Embed Size (px)
Citation preview
คมอการปฏบตงาน (Work Manual)
การใชแบบจ าลอง ANNs
สวนอทกวทยา
ส านกบรหารจดการน าและอทกวทยา
กรมชลประทาน กนยายน พ.ศ. 2560
คมอการปฏบตงาน
(Work Manual)
การใชแบบจ าลอง ANNs
รหสคมอ.....
หนวยงานทจดท า
ฝายสารสนเทศและพยากรณน า
ส านกบรหารจดการน าและอทกวทยา
ทปรกษา
ผอ านวยการสวนอทกวทยา
หวหนาฝายสารสนเทศและพยากรณน า
ผอ านวยการศนยอทกวทยาชลประทานภาคตะวนออกเฉยงเหนอตอนลาง
นางสาวปาจรย สงหโต นกอทกวทยาปฏบตการ
นางสาวดวงฤทย มงคลเคหา นกอทกวทยาปฏบตการ
พมพคร งท ......
จ านวน.......เลม
เดอน สงหาคม พ.ศ. 2560
ค าน า
ในสถานการณน าปจจบน สภาพอากาศมการเปลยนแปลงอยางตอเนอง อกท งการเปลยนแปลงสภาพภม
ประเทศทาใหทศทางการไหลของน ามการเปลยนแปลง ซงสงผลตอการคาดการณในชวงสภาวะวกฤต เปนสงทยงยาก ซบซอนและมความไมแนนอนอยมาก เพอใชในการเตอนภยและการบรหารจดการน ามคาความคลาดเคลอน ในปจจบนการรายงานสถานการณน าตองรวดเรว แมนยาและถกตอง จงจาเปนตองใชแบบจาลองชวยในการคาดการพยากรณ ปจจบนแบบจาลองโครงขายใยประสาทเทยม (Artificial Neural Networks ; ANNs) เปนศาสตรอกแขนงหนงของระบบปญญาประดษฐ (Artificial Intelligence) ทไดเขามามบทบาทกบปญหาเชงซอนและสามารถประยกตใชกบการคาดการณปรมาณน าลวงหนารายวนไดอยางมประสทธภาพ
แบบจาลองโครงขายประสาทเทยม (Artificial Neural Networks - ANN) เปนแบบจาลองทางคณตศาสตร (Mathematic Model) ชนดหนงทใชความสามารถในการเรยนรจากประสบการณ โดยอาศยขอมลในอดตของขอมลปรมาณฝน, ปรมาณน าทา และระดบน าเทาน น (Rainfall Runoff Relationship) มาใชสอนใหระบบโครงขายฯ ใหเกดการรจา ท งน ใหใชขอมลทมคาความสมพนธตอกนสง ตอการเกดน าทาในลาน า ซงจากการศกษาพบวา ผลการคาดการณปรมาณน ารายวนลวงหนาทไดอยในเกณฑทนาเชอถอไดประมาณ 1-3 วน หรอ 72 ชวโมงลวงหนา
สวนอทกวทยา สานกบรหารจดการน าและอทกวทยาจดทาคมอองคความรการใชแบบจาลอง ANNs เพอนามาใชในการรนผลคาคาดการณปรมาณน าทาแตละสถาน ในการเตอนภยและการบรหารจดการน าในองคกรใหมประสทธภาพ
คณะผจดทาฝายสารสนเทศและพยากรณน า
สานกบรหารจดการน าและอทกวทยา
กรมชลประทาน
สารบญ
หนา
วตถประสงค 1
ขอบเขต 1
ค าจ ากดความ 1
หนาทความรบผดชอบ 2
Work Flow 3
ขนตอนการปฏบตงาน 4
ระบบตดตามประเมนผล 25
เอกสารอางอง 29
แบบฟอรมทใช 29
ภาคผนวก 30-43
1) แบบฟอรมการจดท า Rating Curve 30 2) ตวอยางกรณศกษาตวอยางการจดท า Rating Curve 31 3) ตวอยางการค านวณ Manning’s Formula 32 4) วฒนาการของ ANNs 33
คมอการปฏบตงาน การใชแบบจ าลอง ANNs
1. วตถประสงค
1.1 เพอศกษาและประยกตใชแบบจ าลองระบบโครงขายใยประสาทเทยมส าหรบการคาดการณปรมาณน าทา ลวงหนา 1 – 3 วน
1.2 เพอศกษาการก าหนดหนวยน าเขาขอมลและโครงสรางของแบบจ าลองระบบโครงขายใยประสาทเทยม 1.3 เพอศกษาความแมนย าในการคาดการณปรมาณน าทาลวงหนา 1- 3 วนของระบบโครงขายใย
ประสาทเทยม 1.4 เพอเผยแพรผลการคาดการณปรมาณน าทา ลวงหนา 1- 3 วน ดวยแบบจ าลองระบบโครงขายใย
ประสาทเทยม
2. ขอบเขต คมอการใชแบบจ าลอง ANNs ส าหรบผปฏบตงานทเกยวของ ไดแก นกอทกวทยา ลกจาง/พนกงาน
ราชการ ทมการเปลยนแปลงโอน/ยาย/เขามาใหม ซงประกอบดวยข นตอนส าคญ ดงน 2.1 การเตรยมขอมลระดบน าและจดส ารวจปรมาณน า 2.2 การก าหนดคา Parameters ตางๆ ส าหรบการ Training 2.3 การก าหนดคา Parameters ตางๆ ส าหรบการ Testing 2.4 การรนผลแบบจ าลอง ANNs 2.5 การน าเสนอผลจากแบบจ าลองในรปแบบกราฟ
3. การเขยนค าจ ากดความ 3.1 โครงขายประสาทเทยม (Artificial Neural Networks - ANN) คอแบบจ าลองทางคณตศาสตร
(Mathematic Model) ชนดหนงทใชความสามารถในการเรยนรจากประสบการณ โดยอาศยขอมลในอดตของขอมลปรมาณฝน, ปรมาณน าทา และระดบน าเทาน น (Rainfall Runoff Relationship) มาใชสอนใหระบบโครงขายฯ ใหเกดการรจ า
3.2 การก าหนดคา Training คอ การสอน Network ใหเรยนร (learn) ความสมพนธระหวางขอมลและ ผลลพธทตองการ เพอสรางคา Connection weight (Wi) ทเหมาะสม โดยใชชดขอมลทเรยกวา training data setโดยจะ ควบคมความเรวของการปรบแก Weights โดยการก าหนด learning parameter (η) และ
momentum โดยจะใชคาจากปรมาณน าในปน านอย น ากลาง และน าสง ซงตองเลอกขอมลปทแตกตางจาก Testing
3.3 การก าหนดคา Testing คอ การก าหนดคาการทดสอบจากการเรยนร (learn) เพอตรวจสอบผลการ รน Output วาใกลเคยงกบคาจรง โดยจะใชคาจากปรมาณน าในปน านอย น ากลาง และน าสง ซงตองเลอกขอมลปทแตกตางจาก Training
3.4 R2 (คาสมประสทธสหสมพนธ) คอ คาสมประสทธทเปนตวก าหนดคาความสมพนธ ใชวดความสมพนธ แนวโนมของกราฟ 2 เสน ถาใกล 1 แสดงวากราฟมแนวโนมไปในทศทางเดยวกน (ผลการพยากรณทด คา R > 0.8 และคา R2 ควรมากกวา 0.6 ) 3.5 คารากทสองของคาความคลาดเคลอนก าลงสองเฉลย (Root Mean Square Error, RMSE) คอ ซงแสดงถงคาทคลาดเคลอนโดยเฉลยจากคาจรงไปเทาไหร และควรมคาความคลาดเคลอนจากคาจรงนอยทสด หรอมคาเขาใกล 0 – 1 จะดทสด
4. หนาทความรบผดชอบ
4.1 ผอ านวยการสวนอทกวทยา รบทราบและสนบสนนการใชแบบจ าลอง ANNs 4.2 หวหนาฝายสารสนเทศและพยากรณน า พจารณากลนกรอง ความถกตองการใชแบบจ าลอง ANNs เปรยบเทยบกบคาจรง 4.5 ผปฏบตงานในลมน าทรบผดชอบการใชแบบจ าลอง ANNs จดเตรยมขอมลปรมาณน าทาและปรมาณน าฝนเพอก าหนดคา Training และ คา Testing ในการรนผลน ามาใชในการพยากรณปรมาณน าทาสถานน นๆ ใหแลวเสรจ เพอใหหวหนาฝายสารสนเทศและพยากรณน าตรวจสอบความถกตอง
Work Flow กระบวนกำรใชแบบจ ำลอง ANNs
ล ำดบท ผงกระบวนกำร เวลำ
1. 3 ช.ม.
2. 3 ช.ม.
3. 4 ช.ม.
4. 1 ช.ม.
5. 30 นาท 6. 20 นาท
7. 20 นาท
8. 1 ช.ม.
9. 30 นาท
เลอกสถานทจะท าการคาดการณปรมาณน าทารายวน ท าการคาดการณ
ปรมาณน าทารายวน
เลอกสถานวดปรมาณน าฝนรายวน
ตรวจสอบความนาเชอถอขอมลวธ Double Mass
น าขอมลกระบวนการเรยนร (Training) และกระบวนการทดสอบ (Testing) ใน excel
ถกตอง
ไมถกตอง
ก าหนดโครงสราง (Architecture) และ Copy หนวยชดขอมลน าเขาแบบจ าลอง
การก าหนด Parameter ทใชส าหรบกระบวน การเรยนร (Training)
การ Randomize ประมวลผลคาเรมตนกอน
การ Normalize ขอมล Input และ Output
ไมถกตอง
ถกตอง
ท าการ Save โดยการ Save Weight As จาก File Menu และใชรนผล
รวมเวลาทงหมด 13 ช.ม. 40 นาท ตอ 1 สถาน
Work Flow
ชอกระบวนการ : กระบวนการใชแบบจ าลอง ANNs
ตวชวดผลลพธกระบวนการจดท าคมอการปฏบตงาน : รอยละ 70 ของการใชแบบจ าลอง ANNs ในการพยากรณปรมาณน าทามความถกตองใกลเคยงกบคาจรง
ล ำดบ ผงกระบวนกำร ระยะเวลำ รำยละเอยดงำน มำตรฐำนคณภำพงำน ผรบผดชอบ 1.
2.
3.
4.
3 ช.ม.
3 ช.ม.
4 ช.ม.
4 ช.ม.
1. เลอกสถานทจะท าการคาดการณปรมาณน าทารายวนลวงหนาควรจะเปนสถานทมความส าคญและเปนตวแทนของล าน าลมน าหลก 2. สถานทมความมนคงในเรองต าแหนงทตง
1. เลอกสถานวดปรมาณน าฝนรายวนเฉพาะสถานส ารวจขอมลทมอทธพลกบส ถ า น ว ด ป ร ม า ณ น า ท า ท จ ะ ท า ก า รคาดการณ 1. การตรวจสอบความนาเชอถอของขอมลรายเดอนระหวางขอมลฝนและขอมลปรมาณน ามากกวา 20 ป ยอนหลง โดยใชวธการ Double Mass Curve เพอเลอกขอมลท ม ความถ กต องและหาแนวโน มของความสมพนธ 1.จ า น วนหน ว ย ในช นน า เ ข า (Input) ประกอบดวยขอมลปรมาณน าทารายวนและขอมลปรมาณน าฝน 2. จ านวนหนวยในชนแสดงผล (Output) โดยใชขอมลปรมาณน าทารายวนจรงของสถานทท าการคาดการณ
- ขอมลมชวงระยะเวลาการเกบขอมลทยาวนาน ตอเนองและไมขาดหาย
- ขอมลมชวงระยะเวลาการเกบขอมลทยาวนาน ตอเนองและไมขาดหาย - ค า ส ม ป ร ะ ส ท ธส หส ม พน ธ ท เ ก น ก ว า 0.80 -ขอมลเกาะกลมอยบนเสนสมการ - ขอมลปรมาณน าฝนรายวนและปรมาณน าทารายวน หลงจากแยกเปนขอมลน ามาก ปน าปกตและปน านอย
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ผรบผดชอบ
ลมน า
เลอกสถานทจะท าการคาดการณปรมาณน าทา
รายวน ขอมล
ระดบน ารายวน (อท.1) และจดส ารวจปรมาณน า (อท.2)
เลอกสถานวดปรมาณน าฝนรายวน
ตรวจสอบความนาเชอถอขอมลวธ Double Mass
น าขอมลกระบวนการเรยนร (Training) และกระบวนการทดสอบ (Testing) ใน excel
ถกตอง
ไมถกตอง
ล ำดบ ผงกระบวนกำร ระยะเวลำ รำยละเอยดงำน มำตรฐำนคณภำพงำน ผรบผดชอบ 5.
6.
7.
8.
9.
30 นาท
20 นาท
20 นาท
1 ช.ม.
30 นาท
1. ก าหนดโครงสราง (Architecture) ตรง Layer Size เพอเปนการก าหนด Node Layerในชนน าเขา (Input Layer) และชนแสดงผล (Output Layer) 2. Copy หนวยชดขอมลน าเขาแบบจ าลอง ท าการ Paste Pats (Linked) กระบวนการเรยนร (Training) และ Paste Tst Pats (Linked) กระบวนการทดสอบ (Testing)
1. ท าการ Normalize ขอมล Input และ Output 1. ท าการก าหนด Parameter ทใชส าหรบกระบวนการเรยนร (Training) 2. ท าการเลอก Algorithm จาก Setup Menu ในกระบวนการเรยนร (Training) 1. ท าการ Randomize เพอใหโปรแกรมประมวลผลก าหนดค า เ ร มตน ใหกอน จากนนท าการ Run โปรแกรมประมวลผลระบบโครงขายใยประสาทเทยม 1. ท าการ Save โดยการ Save Weight As จาก File Menu โดยเมอ ท าการ Save เสรจ File จะมนามสกล .wgt 2. ท าการ Run ขอมล 3. จดท ากราฟเปรยบเทยบระหวางคาพยากรณลวงหนา 3 วนและคาจรง
- ก ำหนด Layer Size ใหถ ก ต อ ง ใ น ช น น า เ ข า (Input Layer) และชนแสดงผล(Output Layer)
- ความถกตอง ของการ Normalize ขอมล Input และ Output ทมคาสถตยอมรบได
- ตรวจสอบความถกตองคา Parameter เปนไปตามคาก าหนดทยอมรบได - ความถกตองของการ Randomize ทมคาสถตยอมรบได - คาพยากรณมคาใกลเคยงกบคาจรง - การเผยแพรผลการคาดการณทางเวบไซต
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ผรบผดชอบ ลมน า
ก าหนดโครงสราง (Architecture) และ Copy หนวยชดขอมลน าเขา
แบบจ าลอง
การก าหนด Parameter ทใชใน
กระบวนการเรยนร (Training)
การRandomize ประมวลผลคา
เรมตน
ท าการ Normalize ขอมล Input และ Output
ถกตอง
ไมถกตอง
ท าการ Save โดยการ Save Weight As จาก File Menu และใชรนผล พรอมน าเสนอ
สรปกระบวนการใชแบบจ าลอง ANNs กรมชลประทาน กระบวนการใชแบบจ าลอง กรมชลประทาน ประกอบดวยข นตอนส าคญดงน
1.1 จดเตรยมขอมลปรมาณน ารายวนในปน าสง น ากลาง และน าต า เพอก าหนดคา Training โดยเวลาการไหลของน าตามจรง
1.2 จดเตรยมขอมลปรมาณน ารายวนในปน าสง น ากลาง และน าต า เพอก าหนดคา Testing โดยเวลาการไหลของน าตามจรง
1.3 การก าหนด Architecture ตรง Layer Size ดงแสดงไวในรปท 3 โดยใหจ านวน Input Node และ Output Node ตรงกบ ขอมลทจะ Training และ Testing
1.4 ท าการ Normalized ขอมล ตรง Data Menu และก าหนดชวง Normalized Data ส าหรบ Input และ Output 1.5 ก าหนดคา Parameters ตางๆ ส าหรบการ Training
1.6 ท าการ Run ขอมล 1.7 การ Save ท าการ Save Weight As จาก File Menu โดยเมอท าการ Save เสรจ File จะมนามสกล .wgt หลงจากน นจงท าการ Save Net As จาก File Menu เมอ Save เสรจนามสกลจะเปน .net 1.8 การแกไขคร งตอไปกเพยงท าการเรยก File ทท าจาก Excel และ เรยก File นามสกล .net และเตมขอมลปรมาณน าทาในวนน นๆ พรอมรนผล 1.9 น าคาพยากรณน าทาจ านวน 3 วน ทไดจาก ANNs มาจดท ากราฟน าเสนอใน excel
ความเปนมา ปจจยในการเกดปรมาณน าทาในล าน าข นอยกบองคประกอบการหมนเวยนของน าในระบบอทกวทยา สงทเปนขอมลขอมลน าเขาใหกบระบบอทกวทยา ไดแก ขอมลดานอตนยมและอทกวทยาโดยเฉพาะอยางยงขอมลฝนเปนส าคญ ดงน น ปรมาณฝนจงมความสมพนธกบการเกดปรมาณน าทาในล าน าเปนส าคญ (Rainfall Runoff Relationship) ในระยะหลงการคาดการณปรมาณน าในล าน าทต าแหนงตางๆ ในพ นทลมน า แบบจ าลองแบบกลองด า (Black Box Model) ไดรบความนยมมาก ซงแบบจ าลองโครงขายใยประสาทเทยม (ANNs) เปนหนงในแบบจ าลองดงกลาวและใชไดงาย ไมซบซอน อาศยเพยงขอมลทมความสมพนธตอกนทดเทาน นกพอ โดยไมจ าเปนตองใชขอมลตวแปรขององคประกอบยอยตางๆ ในระบบมากมาย ดงเชนการใชแบบจ าลองแบบโปรงใส (Transparency Model) แบบจ าลองระบบโครงขายประสาทเทยมเปนแบบจ าลองชนด Black Box Model ทไดรบความนยมในการน ามาประยกตใชคาดการณปรมาณน าลวงหนา ทอาศยขอมลทมค าสมประสทธสหสมพนธทมผลตอปรมาณน าในล าน าเทาน น มาใชในการเรยนรใหกบแบบจ าลอง ดงน นการเลอกขอมลปรมาณฝนรายวนและขอมลปรมาณน าทารายวนในแตสถานในพ นทลมน า มาใชเปนขอมลน าเขาใหกบแบบจ าลองระบบโครงขายประสาทเทยมจงเปนกระบวนการทส าคญ
แนวคดและทฤษฎ Artificial Neural Networks : ANNs โครงขายใยประสาทเทยม เปนแนวคดทถกออกแบบใหท างานเชนเดยวกบสมองมนษย ซงประกอบไปดวย
หนวยประมวลผล (Processing Elements) ซงมเซลลหลายๆ ตวทท าหนาทคลายกบเซลลสมองของมนษย โดยทแตละเซลลจะโยงใยตดตอกนโดยสงสญญาณออกเปนเอาทพด (Output) ของสวนทเรยกวา เดนไดรต (Dendrites) และเมอผานกระบวนการประมวลผลจะไดเอาทพตออกมาในสวนทเรยกวาแอกซอน (Axon) ในแตละเซลลจะรบรขอมลจากหลายทาง แลวสงตอไปยงเซลลอนๆ โดยใชหลกการ Synaptic Strength ของการเชอมโยงเซลลสมอง
สวนวธการประมวลภายใน โดยเซลลประสาทแตละเซลลจะมจดเชอมโยงระหวางการท างานเปน 2 ลกษณะ คอ ลกษณะการกระตน (Excitatory) เปนการท าใหสญญาณทสงผานเขามามความถลดลง ซงแบบจ าลองของ ANN จะมอตราขยายหรอหดไดเมอถกก าหนดดวยคาถวงน าหนก (Weights) ส าหรบความสมพนธระหวางเซลลประสาทกบเซลลประสาทเทยม ดงแสดงไวตารางท 1
ตารางท 1 แสดงความสมพนธระหวางเซลลประสาทเทยม ล าดบ เซลลประสาท เซลลสาทเทยม
1 ตวเซลล (Cell Body) ยนต (Unit) 2 เดนไดรต (Dendrites) ตวแปรอนพต (Input) 3 แดกซอน (Axon) ตวแปรเอาทพต (Output) 4 ไซแนปส (Synapse) คาถวงน าหนก (Weight) 5 ความเรวในการท างานชา ความเรวในการท างานสง 6 มเซลลจ านวนมาก (ประมาณ 109 ยนต) มเซลลจ านวนนอยกวา (เปนหลกรอย)
โดยทวไปในสมองของมนษยมเซลลประมาณ 109 ถง 1012 เซลล โดยทแตละเซลลสามารถเกบหนวยความจ าไดมากมายโดยเฉลยสมองมนษยมน าหนก1.5 กก. ซงประกอบไปดวยเซลลเลกๆ ทมน าหนกนอยกวา 1.5 x 109 กรม โครงขายใยประสาทเทยมเปนแบบจ าลองการท างานของระบบประสาทสวนกลางทมโครงสรางเปนลกษณะของโครงขายเชอมโยงกนระหวางหนวย ซงสามารถทจะรบขอมลและปรบตวเขากบสถานการณหรอสงแวดลอมทก าลงเผชญอย นกวจยหลายทานเชอวา แบบจ าลองโครงขายใยประสาทเทยมเปนเครองมอชนดหนงทใชในการสรางระบบคอมพวเตอรอจฉรยะ (Intelligent Computer System) อยางไดผล นอกจากน ANNs ยงเปนเครองมอทมประสทธภาพในการประยกตใชในงานตางๆ ทเกยวของกบการค านวณและการจดจ า เชน การจ าแนกขอมล (Data Classification) การท านายเหตการณ (Forecasting) การบบอดขอมล (Data Compression) การกรองสญญาณ Noise (Noise Filtering) เปนตน ในทางคณตศาสตร ANNs อาจมองในแงของการเปน Universal Approximator เนองจากความสามารถในการก าหนดความสมพนธระหวางรปแบบของขอมล Input – Output ซงท าใหความสามารถแกปญหาทยากและสลบซบซอนได
หลกการท างานโครงขายใยประสาทเทยม ANNs เปนแนวคดทแตกตางกบแนวคดทางดาน Conventional อยางสนเชงในการจ าลองพฤตกรรมการไหลโดยการใชแบบจ าลองโครงขายใยประสาทเทยม เราไมมความจ าเปนทจะตองก าหนดหรอสรางสมการควบคมการไหล เพยงแตเรารวบรวมขอมลอนพต (Input) และเอาทพต (Output) ไวเปนคๆ การใชแบบจ าลองคณตศาสตร หรอ แบบจ าลองทางสถตจะตองสรางความสมพนธระหวางอนพต (Input) และเอาทพต (Output) ซงอยในรปของสมการ Explicit แตโครงขายใยประสาทเทยมจ าท าการสราง ความสมพนธระหวางอนพต (Input) และเอาทพต (Output) โดยกระบวนการของการเรยนรจากขอมลทมอยความสมพนธดงกลาวไมมการก าหนดในรปของสมการ Explicit การจ าลองระบบโครงสรางประสาทเทยม มการจ าลองเปนช น ๆ โดยมโครงสรางทประกอบดวยช นรบขอมล (Input Layer) ช นแฝง (Hidden Layer) และช นแสดงผล (Output Layer) ในแตละช นประกอบดวยหนวย (Node) ในช นแฝงประกอบดวยหนวยทท าหนาทสงตวแปรดานออก (Output) ในระหวางช นแตละช นจะมการเชอมตอ (Link) แตการเชอมตอจะมคาน าหนก (Weights) เฉพาะส าหรบท าหนาทแทนคาความแขงแรง (Strength) ของการเชอมตอของเซลลสมองมนษย โครงสรางของระบบโครงสรางขายประสาทเทยมแสดงไดดงรป
ช นรบขอมล ช นแฝง ช นแสดงผล (Input Layer) (Hidden Layers) (Output Layer)
ข นตอนการปฏบตงาน
1. กระบวนการในการเตรยมขอมลและคดเลอกขอมล ส าหรบน าเขาระบบโครงขายใยประสาทเทยม (ANNs) ประกอบดวย 1.1 เลอกสถานทจะท าการคาดการณปรมาณน าทารายวน โดยมเกณฑในการเลอกสถานดงน
1.1.1 สถานทจะท าการคาดการณปรมาณน าทารายวนลวงหนาควรจะเปนสถานทมความส าคญและ เปนตวแทนของล าน าในลมน ายอยและลมน าหลก โดยเฉพาะอยางยงเปนสถานทจะหาปรมาณการไหลในล าน าทจดทจะคาดการณ เพอเตอนภยลวงหนาละเปนจด ทมความเสยงตอการเกดอทกภย หรอเปนจดออกของลมน ายอยและลมน าหลก 1.1.2 สถานทเลอกมาท าการคาดการณควรเปนสถานทมความมนคงในเรองต าแหนงทต ง ไมมการเคลอนยายสถาน มการจดเกบขอมล ทมความตอเนอง มชวงระยะเวลาการเกบขอมลทยาวนาน ตอเนองและไมขาดหาย 1.2 ตรวจสอบคาความนาเชอถอของขอมลกบขอมลปรมาณน าทารายป โดยวธ Double Mass Curve เพอ เลอกวาขอมลปใดมความถกตอง ส าหรบใชเปนเกณฑในการเลอกขอมลของปน นมาใช
1.3 การเลอกสถานวดปรมาณน าฝนรายวน และสถานวดปรมาณน าทารายวนในพ นทลมน าจะเลอกเฉพาะ สถานส ารวจขอมลทมอทธพล กบสถานวดปรมาณน าทาทจะท าการคาดการณได โดยทวไปมหลกเกณฑดงน
1.3.1 ใชลกษณะทางกายภาพของลมน า 1.3.2 ใชหลกความสมพนธของขอมลทางคณตศาสตร โดยใชคาสมประสทธสหสมพนธ (R2) 1.3.3 ใชหลกเกณฑการทดลองทายคาเลอกสถาน (Trial and Error) เพอหาตวแปรน าเขาในช นรบ
ขอมล (Input Layer) ในการด าเนนการคร งน จะใชหลกการเลอกสถานทมอทธพลตามคาสมประสทธสหสมพนธ โดยจะเลอกสถาน
วดปรมาณน าทารายวนและสถานวดปรมาณน าทารายวนอน ๆ ในพ นทลมน าทมอทธพลตามเกณฑการวเคราะหคาสมประสทธสหสมพนธ กบสถานทเลอกท าการคาดการณปรมาณน าทารายวนลวงหนา โดยใชค าสมประสทธสหสมพนธของขอมลรายปทใหคาเกนกวา 0.80 ส าหรบคาสมประสทธสหสมพนธระหวางขอมลปรมาณน าทารายวนของสถานคาดการณ กบขอมลปรมาณน าทารายวนของสถานอน ๆ ในลมน า สวนคาสมประสทธสหสมพนธระหวางสถานปรมาณน าทารายวน กบสถานปรมาณน าฝนรายวน แลวแตทจะพจารณาเปนกรณไปตามความจ าเปน
1.4 น าขอมลปรมาณน าทารายวนในอดตตลอดชวงระยะเวลา 1 ป ของแตละปมาพลอตเทยบกบแกนเวลา ในระยะยาว จะได Hydrograph ของปรมาณน าทาในชวงระยะยาวพจารณารวมกบขอมลปรมาณน าทารายป (Annual Runoff) และขอมลปรมาณน าสงสดประจ าป (Momentary Peak) แลวแบงเกณฑออกเปน 3 กลม คอ กลมขอมลปน ามาก กลมขอมลปน าปกต และกลมขอมลปน าแลง ในการศกษาคร งน จะใหความส าคญกบขอมลปน าปกตและปน ามาก โดยเฉพาะอยางยงขอมลปน ามากทมประวตการเกดน าทวม เพอใชคาดการณน าทาของปน ามากและปน าปกต
1.5 ท าการจดแบงขอมลปรมาณน าฝนรายวนและปรมาณน าทารายวน หลงจากแยกเปนขอมลน ามากและป น าปกต ออกเปน 2 ชด โดยชดแรกส าหรบกระบวนการเรยนร (Training) เพอใหแบบจ าลองใหเกดการเรยนรจ า
และขอมลชดทสองใชส าหรบขบวนการทดสอบ (Testing) ในกระการเรยนรและกระบวนการทดสอบจะใชขอมลในชวงฤดน าหลาก ซงแลวแตลกษณะชวงการเกดปรมาณน าสงสด (Peak) ในแตละลมน าทท าการศกษา
1.6 การวเคราะหคาสมประสทธเทยบกบระยะเวลายอนหลง ของสถานแตละสถานทมอทธพลตามคา สมประสทธสหสมพนธกบสถานทจะท าการคาดการณ เพอหาวาระยะเวลายอนหลงเปนจ านวนวนถงวนทเทาไร ทมอทธพลตอการเกดปรมาณการไหลในล าน าทวนปจจบนทสถานทท าการคาดการณ โดยคาสมประสทธสหสมพนธระหวางขอมลปรมาณน าทาของสถานคาดการณกบขอมลน าทาของสถานอนๆ จะใชคาสมประสทธสหสมพนธทเกนกวา 0.80 สวนคาสมประสทธสหสมพนธระหวางขอมลปรมาณน าทารายวนของสถานคาดการณกบขอมลปรมาณฝนรายวนสถานอน จะพจารณาถงวนยอนหลงทเรมใหคาสมประสทธสหสมพนธเรมมคาลดลง (เนองจากคาสมประสทธสหสมพนธให คาต า) ตวแปรทใชคอ ปรมาณฝนและปรมาณน าทาในลมน าทศกษา มาท าการหาความสมพนธโดยการวเคราะห คาสมประสทธสหสมพนธ ระหวาง 2 ตวแปรใดๆ ซงตวแปร 2 ตวใดๆ จะเปนตวแปรระหวางคาปรมาณน าทารายวนของสถานทจะท าการคาดการณ กบคาปรมาณน าฝนรายวน และปรมาณน าทารายวนของสถานใกลเคยง ในกรณทเปนตวแปรชนดเดยวกน เชน ปรมาณน าทารายวนเหมอนกนจะเรยกวา Auto – Correlation และในกรณเปนตวแปรตางชนดกน เชนปรมาณฝนรายวนกบปรมาณน าทารายวน จะเรยกวา Cross – Correlation
คาสมประสทธสหสมพนธ ระหวางตวแปร 2 ตว X และ Y หาไดโดย
22
.
.
YYXX
YYXXr
ii
ii
คาสมประสทธสหสมพนธ ทมคาเขาใกล 1 แสดงถงตวแปร 2 ตว มความสมพนธกนมาก ถาคาสมประสทธสหสมพนธมคาเปน 0 แสดงถงตวแปร 2 ตว ไมมคาความสมพนธกน และถาคาสมประสทธสหสมพนธมคาเขาใกล – 1 แสดงถงตวแปร 2 ตว มความสมพนธกนในทศทางตรงกนขาม ซงในการเลอก คาสถานใกลเคยงมาใชเปนตวแปรในช นขอมลน าเขา จะเลอกเฉพาะสถานทใหคาสมประสทธสหสมพนธมคาเกนกวา 0.80 มาใชงาน ส าหรบความสมพนธระหวางขอมลปรมาณน าทารายวนทสถานคาดการณกบขอมลสถานวดปรมาณน าทาอน
ภายหลงจากไดสถานทมอทธพลตอสถานทจะท าการคาดการณปรมาณน าทารายวน สงทตองพจารณาอกประการหนงคอ ระยะเวลายอนหลงเปนจ านวนวนของขอมลของสถานใดๆ ทมอทธพลตอสถาน ทจะท าการคาดการณ ทมผลตอขอมลในวนปจจบนของคาปรมาณน าทารายวนของสถานทจะท าการคาดการณ ในการน ามาใชเปนตวแปรในการคาดการณซงในการเลอกจ านวนวนยอนหลง จะใชคาสมประสทธ สหสมพนธระหวางตวแปร 2 ตว ทตางเวลากน หาไดโดย
N
t
i
KN
t
kti
k
XX
XXXX
r
1
2
1 ……. (9)
จากสมการขางตน สามารถลดรปใหอยในรปแบบ
XXXXKN
rkt
KN
t
tk
1
1 ...... (10)
ในการเลอกจ านวนวนยอนหลงทมผลตอคาปรมาณน าทารายวนของวนปจจบนของสถานทจะท าการคาดการณ จะเลอกจากวนปจจบนถงวนยอนหลงทท าใหคาสมประสทธสหสมพนธมคามากกวา 0.0 มาใชงาน ส าหรบความสมพนธระหวางปรมาณน าทาทสถานคาดการณกบขอมลปรมาณน าทารายวนสถานอนสวนความสมพนธของคาสมประสทธสหสมพนธระหวางขอมลปรมาณน าทารายวนกบขอมลปรมาณฝนรายวน จะพจารณาทคาสมประสทธสหสมพนธเรมมคาลดลง เนองจากมคาต า
1.7 การตรวจสอบความนาเชอถอของขอมลรายเดอนระหวางขอมลฝนและขอมลปรมาณน ามากกวา 20 ป ยอนหลง โดยใชวธการ Double Mass Curve เพอเลอกขอมลทมความถกตองและหาแนวโนมของความสมพนธดงกลาว
2. การก าหนดหนวยน าเขาแบบจ าลองระบบโครงขายใยประสาทเทยม มข นตอนดงน 2.1 จ านวนหนวยในช นน าเขา (Input) ประกอบดวยขอมลปรมาณน าทารายวนและขอมลปรมาณน าฝน
รายวนของสถานตางๆ ทมอทธพลกบสถานทท าการคาดการณ และมอทธพลเทยบกบระยะเวลายอนหลง (Lag time) กวนรวมกบขอมลปรมาณน าทารายวนของสถานทท าการคาดการณของวนปจจบน ตามแตละกรณของลมน าทศกษา 2.2 จ านวนหนวยในช นแสดงผล (Output) โดยใชขอมลปรมาณน าทารายวนจรงของสถานทท าการคาดการณ 1-3 วนลวงหนา (ในกระบวนการสอนไดจากการปองกนขอมลในอดตเขาไป เพอใหแบบจ าลองเกดการเรยนร สวนในกระบวนการทดสอบไดจากคาทค านวณไดจากแบบจ าลอง) สงทตองการในข นตอนน คอ จ านวนเอาทพต (Output) ทตองการจ านวน กวน ดงรปท 1
รปท 1 การเตรยมหนวยน าเขาแบบจ าลอง
2.3 น าขอมลทเตรยมใน Microsoft Excel เขาสโปรแกรมประมวลผลระบบโครงขายประสาทเทยม WinNN1.6 ในกระบวนการเรยนร (Training) และกระบวนการทดสอบ (Testing) ดงรปท 2
รปท 2 การเตรยมขอมลในกระบวนการ Training and Testing
2.4 จดเตรยมขอมล โดยใชโปรแกรม Microsoft Excel จดเรยงใหอยในรปแบบของหนวยน าเขาแบบจ าลอง
ระบบโครงขายประสาทเทยม ตามแตละรปแบบของลมน าน นๆ ทศกษา ซงแตละลมน าจะม ไฟล (files) ของExcel ส าหรบการคาดการณลวงหนา 1, 2 และ 3 วน แยกจากกน ตามรปท 3
รปท 3 การเตรยมขอมลคาดการณลวงหนา 1, 2 และ 3 วน
3 ขนตอนการประมวลผลโปรแกรมระบบโครงขายใยประสาทเทยม WinNN 1.6
3.1 จดเตรยมขอมลทใชส ำหรบกระบวนกำรเรยนร (Training) และกระบวนกำรทดสอบ (Testing) (ตำมขอ 1-2) โดยใชขอมลปรมำณน ำทำ ปรมำณน ำฝน ในปน ำมำก น ำกลำง และน ำนอย ดงรปท 4
รปท 4 แสดง Input File (Training,Testing.xls) บนโปรแกรม Excel
3.2 เปดโปรแกรมประมวลผล WinNN 1.6 ดงแสดงไวในรปท 5
รปท 5 แสดงหนำตำงโปรแกรม WinNN1.6
Training Testing
สวนทใชพมพเพอแสดงรำยละเอยดทตองกำร
3.3 ก ำหนดโครงสรำง (Architecture) ตรง Layer Size เพอเปนกำรก ำหนด Node Layer โดยในช นน ำเขำ (Input Layer) และช นแสดงผล (Output Layer) ตองก ำหนด Node ตรงกบหนวยน ำเขำแบบจ ำลอง สวนช นซอน (Hidden Layer) สำมำรถก ำหนดเองได ดงแสดงไวในรปท 6
รปท 6 แสดงกำรเปลยน Architecture
3.4 Copy หนวยชดขอมลน ำเขำแบบจ ำลอง ท ำกำร Paste Pats (Linked) ส ำหรบกระบวนกำรเรยนร (Training) และ Paste Tst Pats (Linked) กระบวนกำรทดสอบ (Testing) ตรง Edit Menu ในโปรแกรมประมวลผลระบบโครงขำยใยประสำทเทยม WinNN1.6 ดงรปท 7-8
รปท 7 แสดงชวงขอมลทจะท ำกำร Copy จำก Excel ไปสโปรแกรม WinNN1.6
ก ำหนด Layer Size
(Architecture)
แสดงรป Architecture
แสดงชวงขอมล Training ทจะ Copy ในเครองหมำยปกกำ รวม 405 Patterns
ส ำหรบชวงขอมล Testing ทจะ Copy รวม 306 Patterns
รปท 8 แสดง Edit Menu ส ำหรบ Paste ชวงขอมล Training และ Testing ลงส WinNN1.6
3.5 ท ำกำร Normalize ขอมล Input และ Output ดงรปท 9
ช ว ง ก ำ ห น ด ค ำ
N o rm a liz e d
ส ำ ห ร บ O u tp u t
ช ว ง ก ำ ห น ด ค ำ
N o rm a liz e d
ส ำ ห ร บ In p u t
C lic k เ พ อ
N o rm a liz e d
D a ta
รปท 9 แสดงกำร Normalized Data
3.6 ท ำกำรก ำหนด Parameter ทใชส ำหรบกระบวนกำรเรยนร (Training) ดงรปท 10 Target Error – 0.05 Transfer function – Sigmoid function Eta (), Learning Parameter = 0.01-0.20 Alpha (), Momentum Rate = 0.50 – 0.8 Input Noise = 0 Weight Noise = 0 Temp. = 1 Iter./ Cal = 5 Clip Patterns = 0
(สถำบนพฒนำกำรชลประทำน, 2551)
รปท 10 แสดงกำรก ำหนดคำตวแปรทใชในกำร Training
3.7 ท ำกำรเลอก Algorithm จำก Setup Menu ในกระบวนกำรเรยนร (Training) กำรศกษำคร งน ใช Back propagation ดงแสดงไวในรปท 11
รปท 11 แสดงกำรเลอก Algorithm
3.8 ท ำกำร Randomize เพอใหโปรแกรมประมวลผลก ำหนดคำเรมตนใหกอน จำกน นท ำกำร Run โปรแกรมประมวลผลระบบโครงขำยใยประสำทเทยม ดงแสดงไวในรปท 12 และหยดเมอ Good patterns = 100 % หรอคำ Good patterns และคำ RMSE คงท หรอ มกำรเปลยนแปลงนอยมำกๆ
R a n d o m iz e
R u n
รปท 12 แสดงกำร Run โปรแกรม
Back-Propagation
3.9 ท ำกำร Save โดยกำร Save Weight As จำก File Menu โดยเมอ ท ำกำร Save เสรจ File จะมนำมสกล .wgt หลงจำกน นจงท ำกำร Save Net As จำก File Menu อกคร งหนงเมอ Save เสรจนำมสกลจะเปน .net โดยคร งตอไปกท ำกำร Save เฉพำะ .net กจะเปนกำร Save รวมท ง Weight และ คณสมบตท งหมดของ Network นนเอง ดงแสดงไวในรปท 13
รปท 13 แสดงกำร Save ขอมล
3.10 กำรแกไขคร งตอไปท ำได โดยกำรเรยก File ทท ำจำก Excel และท ำกำรเปดโปรแกรมประมวลผล WinNN1.6 แลวเรยก File นำมสกล .net โดย Click ท Open Net จำก File Menu เพยง File เดยว ซงจะเปนกำรเรยก File ท งหมดของ Network ข นมำ ดงแสดงในรปท 14
รปท 14 แสดงกำร Open Net File
Save Net As
Open Net
ตวอยางผลการรน ANNs ของสถานน าทารายวน
ปญหาและขอเสนอแนะ 1. ขอมลทท าการคดเลอกบางสถานขาดความตอเนองกน เพราะบางปพบวาขอมลมการขาดหายไป
บางสวน (Missing data) ท าใหไมสามารถน ามาใชประกอบการศกษาได 2. ขอมลบางชวงมความผดพลาดหรอไมครบถวน สาเหตอาจมาจากการจดเกบขอมล ความผดพลาด
ของบคลกรและเครองมอ ท าใหไดคาของขอมลไมเปนไปตามความเปนจรง 3. มขอจ ากดของจ านวนขอมลน าเขา (Input Layer) เมอใชขอมลหลายๆ ตวแปรพรอมกนกระบวนการ
เรยนรของแบบจ าลองโครงขายใยประสาทเทยม (ANNs) จะท าไดชามากและตองใชเวลาการเรยนรนาน 4. การก าหนดชวง คาต าสดกบคาสงสดของขอมล ควรมคาแตกตางกนใหมากและควรใชขอมลปท
น านองสงสดใหแกแบบจอลอง ANNs ระหวางกระบวนการเรยนรขอมล 5. การเลอกใชโครงสรางแบบจ าลองควรทดสอบใหหลากหลายรปแบบและมการเปรยบเทยบกนใน
รปแบบตางๆ 6. ความถกตองของขอมลส ารวจจรงตองมการตรวจสอบกอนเสมอ และการเปลยน Rating Curve
กลางปน า มผลตอการคาดการณน าทา และควรมการแจงไปยงผทใชขอมล 7. การคาดการณน าทารายเดอน คาทคาดการณไดถงแมใกลเคยงกบปรมาณน าจรงทเกดข นแตกควรม
การปรบปรงใหอยในเกณฑทนาเชอถอมากข น 8. ส าหรบลมน าภาคใตฝงตะวนตก มคาความผดพลาดสงเนองจากปรมาณน าทาข นเรวและลงเรว จง
ควรน าแบบจ าลองทใชกบขอมลรายชวโมงได
7. ระบบตดตามประเมนผล
กระบวนการ มาตรฐาน/คณภาพงาน วธการตดตามประเมนผล ผตดตาม/ประเมนผล ขอเสนอแนะ 1. จดเตรยมขอมลปรมาณน า และการคดเลอกขอมล 2. การก าหนดหนวยน าเขาแบบจ าลองระบบโครงขายใยประสาทเทยม
1. จดเตรยมขอมลปรมาณน ารายวนโดยเปนสถานทมความส าคญและเปนตวแทนของลมน าหลก 2. ตรวจสอบขอมลปรมาณน ามความตอเนอง มชวงระยะเวลาการเกบขอมลทยาวนาน ตอเนองไมขาดหาย 3. การเลอกสถานวดปรมาณฝนรายวนและสถานวดปรมาณน าทารายวน เลอกเฉพาะสถานส ารวจขอมลทมอทธพลกบสถานวดปรมาณน าทจะท าการคาดการณได 1. จดเตรยมขอมลปรมาณน ารายวนในปน าสง น ากลาง และน าต า เพอก าหนดคา Training โดยเวลาการไหลของน าตามจรง 2. จดเตรยมขอมลปรมาณน ารายวนในปน าสง น ากลาง และน าต า เพอก าหนดคา Testing โดยเวลาการไหลของน าตามจรง
1. ตรวจสอบความถกตองของขอมลเบ องตนโดยเลอกขอมลปน าสง น ากลาง และน าต า 2. ตรวจสอบคาความนาเชอถอของขอมลกบขอมลปรมาณน าทารายป โดยวธ Double Mass Curve 3. การวเคราะหคาสมประสทธเทยบกบระยะเวลายอนหลง ของสถานแตละสถานทมอทธพลตามคา สมประสทธสหสมพนธกบสถานทจะท าการคาดการณ 1. ตรวจสอบขอมลปรมาณน ามความตอเนอง มชวงระยะเวลาการเกบขอมลทยาวนาน ตอเนองไมขาดหาย 2. น าเขาขอมลตามแบบฟอรมใน excel ทก าหนดใหมความถกตอง 3. ตรวจสอบคากราฟจากการก าหนดคา Training and Testing
- หวหนาฝายสารสนเทศและพยากรณน า - ผจดท าแบบจ าลอง
- หวหนาฝายสารสนเทศและพยากรณน า - ผจดท าแบบจ าลอง
กระบวนการ มาตรฐาน/คณภาพงาน วธการตดตามประเมนผล ผตดตาม/ประเมนผล ขอเสนอแนะ 3. การประมวลผลโปรแกรมระบบโครงขายใยประสาทเทยม WinNN 1.6
3. น าขอมลทเตรยมใน Microsoft Excel เขาสโปรแกรมประมวลผลระบบโครงขายประสาทเทยม WinNN1.6 ในกระบวนการเรยนร (Training) และกระบวนการทดสอบ (Testing) 4. จดเตรยมขอมล โดยใชโปรแกรม Microsoft Excel จดเรยงใหอยในรปแบบของหนวยน าเขาแบบจ าลอง ระบบโครงขายประสาทเทยม ตามแตละรปแบบของลมน าน นๆ ทศกษา ซงแตละลมน าจะม ไฟล (files) ของExcel ส าหรบการคาดการณลวงหนา 1, 2 และ 3 วน 1. เปดโปรแกรมประมวลผล WinNN 1.6 2. ก าหนดโครงสราง (Architecture) ตรง Layer Size เพอเปนการก าหนด Node Layer โดยในช นน าเขา (Input Layer) และช นแสดงผล (Output Layer) ตองก าหนด Node ตรงกบหนวยน าเขาแบบจ าลอง สวนช นซอน (Hidden Layer) สามารถก าหนดเอง
1. ตรวจสอบความถกตองของคาพยากรณและคาจรงมความใกลเคยงกน 2. ตรวจสอบจากคาสถตใหมคาสถตอยในเกณฑทก าหนด 3. ตรวจสอบจากกราฟระหวางคาพยากรณและคาจรง
- หวหนาฝายสารสนเทศและพยากรณน า - ผจดท าแบบจ าลอง
กระบวนการ มาตรฐาน/คณภาพงาน วธการตดตามประเมนผล ผตดตาม/ประเมนผล ขอเสนอแนะ 3. Copy หนวยชดขอมลน าเขา
แบบจ าลอง ท าการ Paste Pats (Linked) ส าหรบกระบวนการเรยนร (Training) และ Paste Tst Pats (Linked) กระบวนการทดสอบ (Testing) ตรง Edit Menu ในโปรแกรมประมวลผลระบบโครงขายใยประสาทเทยม WinNN1.6 4. ท าการ Normalize ขอมล Input และ Output 5. ท าการก าหนด Parameter ทใชส าหรบกระบวนการเรยนร (Training) 6. ท าการเลอก Algorithm จาก Setup Menu ในกระบวนการเรยนร (Training) 7. ท าการ Randomize เพอใหโปรแกรมประมวลผลก าหนดคาเรมตนใหกอน จากน นท าการ Run โปรแกรมประมวลผลระบบโครงขายใยประสาทเทยม 8. ท าการ Save โดยการ Save Weight As จาก File Menu โดยเมอ ท าการ Save เสรจ File จะมนามสกล .wgt หลงจากน นจงท าการ
- หวหนาฝายสารสนเทศและพยากรณน า - ผจดท าแบบจ าลอง
กระบวนการ มาตรฐาน/คณภาพงาน วธการตดตามประเมนผล ผตดตาม/ประเมนผล ขอเสนอแนะ
4. น าคาพยากรณน าทาจ านวน 3 วน ทไดจาก ANNs มาจดท ากราฟน าเสนอใน excel
Save Net As จาก File Menu อกคร งหนงเมอ Save เสรจนามสกลจะเปน .net โดยคร งตอไปกท าการ Save เฉพาะ .net กจะเปนการ Save รวมท ง Weight 9. ท าการ Run ขอมล 1. จดท ากราฟเปรยบเทยบระหวางคาพยากรณลวงหนา 3 วนและคาจรง 2. น าขอมลเผยแพรทางเวบไซตสวน อทกวทยาและฝายสารสนเทศและ พยากรณน า
1. การเผยแพรขอมลทางเวบไซต
- หวหนาฝายสารสนเทศและพยากรณน า - ผจดท าแบบจ าลอง
8. เอกสารอางอง 8.1 กรมชลประทาน กระทรวงเกษตรและสหกรณ. 2547. การประยกตใชระบบโครงขายใยประสาท
เทยม (Arificial Neural Networks (ANNs) 8.2 สถาบนพฒนาการชลประทาน กรมชลประทาน. 2551. เอกสารการฝกอบรม “การประยกตใช
Arificial Neural Networks (ANNs) ในงานชลประทาน’’ 8.3 ผศ.ดร.เสร ศภราทตย. 2544. คมอการพยากรณน าโดยโครงขายใยประสาทเทยม สถาบนพฒนา
ชลประทาน. กรมชลประทาน 8.4 เลอพงษ อ าสรยา. 2546.วทยานพนธ, การประยกตใชโครงขายใยประสาทเทยมในการจ าลอง
ความสมพนธระหวางระดบน า-อตราการไหล. คณะวศวกรรมศาสตร, จฬาลงกรณมหาวทยาลย
9. แบบฟอรมทใช 9.1 แบบฟอรมบนทกขอมลในการรนผล ANNs ใน excel 9.2 แบบฟอรมกราฟ Output จาก .net 9.3 แบบฟอรมบนทกกราฟน าเสนอคาการพยากรณ ในไฟล excel
ภาคผนวก
1. แบบฟอรมบนทกขอมลในการรนผล ANNs ใน excel
2. แบบฟอรมกราฟ Output จาก .net
3. แบบฟอรมบนทกกราฟน าเสนอคาการพยากรณ ในไฟล excel
ววฒนำกำรของ ANNs (สถาบนพฒนาการชลประทาน, 2544)
การศกษาเกยวกบโครงขายใยประสาทเทยมเรมจากงานวจยของ McCulloch และ Pitts (1943) ตอมาในป ค.ศ. 1949 Hebb เปนคนแรกทแนะนาโครงขายทมการประมวลผลจากการเรยนรเหมอนเซลสสมองซงเรยกวา Hebbian Learning และตอมาไดนามาใชในการออกแบบโครงขายใยประสาทเทยมตางๆมากมาย การใชเครองคอมพวเตอรในการคานวณโดยโครงขายใยประสาทเทยมไดเรมข นอยางเปนทางการ เมอป ค.ศ. 1956 โดย Rochester และเพอน ซงเปนการเรมยตของ Artificial Intelligent (AL) อยางแทจรง นบจากน นไดมนกวจยหลายทานพฒนาโครงขายใยประสาทเทยมข นมาหลายแบบ เชน ในป ค.ศ. 1958 Rosenblatt ไดพฒนาโครงขาย เพอรเซพตรอน (Perceptron) ซงมพ นฐานการทางานเปนแบบ 3 ช นกลาวคอ ช นอนพท (Input) ช นแอสโซซเอชน (Association layer) และช นเอาทพท (Output layer) ในป ค.ศ. 1960 Widrow ไดพฒนาโครงขาย ADALINE (ADAptive Llnear NEuron) ซงตอมามการปรบปรงเปนโครงขายทมชอภาย หลงวา MADALINE (Multiple ADALINEs) หลงจากน นมนกวจยหลายทานใหความสนใจเกยวกบ Associative memory จนกระท งในป ค.ศ. 1982 จงเกดโครงขาย Hopfield ซงเปนโครงขายประเภท Recurrent และสามารถนามาประยกตแกปญหา Travelling Salesman ทาให Hopfield ไดรบรางวลโนเบล ในสาขาฟสกสในปน น ววฒนาการ ของ ANN แตละยคไดแสดงไวในรปท 1 – 2 สวนทสาคญทสดในการพฒนาโครงขายใยประสาทเทยมในระยะหลงของงานวจย มกจะเปนการคนหากระบวนการเรยนรเพอใชในการแกไขน าหนก (Weights) ในโครงขาย จงเกดเปนทฤษฎ Back-propagation ซงเปนทฤษฎทจะทาการปรบคาถวงน าหนกจากช นเอาทพต (Output) ไปยงช นอนพต (Input) การนาเสนอทฤษฎดงกลาวทาใหงานวจยทางโครงขายใยประสาทเทยมไดรบความนยมมากข น ต งแต ป ค.ศ. 1980 เมอเกดกระบวนการคนคด Multilayer perceptron (Rumelhart,1986a) ซงสามารถขจดอปสรรคของ Single layer perceptron
รปท 2 ววฒนาการ ANN (เสร, 2544)
นอกจากน ยงมการนาเสนอ Parallel distribution processing ซงประกอบไปดวย 8 เรองหลกๆดงน
1. การจดต งหนวยกระบวนการ (Processing unit) 2. สภาพการกระตน(State of activation) 3. Output function สาหรบแตละหนวย 4. ระยะการเชอมโยงระหวางหนวย(Connectivity among units) 5. กจกรรมการเคลอนตวผานโครงขายทเชอมโยงกน 6. กฎการกระตน(Activation rule) 7. กฎการเรยนร(Learning rule) 8.สงแวดลอมภายในระบบ
และในปเดยวกน (Rumlhart,1986a) ไดเสนอโครงขาย Back-propagation ซงพฒนามาจากโครงขาย Single layer perceptron โดยแบงการทางานออกเปนสองข นตอน ในข นตอนแรก ขอมลในหนวยของช นอนพต (Input) จะเคลอนตวผานไปยงโครงขายและประมวลผลออกมาในหนวยของช นเอาทพต(Output) หลงจากน น เอาทพตจะถกนามาเปรยบเทยบกบเปาหมาย นามาซงความผดพลาดทเกดข น ในข นตอนทสองเปนข นตอนของการเคลอนตวกลบ (Backward pass) เพอทาการปรบแกคาถวงน าหนก (Weights) ของขอมลอนพตและของ Bias ต งแตน นเปนตนมาจงไดมการพฒนาโครงขายตางๆข นมามากกวา 50 โครงขาย อยางไรกตาม การนามาใชแกปญหาทางวศวกรรมโยธาโดยเฉพาะในสาขาวศวกรรมแหลงน ามนอยมาก เรมจาก French et all.(1992) พฒนาโครงขายเพอทานายปรมาณฝนทตกตามสถานทและเวลาตางๆกน Crespo and Mora (1993) ประยกตใชหลกการของแบบจาลองโครงขายใยประสาทเทยมกบการประเมนการเกดภยแลง Hsu et all. (1995) พฒนาแบบจาลองโครงขายใยประสาทเทยมเพอจาลองการเกดฝนและน าทา โดยพบวา ANN เปนวธการทมประสทธภาพมากทสด เมอเปรยบเทยบกบแบบจาลองทางคณตศาสตรอนๆ และเมอเรวๆน Campolo et all. (1999) พฒนาโครงขายใยประสาทเทยมในการวเคราะห และทานายระดบน าทวมของแมน า Taghamento ประเทศอตาล ในชวงเวลาทมฝนตกหนก ผลการคานวณพบวา มความถกตองแมนยามาก Liong et all. (2000) ไดประยกตจาลองโครงขายใยประสาทเทยม เพอชวยในการวางแผนปองกนน าทวมในประเทศบงคลาเทศ ซงตอมาผลการศกษาทาให ANN เปนเครองมอทสามารถใชในการเตอนภยน าทวมอยางไดผล สาหรบงานวจยภายในประเทศเรมจาก เสร (2542) ไดพฒนาโครงขายใยประสาทเทยมในการพยากรณน าทาแมน ามลจงหวดอบลราชธาน ผลการคานวณยงมความคลาดเคลอนเนองมากจากขอจากดของขอมล ตอมาเสร (2543) ไดประยกตใชโครงขาย Back-propagation ในการพยากรณระดบน าลมแมน ายม บรเวณจงหวดแพร (สถาน Y1C) และจงหวดสโขทย (สถานY4) โดยพบวาใหผลการคานวณทดมากและประสทธภาพมากกวา 95 % นอกจากน เสร (2544) ยงใชโครงขายประเภทเดยวกนทาการพยากรณระดบน าทะเลหนน บรเวณปากแมน าเจาพระยา (สถานปอมพระจลจอมเกลาฯ) ซงผลการคานวณมความถกตองแมนยามาก
หลกกำรท ำงำนและกำรประมวลผลระบบโครงขำยใยประสำทเทยม
Artificial Neural Networks (ANNs) เปนแนวคดทแตกตางกบแนวคดทางดาน Conventional อยางส นเชงในการจาลองพฤตกรรมการไหล โดยการใชแบบจาลองโครงขายใยประสาทเทยม เราไมมความจาเปนทจะตองกาหนดหรอสรางสมการควบคมการไหล เพยงแตเรารวบรวมขอมลอนพต (Input) และเอาทพต (Output) ไวเปนค ๆ การใชแบบจาลองคณตศาสตร หรอแบบจาลองทางสถตจะตองสรางความสมพนธระหวางอนพต (Input) และเอาทพต (Output) ซงอยในรปของสมการ Explicit แตโครงขายใยประสาทเทยมจะทาการสรางความสมพนธระหวางอนพต (Input) และเอาทพต (Output) โดยกระบวนการของการเรยนรจากขอมลทมอย ความสมพนธดงกลาวไมมการกาหนดในรปของสมการ Explicit
การจาลองระบบโครงสรางประสาทเทยม มการจาลองเปนช น ๆ โดยมโครงสรางทประกอบดวยช นรบขอมล (Input Layer) ช นซอน (Hidden Layer) และช นแสดงผล (Output Layer) ในแตละช นประกอบดวยหนวย (Node) ในช นแฝงประกอบดวยหนวยททาหนาทสงผานขอมลไปสช นแสดงผล และในช นแตละช นแสดงผล และในช นแสดงผลประกอบดวยหนวยททาหนาทสงตวแปรดานออก (Output)ในระหวางช น แตละช นจะมการเชอมตอ (Link) แตละการเชอมตอจะมคาน าหนก (Weights) เฉพาะสาหรบทาหนาทแทนคาความแขงแรง (Strength) ของการเชอมตอของเซลลสมองมนษย โครงสรางของระบบโครงขายใยประสาทเทยม (สถาบนพฒนาการชลประทาน, 2551) แสดงไดดงรปท 2
ช นรบขอมล ช นแฝง ช นแสดงผล (Input Layer) (Hidden Layers) (Output Layer)
รปท 3 แสดงช นโครงสรางโครงขายใยประสาทเทยม (สถาบนพฒนาการชลประทาน, 2551)
สาหรบหลกการทางานเบ องตนของโครงขายใยประสาทเทยม (ANNs) สามารถอธบายไดวา ในการทางานของโครงขายอาจจะม Input หลายตวทเปนตวกระตนใหเกด Output โดยทแตละ Input จะมอทธพลตอ Output ซงวดไดจากคาถวงน าหนก (Weight) นนเอง (เสร, 2544) ดงในรปท 4
รปท 4 หลกการประมวลผลเบ องตนของ ANNs (เสร, 2544)
จากรป X(X1 ,X2 ,X3 ) จะเปน Input ทมความสมพนธกบ Y ทเปน Output แบไมเชงเสน ดงน นจะไดฟงกชน f (net) ทเปนแบบไมเชงเสน (Nonlinear function) ดงสมการท 1 (ดรปท 5)
Net = X1W1+X2W2+X3W3 = XW …….(1)
เมอคา Net = ผลบวกของขอมลท งหมด (Total summation) Wi = น าหนกถวงของหนวยนวรอน ของช นทอยตดกน (Weight) Xi = ขอมลปอนเขา (Input data)
รปท 5 ฟงกชนการกระตน (เสร, 2544)
Y = f(net) ……..(2) เมอ f(net) = ฟงกชนการแปลงคา (Transfer function)
ในกระบวนการทางานของโครงขายใยประสาทเทยม จะมกระบวนการเรยนรหลายรปแบบ การเรยนรมวตถประสงคในการปรบแกคาถวงน าหนก (Weight) ใหเหมาะสม นามาซงคา Output ทใกลเคยงกบเปาหมายมากข น ดงน นจากหลกการทางานดงกลาวขางตน เราจงสามารถนาโครงขายใยประสาทเทยมมาประยกตเพอใชในการแกปญหาตางๆ ไดอยางกวางขวาง (สถาบนพฒนาการชลประทาน, 2551)
กระบวนเรยนรส ำหรบระบบโครงขำยใยประสำทเทยม
กระบวนการเรยนรเปนการหาความสมพนธระหวางขอมลและผลลพธทตองการ เพอสรางน าหนกถวง (Weight) ทเหมาะสม สามารถแบงไดเปน 3 ประเภท (เสร, 2544) คอ
ก. การเรยนรแบบมครสอน (Supervised Learning)
ข. การเรยนรแบบเสรม (Reinforcement)
ค. การเรยนรแบบไมครสอน (Unsupervised Learning)
วธการเรยนรแบบมครสอนและมระบบการเชอมโยงแบบเคลอนไปขางหนาหลายช น (Multilayer feed forward, MLFF) ทนยมและมประสทธภาพคอการเรยนรแบบแพรกลบ (Back propagation, BP) โดยใชฟงกชนการกระตน (Activation function) ทสามารถหาอนพนธไดงาย ในการปรบคาถวงน าหนกเพอทจะลดความผดพลาดของการคานวณในแตละรอบ ในระหวางการเรยนร รปแบบของขอมลปอนเขา (Input) จะถกสงผานไปขางหนา ตามลาดบช นจนไดผลการคานวณของรปแบบผลลพธ (Output) จากน นผลการคานวณจะถกนามาเปรยบเทยบกบขอมลจรงหรอขอมลเปาหมาย (Target) เพอนหาความคลาดเคลอนทเกดข น คาความคลาดเคลอนดงกลาว จะนามาใชเปนขอมลปอนเขา (Input) ยอนกลบ ซงจะทาการปรบคาถวงน าหนกในทศทางยอนกลบดวย (ทองเปลว, 2546) ดงรปท 5 และมการคานวณดงสมการท (3 – 6) และภาพท 6
รปท 6 โครงขายแบบ MLFF และเรยนรแบบ BP (เสร, 2544)
รปท 7 ข นตอนการแปลงคาจากขอมลนาเขาในช น m-1 จนเปนผลลพธในช น m (ธวชชย, 2544)
กระบวนการเรยนร Back propagation ทเปนมาตรฐานสาหรบปญหาการพยากรณน นมจานวน 6 ขอ ดงตอไปน (ดาเกง, 2544)
1) เรมตนดวยการกาหนดคาถวงน าหนก (Weight) และคา Bias ทกตวใหมคานอยๆ
กระบวนการไปขางหนา (Forward pass) :
2) กาหนดใหขอมลนาเขา (Input Unit) คอ I1, I2, … , Ino พรอมท งกาหนดผลการพยากรณ (Output Unit) คอ t1, t2, … , tnl
3) สาหรบช น m = 1, 2 , … , l : (ก) คานวณคาของ node ใน hidden layer ถดไปจากสมการ
Nj,m =
1
1
,1,,
mn
i
mjmimji Ow …….(3)
เมอ Oi,o = Ii Nj , m = ผลรวมของนวรอน j ในช น m Wji , m = คาถวงน าหนกระหวางโหนด(node) j ในช น m และโหนด i ในช น m-1 θ = คาความเอนเอยง (bias value) ของนวรอนในช น j
(ข) คานวณคาผลลพธ (Output)
Oj,m = mj
n
e,
1
1
; j = 1,2,….,nm …….(4)
เมอ Oj,m = ผลลพธของนวรอน j ในช น m
4) เปรยบเทยบคาพยากรณสดทาย O1,l , O2,l , … , Onl,l กบคาจรง t1 , t2 , … , tnl ถาคาทพยากรณ (Target Unit) ตางจากคาจรงเกนกวาเกณฑทกาหนด (ตางกนไมเกน 5%) แบบจาลองจะคานวณยอนกลบ (Backward pass) เพอปรบแกคาถวงน าหนก แตถาคาพยากรณตางจากคาจรงไมเกนเกณฑทกาหนด แบบจาลองจะหยดการคานวณและจาคาถวงน าหนก ฯลฯ ไว
กระบวนการยอนกลบ (Backward pass) :
5) การปรบแกคาถวงน าหนก จะเรมจาก Layer ในลาดบท m=l , l-1 , l-2 , … , 1 (ก) สาหรบคา Weight ทเปลยนแปลงไป :
ΔWji,m(n+1) = ηδj,m Oi,m-1 + αΔWji,m(n) …….(5)
เมอ ΔWj,m(n+1) = คาปรบแกของคาถวงน าหนกระหวางโหนด j ในช น m และโหนด i ใน ช น m-1 ในรอบท n+1
n = จานวนรอบของการทาซ า (n = 1,2,3,…) η = คาคงทสาหรบการเรยนร (Learning parameter) α = คาโมเมนตม (Momentum parameter) ΔWji,m(n) = คาการปรบแกของคาถวงน าหนกระหวางโหนด j ในช น m และคาโหนด i
ในช น m+1 รอบท n
(ข) สาหรบคา j = 1, 2, …, nm ทาการคานวณคา :
Oj,m(1-Oj,m)(tj-Oj,m) ในช นผลลพธ (Output layers) mj ,
=
Oj,m(1-Oj,m) 1,
1
1,
1
mk
n
k
mkj
m
W ในช นซอน (Hidden layers)
tj = คาผลลพธของนวรอน j ในช นผลลพธ
(ค) สาหรบคา Weight ใหม :
ΔWji,m(n+1) = Wji,m(n) + ΔWji,m(n+1) …...(6)
เมอ Wji,m(n) = คาถวงน าหนกระหวางโหนด j ในช น m และคาโหนด i ในช น m+1 รอบท n
Wji,m(n+1) = คาถวงน าหนกระหวางโหนด j ในช น m และคาโหนด i ในช น m+1 รอบท n+1
6) ยอนกลบไปสกระบวนการไปขางหนา (ขอ 2)
ขนตอนกำรท ำงำนเบองตนของระบบโครงขำยใยประสำทเทยม (สถาบนพฒนาการชลประทาน, 2551)
6.1 การกาหนดโครงสรางแบบจาลองระบบโครงขายใยประสาทเทยมเบ องตน โดยทวไปกาหนดแบบ 3 ช น (Layer) คอ ช นรบขอมล (Input Layer) ช นซอน (Hidden Layer) และช นแสดงผล (Output Layer) การกาหนดหนวย (Node) ของช นซอน โดยปกตจะสมคาใกลเคยงกบจานวนขอมลนาเขา (Input) 6.2 Data Pre-Processing ขอดของแบบจาลองระบบโครงขายใยประสาทเทยม คอหนวยของขอมลนาเขาแตกตางกนได เชน ปรมาณน าทาเปน ลบ.ม./วนาท ปรมาณน าฝนมหนวยเปน มลลเมตร เปนตน จาเปนตองมการแปลงคาตวเลขของขอมลนาเขาดงกลาวกอนใหอยในชวง 0-1 โดยสมการท 7
9.0
'
aab yy
t
t
...... (7)
โดยท yt = คาจรง
a = คาตาสดทได
b = คาสงสดทได
y’t = คาทใชปรบ (ไดจากข นตอน Data Pre-processing)
6.3 Data Post-Processing หลงจากทไดโครงสรางแบบจาลองระบบโครงขายใยประสาทเทยม ทดทสดแลว ผลพยากรณจะถกแปลคากลบจากชวง 0-1 มาเปนคาเดม โดยสมการท 8
5.0
9.0'
ab
ayy
t
t
...... (8)
6.4 คาถวงน าหนกและคา Bias เรมตน (Initial weights and Bias) คอมพวเตอรจะสมคาถวงน าหนกโดยเรมตนจากคานอยท งคา + และคา – และจะสมปรบคาอยระหวาง -3 ถง +3 โดยผลรวมของคาถวงน าหนกจะมคาเขาใกล 0 เพอการเรยนรของ ANNs เรวข น 6.5 การกาหนดในการใหแบบจาลอง ANNs หยดทางาน โดยแบบจาลองจะหยดทางานเมอขอแตกตางระหวางผลรวมของคาพยากรณและคาจรงมคานอยกวาคาทกาหนด (Target Error) ปกตจะกาหนดคาแตกตางไมเกน 5 % (0.05) 6.6 Learning Rat (LR) และ Momentum Rate (MR) คา Learning Rat (LR) จะมผลตอการเปลยนแปลงคาถวงน าหนกระหวางหนวย (Node) ถาคา LR สงจะทาใหการ Run แบบจาลองจบเรวข น แตถาสงมากเกนไปจะเกดการแกวงของผลแตกตางระหวางคาทานายจรงทได คอคาแตกตางจะไมลดนอยลงเรอยๆ แบบทควรจะเปน ซง Rumellhart และคณะ (1986) ไดแกปญหาการแกวงข นลงน โดยกาหนดคา
Momentum Rate (MR) ข นมา ปญหาของการใชแบบจาลอง ANNs คอการหาคา LR และ MR ทเหมาะสมซงจาเปนตองใชวธ ลองผดลองถก (Trial and Error) โดยทวไปคา LR จะยระหวาง 0.01 – 1.0 และคา MR จะยระหวาง 0-1
รปท 8 ผงข นตอนการทางานแบบ Back Propagation Neural Model (สถาบนพฒนาการชลประทาน, 2551)
รปท 9 ผงการทางานแบบ Back Propagation โดยละเอยด (สถาบนพฒนาการชลประทาน, 2551)
โครงสรำงระบบโครงขำยใยประสำทเทยม (ANNs) แบบ Multilayer Feed Forward (MLFF)
โครงสราง ANNs แบบ Multilayer Feed Forward (MLFF) เปนโครงสรางทสามารถเพมจานวนช นในช นซอนไดหลายๆ ช น มความเหมาะสมกบปญหาทมความซบซอน และใหโครงสรางของ ANNs มการเรยนรแบบ Back – Propagation (BP) เพราะเปนกระบวนการเรยนรทสามารถประยกตใชกบโครงสรางของ ANNs แบบ MLFF ไดทกรปแบบ และอนงจากผลของหลายการศกษายงพบวา เปนกระบวนการเรยนรทปรบคาความผดพลาดไดอยางมประสทธผล อกท งจะเปนการทดสอบและยนยนวาการเรยนรแบบน มประสทธภาพจรง โดยใชฟงกชนซกมอยด (sigmoid function) เปนฟงกชนแปลงคา (transfer function) เนองจากสามารถหาอนพนธไดงาย ตามสมการท (9) ซงจะใหคาอยระหวาง 0 – 1 (ทองเปลว, 2546)
ก ำหนดคำ LR, MR ฯลฯ และสมคำถวงน ำหนก
อำนผลกำรพยำกรณของชดขอมลส ำหรบทดสอบ
อำนขอมลน ำเขำ
ค ำนวณไปขำงหนำและอำนผลพยำกรณ
ค ำนวณคำแตกตำง (RMSE) ระหวำงคำพยำกรณกบคำจรง
RMSE < คำก ำหนด ?
เกบคำถวงน ำหนกเพอใชกบชดขอมลส ำหรบทดสอบ
ปรบคำถวงน ำหนกเพอลด RMSE
ไม
x
xf
exp1
1 …...(9)
จากการใชฟงกชนซกมอยด (Sigmoid function) ซงมผลลพธอยในชวง 0 – 1 จงตองแปลงคาขอมลปอนเขาใหอยในชวง 0 – 1 ดวย โดยใชฟงกชนสดสวน (scaling function) ตามสมการท (10) และแปลงคาขอมลผลลพธยอนกลบเปนคาเดมดวยสมการท (11)
minmax
min
XX
XXX
i
i
......(10)
min
'
minmaxXXXXX
ii ......(11)
เมอ i
X = ขอมลปอนเขา
'
iX = ขอมลปอนเขาทแปลงคา
min
X = คาตาสดของขอมลปอนเขา
max
X = คาสงสดของขอมลปอนเขา
