูลออก(Output)

3.การเรียนรู้เชิงบังคับ (Reinforcement Learning)

การเรียนรู้เชิงบังคับ (Reinforcement Learning) คือการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอนโดยจะใช้การเรียนรู้แบบไม่มีผู้สอนสำหรับข้อมูลป้อนเข้า (Input) และจะใช้การเรียนรู้แบบมีผู้สอนเมื่อได้ข้อมูลส่งออก(Output)แล้ว

สำหรับฟังก์ชันถ่ายโอน (Transfer Function) หรือฟังก์ชันการกระตุ้น (Activation Function)ถูกแบ่งเป็น 4 ประเภทได้แก่ (1) ฟังก์ชันเชิงเส้น (Linear function) (2) ฟังก์ชันไม่เชิงเส้น (Non-linear function) (3) ฟังก์ชันสมมาตร (Symmetrical function) และ (4) ฟังก์ชันไม่สมมาตร (Non-symmetrical function)
ฟังก์ชัน Sigmoid เป็นฟังก์ชันการกระตุ้น (Activation Function) แบบฟังก์ชันไม่เชิงเส้น(Non-linear function) ซึ่งจะมีฟังก์ชันอยู่ในรูปแบบ

 


ข้อมูลส่งออกที่ได้จะเป็นเส้นโค้งรูปตัวเอสมีค่าอยู่ในช่วงระหว่าง 0 ถึง 1


รูปที่ 3 ฟังก์ชันซิกมอยด์

โครงข่ายประสาทเทียม (ANN) ถูกแบ่งตามการเชื่อมต่อของปมประสาทและฟังก์ชันกระตุ้นแบ่งออกเป็น 5 ประเภท

  1. ประเภทการคาดเดา (Prediction) คือการใช้ข้อมูลนำเข้า (Input) เพื่อเดาข้อมูลส่งออก(Output) เช่น Back-propagation, Delta Bar Delta, Extended Delta Bar Delta, Directed Random Search, Higher Order Neural Networks และ Self-organizing map into Back-propagation
  2. ประเภทการจัดหมวดหมู่ (Classification) คือการใช้ข้อมูลนำเข้าเพื่อกำหนดการจัดหมวดหมู่ เช่น Learning Vector Quantization, Counter-propagation และ Probabilistic Neural Networks
  3. ประเภทการเชื่อมโยงข้อมูล (Data Association) คือการใช้ข้อมูลนำเข้าเพื่อกำหนดการจัดหมวดหมู่แต่จะจดจำข้อมูลที่มีค่า Error เช่น Hopfield, Boltzamann Machine, Hamming Network และ Bidirectional associative Memory
  4. ประเภทกระบวนการสร้างความคิด(Data Conceptualization) คือการวิเคราะห์ข้อมูลนำเข้า(Input)เพื่อจัดกลุ่ม เช่น Adaptive Resonance Network และ Self Organization Map
  5. ประเภทการกลั่นกรองข้อมูล (Data Filtering) คือการทำให้ข้อมูลนำเข้ามีความสม่ำเสมอเช่น Recirculation