รายงานการวจย

เรอง

การเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลาย

สารอนทรยโดยแบคทเรย: กรณศกษาคลองแสนแสบ

(Comparison of Adaptive neuro-fuzzy inference system and Artificial neural network for estimation of Biochemical Oxygen Demand parameter in

surface water: A case study of saen saep canal)

โดย

ศรลกษณ อารรชชกล

ไดรบทนอดหนนจากมหาวทยาลยราชภฏสวนสนนทา

ปงบประมาณ 2555

รายงานการวจย

เรอง

การเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลาย

สารอนทรยโดยแบคทเรย: กรณศกษาคลองแสนแสบ

(Comparison of Adaptive neuro-fuzzy inference system and Artificial neural network for estimation of Biochemical Oxygen Demand parameter in

surface water: A case study of saen saep canal)

คณะผวจย สงกด

1.ศรลกษณ อารรชชกล คณะวทยาศาสตรและเทคโนโลย

ไดรบทนอดหนนจากมหาวทยาลยราชภฏสวนสนนทา

ปงบประมาณ 2555

ข

ชอรายงานการวจย : การเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย: กรณศกษาคลองแสนแสบ

ชอผวจย : ศรลกษณ อารรชชกล ปทท าการวจย : 2555

บทคดยอ

งานวจยนเปนงานวจยเกยวกบการเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD): กรณศกษาคลองแสนแสบ โดยแบบจ าลองโครงขายทงสองแบบไดถกพฒนาขนมาจากขอมลทไดถกเกบบนทกมาจาก 11 จดเกบตวอยาง โดยส านกงานการระบายน ากรงเทพมหานครระหวางป 2547-2554 ซงก าหนดใหพารามเตอรจ านวน 5 พารามเตอรเปนตวแปรอสระหรอขอมลน าเขาเพอไปเรยนรในแบบจ าลองซงประกอบไปดวย ปรมาณออกซเจนทละลายในน า (DO) ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า (COD) ปรมาณแอมโมเนย-ไนโตรเจน (NH3N) ปรมาณไนเตรท-ไนโตรเจน (NO3N) และปรมาณแบคทเรยกลมโคลฟอรมทงหมด (total coliform) หลงจากทไดท าการวจยแลวจ านวนโหนดในชนซอนทเหมาะสมทสดในการสรางแบบจ าลองโครงขายใยประสาทประดษฐเพอท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยคอ จ านวน 8 โหนด และผลจากการทดสอบประสทธภาพและความเหมาะสมของแบบจ าลองโครงขายใยทงสองแบบเมอเปรยบเทยบกบขอมลทไดถกจดเกบมาในอดตแบบจ าลองโครงขายใยประสาทประดษฐสามารถท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยในอนาคตของคลองแสนแสบไดมประสทธภาพกวาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ โดยมคาสมประสทธสหสมพนธทไดอยในระดบสง และมคาความคลาดเคลอนของขอมลทไมมากนก ซงแบบจ าลองทไดสามารถน าไปใชเพอการวางแผนในการบ าบดและรกษาคณภาพน าได

www.ssru.ac.th

ค

Abstract Research Title : Comparison of Adaptive neuro-fuzzy inference system and Artificial

neural network for estimation of Biochemical Oxygen Demand parameter in surface water: A case study of saen saep canal.

Author : Mrs. Sirilak Areerachakul Year : 2012

ABSTRACT

This research is concerned with the comparison of Adaptive neuro-fuzzy inference system model and Artificial neural network model for the estimation of Biochemical Oxygen Demand parameter in surface water: A case study of saen saep canal. The neural network model is developed using experimental data from 11 sampling sites of Saen Saep canal in Bangkok, Thailand. The data is obtained from the Department of Drainage and Sewerage, Bangkok Metropolitan Administration, during 2004-2011. The five parameters of water quality namely Dissolved Oxygen (DO), Chemical Oxygen Demand (COD), Ammonia Nitrogen (NH3N), Nitrate Nitrogen (NO3N), and Total Coliform bacteria (T-coliform) are used as the input of the models. These water quality indices affect the biochemical oxygen demand. The optimal ANN architecture was determined by trial and error method. The ANN architecture having 8 hidden neurons gives the best choice. The experimental results indicate that the ANN model provides a higher correlation coefficient (R=0.73) and a lower root mean square error (RMSE=4.53) than the corresponding ANFIS model.

www.ssru.ac.th

ก

กตตกรรมประกาศ เอกสารงานวจยเลมนส าเรจลลวงไปไดดวยความชวยเหลอเปนอยางด จากวชาสาขาเทคโนโลยสารสนเทศ มหาวทยาลยราชภฏสวนสนนทา และส านกการระบายน ากรงเทพมหานครทใหความอนเคราะหขอมล รวมทงสถานทและอปกรณในการทดลอง เนอหาของเอกสารงานวจยเลมนจะมความสมบรณและถกตองไมได ถาหากไมไดรบความอนเคราะหจากผบรหาร คณาจารยและเจาหนาท จากส านกวจยและพฒนา มหาวทยาลยราชภฏสวนสนนทาทกรณาใหค าแนะน าและความเออเฟอในการใชเครองมอทอ านวยความสะดวกในการจดท ารปเลมเอกสารงานวจย รวมทงเพอนๆคณาจารยทกทานทใหความชวยเหลอ แนะน าในการเอกสารงานวจย และคณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏสวนสนนทา ทเอออ านวยคอมพวเตอรและอนเทอรเนตเพอใชในการสบหาขอมลตางๆ ในการท าเอกสารงานวจยเปนอยางด ผจดท าจงขอขอบคณมา ณ โอกาสน

ทายสดน ขอกราบขอบพระคณบดา มารดา และขอขอบคณพ นอง และเพอนๆทไดชวยสงเสรมสนบสนน และเปนก าลงใจตลอดมาส าหรบการท าวจยในครงน

ศรลกษณ อารรชชกล

กรกฎาคม 2555

www.ssru.ac.th

ง

สารบญ หนา กตตกรรมประกาศ ก บทคดยอภาษาไทย บทคดยอภาษาองกฤษ

ข ค

สารบญ ง สารบญรป ช สารบญตาราง ซ บทท 1 บทน า 1 1.1 ความเปนมาและความส าคญของปญหา 1 1.2 วตถประสงคการวจย 2 1.3 ขอบเขตการวจย 2 1.4 ประโยชนทคาดวาจะไดรบ 3 บทท 2 งานวจยและทฤษฎทเกยวของ 4 2.1 คณภาพน า 4 2.2 การประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย 5 2.3 โครงขายใยประสาทประดษฐ

2.4 โครงขายประสาทเทยมฟซซ 2.5 งานวจยทเกยวของ

6 13 17

บทท 3 วธด าเนนการวจย 18 3.1 การรวบรวมขอมลปรมาณคาพารามเตอรทมผลตอคณภาพน าในคลอง

แสนแสบ 18

3.2 การศกษาสมประสทธสหสมพนธ 18 3.3 การสรางแบบจ าลองโครงขายใยประสาทประดษฐ

3.4 การสรางแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ 19 25

บทท 4 ผลการศกษาและการอภปรายผล 27 4.1 ผลการศกษาสมประสทธสหสมพนธ 27 4.2 ผลการศกษาแบบจ าลองโครงขายใยประสาทประดษฐ

4.3 ผลการศกษาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ 4.4 การศกษาประสทธภาพของแบบจ าลอง

28 33 34

บทท 5 สรปและขอเสนอแนะ 31 5.1 สรปผลการวจย 37 5.2 ขอเสนอแนะ 39

www.ssru.ac.th

จ

สารบญ (ตอ)

หนา บรรณานกรม 40 ภาคผนวก ก 43 เอกสารการน าเสนอผลงานวจยในระดบนานาชาต 44 ตวอยางการก าหนดคาตวแปรผานโปรแกรมทใชในการสรางแบบจ าลอง 49 ประวตผเขยน 60

www.ssru.ac.th

ซ

สารบญตาราง

ตารางท หนา 3.1 รปแบบขอมลปอนเขา 19 3.2 คาพารามเตอรในโครงขาย 24 4.1 สมประสทธสหสมพนธระหวาง ปรมาณคาออกซเจนทใชในการยอยสลาย

สารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไป และตวแปรตางๆทใชบงบอกคณภาพนา ณ 11 จดเกบในพนทคลองแสนแสบ กรงเทพมหานคร

27

www.ssru.ac.th

ช

สารบญรป รปท หนา 2.1 โครงสรางระบบประสาทในสมอง 7 2.2 กระบวนการท างานของโครงขายใยประสาทประดษฐในโหนดยอย 9 2.3 แสดงจด local minimum และ global minimum 10 2.4 โครงขายใยประสาทประดษฐแบบแพรกลบ 12 2.5 2.6 2.7

กรณ Over fitting โครงสรางของฟซซโมเดลฟซซซเกโน ความสมพนธระหวางโมเดลฟซซทเอส และ ANFIS

12 14 15

3.1 ขนตอนการสรางโครงขายใยประสาทประดษฐ 21 3.2 โครงขายใยประสาทประดษฐทม 3 ชน 23 4.1 โครงขายแบบ 3 ชนของ 11 จดเกบตวอยางในเขตดสต 29 4.2 จดสนสดการสอน 31 4.3 4.4

โครงสรางโครงขายใยประสาทประดษฐทเหมาะสม 5-8-1 โครงสรางแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ

33 34

4.5 4.6

กราฟแสดงความสมพนธระหวางขอมล BOD ทไดจากการจดเกบ กบ ขอมล BOD ทไดจากการท านายโดยใชโครงขายใยประสาทประดษฐ กราฟแสดงความสมพนธระหวางขอมล BOD ทไดจากการจดเกบ กบ ขอมล BOD ทไดจากการท านายโดยใชระบบผสมโครงขายประสาทเทยมฟซซ

35

35

4.7 กราฟแสดงการเปรยบเทยบกลมตวอยางของชดขอมล BOD ทไดคาจากการจดเกบ กบ ขอมล BOD ทคาไดจากการท านายโดยใชโครงขายใยประสาทประดษฐ(ANN) และคาไดจากการท านายโดยใชระบบผสมโครงขายประสาทเทยมฟซซ(ANFIS)

36

www.ssru.ac.th

www.ssru.ac.th

บทท 1

บทน ำ

1.1 ควำมเปนมำและควำมส ำคญของปญหำ ปญหาทางดานสงแวดลอมเปนปญหาทไดเกดขนและทวความส าคญขนตามล าดบจนถง

ปจจบนอนเนองมาจากการเพมจ านวนประชากร และการขยายตวทางดานเศรษฐกจและอตสาหกรรมอยางตอเนอง ปญหาเกยวกบน าและแหลงน ากเปนปญหาหนงซงเกดจากการนและมผลกระทบอยางมากตอระบบนเวศโดยรวม กรงเทพมหานครเปนเมองหลวงของประเทศไทยทไดรบผลกระทบจากการพฒนาเศรษฐกจ ซงจะพบวามการอพยพยายถนของแรงงานเขามาในกรงเทพมหานครเปนจ านวนมาก กอให เกดผลกระทบในเรองของส งแวดลอมใ ห เส อมถอยลงโดยเฉพาะแหลงน าในกรงเทพมหานคร พบวาน ามคณภาพลดลงและคณภาพชวตของผทอยอาศยใกลแหลงน ามคณภาพชวตทลดลง แหลงน าทส าคญและมคาทางประวตศาสตรทไดรบผลกระทบหนงในนนกคอ คลองแสนแสบ ซงเปนคลองทเชอมระหวางแมน าเจาพระยากบแมน าบางประกง เปนแหลงน าทมความส าคญตอการคมนาคมขนสงและการระบายน าในกรงเทพมหานคร

ปจจบนคลองแสนแสบนนไดรบผลกระทบจากการเปลยนโครงสรางทางเศรษฐกจกอใหเกดความเสอมโทรม จนท าใหคลองแสนแสบในอดตทเคยใชประโยชนในการเกษตรไมสามารถน าน าในคลองแสนแสบมาใชประโยชนได ซงจากผลการวเคราะหคณภาพน า พบวาคลองแสนแสบ เปนคลองทไหลผานชมชนในเขตพนทพาณชยกรรมและอตสาหกรรม ซงมคาความสกปรกของน าจดอยในมาตรฐานแหลงน าผวดนตามการใชประโยชนประเภทท 5 โดยใชประโยชนเพอการคมนาคมเทานน โดยน าเสยสวนใหญในคลองแสนแสบนนมาจากบานเรอน รานคา และโรงงานอตสาหกรรมกอใหเกดการเปลยนแปลงทางดานกายภาพและดานสงแวดลอม คณภาพน า ลดลง มกลนเหมน คณภาพชวตของประชาชนทอยรมคลองแสนแสบอยในระดบต าปจจบนจงไดมการพฒนาระบบบ าบดน าเสยขนมาในลกษณะตางๆ ขนมาเพอบ าบดน าเสยอนเกดจากชมชนและโรงงานอตสาหกรรมซงเกนก าลงการบ าบดโดยธรรมชาต โดยทระบบบ าบดน าเสยเหลานจ าเปนจะตองมการตรวจสอบและตดตามอยางสม าเสมอเพอควบคมระบบบ าบดใหสามารถท างานไดอยางมประสทธภาพ การวเคราะหพารามเตอรตางๆทใชตรวจสอบและตดตามระบบบ าบดน าเสยไดอยางมประสทธภาพจงเปนสงส าคญ ซงการทดสอบคณภาพของน านนกสามารถทดสอบไดในหลายๆ ดานทงในดานกายภาพ ชววทยา เคมเปนตน Biochemical Oxygen Demand (BOD) เปนพารามเตอรทส าคญทใชตดตามหรอประเมนประสทธภาพการบ าบดสารอนทรยของระบบบ าบดน าเสยทเปนระบบบ าบดน าเสยแบบชววธ อกทงยงเปนพารามเตอรหนงซงบงบอกถงคณภาพของน าตามแหลงน าตางๆ การทราบคาทแนนอนและรวดเรวจะชวยใหสามารถตดตามและแกไขระบบบ าบดไดอยางทนทวงท แตวธการวเคราะห BOD ของน าเสยตามมาตรฐานซงก าหนดไวใน Standard Method for the Examination of Water and Wastewater จะตองใชเวลาไมนอยกวา 5 วน มขนตอนในการท าหลายขนตอน อกทงยงสนเปลองแรงงานและคาใชจายมาก

www.ssru.ac.th

2

งานวจยนมการน าขอมลจ านวนมากดานคณภาพคณภาพน าทไดมการจดเกบจากส านกการระบายน ากรงเทพมหานครมาท านายหาคาระดบออกซเจนจากคาพารามเตอรทมผลกระทบกบออกซเจน โดยใหคอมพวเตอรเปนเครองมอชวยในการหาค าตอบทตองการในรปแบบของเครองจกรการเรยนร (machine learning) ซงเกดจากการพฒนาโปรแกรมทางคอมพวเตอร ทสามารถเรยนรไดจากชดขอมลทจดเตรยมไวให โดยระบบทสรางขนจะตองสามารถเรยนร เพอสรางแนวความคดครอบคลมชดขอมล จากนนน าแนวความคดทสรางไปจ าแนกชดขอมลใหมทระบบไมเคยเรยนรมากอน (สกร สนธภญโญ และ บญเสรม กจศรกล, 2541)

เครองจกรการเรยนรสามารถแบงเปนสาขาตาง ๆ เชน โครงขายใยประสาทประดษฐ (Artificial Neural Networks, ANNs) โครงขายประสาทเทยมฟซซ (Adaptive Neural Fuzzy Inference Systems, ANFIS) การเรยนรแบบตนไมตดสนใจ (Decision Tree Learning, DTL) การโปรแกรมตรรกะเชงอปนย (Inductive Logic Programming, ILP) และการเรยนรโดยใชตวอยาง (Instance-Based Learning, IBL) (วรวฒ ศรสขค า, 2547) ดงนนการวจยในครงนจงใชเทคนคการท าเหมองขอมลซงเปนกระบวนการทางวทยาการคอมพวเตอรและเทคโนโลยสารสนเทศมาท าการบนทกขอมลคณภาพน าในอดตทผานมาท าการเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในอนาคต เพราะถาสามารถรถงปรมาณ BOD ทมอยในน าวามคาเทาใด จะสามารถท าการแกไขใหเกดคณภาพน าทดได โดยการสรางเสรมองคความรและการบรหารจดการทรพยากรน าใหมคณภาพน าทด โดยเฉพาะคาBOD ทมอยในน าถาสามารถมวธปองกนแกไขใหคาBOD อยในระดบทไมสงเกนกวาระดบมาตรฐานได กจะมประโยชนตอชมชน และประชากรทอยรอบๆบรเวณแหลงน านนๆเปนอยางมาก 1.2 วตถประสงคงำนวจย 1.2.1 เพอศกษาและรวบรวมขอมลปจจยทางกายภาพ ชววทยา เคม ทมผลตอการเปลยนแปลงของคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) 1.2.2 เพอท าการวเคราะหเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอท าการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย

1.3 ขอบเขตของกำรวจย ศกษาขอมลการเปลยนแปลงของปรมาณออกซเจนในน าเพอท าการวเคราะหเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซกบแบบจ าลองโครงขายใยประสาทประดษฐเพอใชในการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยทผลตอการเปลยนแปลงคณภาพน า โดยในการวจยในครงนจะใชพนทคลองแสนแสบเปนกรณศกษาในการเกบขอมลและสรางแบบจ าลอง

www.ssru.ac.th

3

1.4 ประโยชนทคำดวำจะไดรบ 1.4.1 ไดแบบจ าลองทมคณภาพและเหมาะสมเพอใชในการประเมนคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในคลองแสนแสบ

1.4.2 สามารถน าผลทไดจากการท านาย ไปเปนเครองมอชวยในการวางแผนในการบ าบดและรกษาคณภาพน าในคลองแสนแสบ

www.ssru.ac.th

บทท 2

ทฤษฎและงานวจยทเกยวของ

2.1 คณภาพน า ปญหามลพษทางนาในเรองนาเสยเกดขนพรอมๆ กบการเจรญเตบโตของชมชน เนองจากนาเสยเกดขนจากการใชนาเพอวตถประสงคตางๆ ในสมยกอนปรมาณนาเสยทเกดขนมจานวนไมมากเมอระบายลงสแหลงนาสาธารณะ ธรรมชาตจะสามรถทาความสะอาดนาเสยไดทน อยางไรกตามเมอมการขยายตวของชมชน และมการพฒนาอตสาหกรรมเพมขน นาเสยกมปรมาณเพมขนจนถงจดทการทาความสะอาดนาเสยทเกดขนตามวธการทางธรรมชาตไมไดผล การเนาเหมนของเสยกปรากฏขนทาใหจาเปนตองมการบาบดนาเสยดวยวธตางๆ ในกระบวนการบาบดนาเสย นาเสยกอนการบาบดทถกรวบรวมและควบคมอตราการไหลเขาสระบบบาบด เรยกวา นาเสยกอนการบาบด (Influent) และเมอนาเสยนนผานการบาบดแลวระบายออกสสงแวดลอม เรยกวา นาทง(Efluent) นาเสยตามพระราชบญญตสงเสรมและรกษาสงแวดลอมแหงชาต หมายถง ของเสยทอยในสภาพทเปนของเหลวรวมทงมวลสารทปะปนหรอปนเปอนอยในของเหลวนน ลกษณะของนาเสยแบงออกได 3 ดาน คอ ดานกายภาพ ดานเคม และดานชวภาพ 1.ลกษณะของนาเสยทางกายภาพ เชน

ปรมาณของแขงทละลายนาไดทงหมด หมายถง ปรมาณของแขงทละลายนาและสามารถไหลผานกระดาษกรองใยแกว แลวนานาไปทกรองได ไประเหยจนแหง แลวจงนาไปอบ

ของแขงแขวนลอย หมายถงปรมาณของแขงแขวนลอยทเหลอคางบนกระดาษกรองใยแกว ความขน หมายถง สมบตทางแสงของสารแขวนลอยซงทาใหแสงกระจาย และดดกลน

มากกวาทจะอมใหแสงผานเปนเสนตรง ความขนของนาเกดการมสารแขวนลอยตางๆ เชน ดน ดนตะกอน

2.ลกษณะของนาเสยทางเคม เชน ออกซเจนละลาย การหาดโอ(DO)หรออกซเจนละลาย สามารถทาไดทงวธทางเคม และใช

เครองวดโดยตรง บโอด(BOD)หมายถง ปรมาณออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย ซโอด(COD)หมายถง ปรมาณออกซเจนทงหมดทตองการใชเพอออกซเดชนสารอนทรยในนา

ดวยสารเคมซ งมอานาจในการออกซไดสสงในสารละลายท เปนกรด ให เปนกาซคารบอนไดออกไซดในนา คาซโอดมความสาคญในการวเคราะหคณภาพนาทง การควบคมระบบบาบดนาทง การควบคมระบบบาบดนาเสย คา COD นมหนวยเปน มลลกรม/ลตร

www.ssru.ac.th

5

คาความกรด-ดาง(pH)มความสาคญในการควบคมคณภาพนาและนาเสยควบคมใหเหมาะสมกบการเจรญเตบโตของสงมชวต เพอไมใหเกดการกดกรอนของทอ เพอใชในการควบคมสารเคมทใชบาบดนาเสยใหทางานไดอยางมประสทธภาพ โดยทงไปนามคา pH อยในชวง 5-8 คา pH เปนคาทแสดงปรมาณความเขมขนของอนภาคไฮโดรเจนในนา

ไนโตรเจน เปนธาตทมความสาคญในการสงเคราะหโปรตน ทาใหพชนามการเจรญเตบโตไดอยางรวดเรว

สารโลหะหนกชนดตางๆขนอยกบชนดของอตสาหกรรม สารโลหะหนกยอมใหมไดในนาในปรมาณทนอยมากเนองจากบางตวใหความเปนพษสง แตบางชนดหากทปรมาณไมมากนกจะมผลดตอสงมชวตในนา

3.ลกษณะของเสยทางชวภาพ เชน แบคทเรย คอ จลนทรยเซลลเดยว มขนาดเลก ไมสามารถมองเหนไดดวยตาเปลา เปนผยอย

สลายในแหลงนา รา เปนจลนทรยทมหลายเซลล ไมมคลอโรฟลล รามความสาคญในการยอยสลายพวก

คารบอนทมคา pH ตา รามบทบาทสาคญในการยอยสลายสารอนทรยในระบบบาบดนาเสยบางระบบ

โดยแหลงกาเนดนาเสยสามารถ แบงไดหลกๆดงน 1.นาเสยจากชมชน หมายถง นาทเกดจากการใชประโยชนในกจกรรมตางๆ และระบายนาทงลงสทอระบายนา แหลงรองรบนาเสย หรอแหลงนาธรรมชาต โดยไมไดผานการบาบด 2.หาปรมาณออกซเจนทจลนทรยใชยอยสลายสารอนทรยตางๆในนาเสย วธนถอวาเปนวธทางชววทยา 3.หาปรมาณจลนทรยในนา 4.วดความเขมขนของสารตางๆทละลายอยในนา 2.2 การประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) BOD หมายถงปรมาณออกซเจนทแบคทเรยใชในการยอยสลายสารอนทรยชนดทยอยสลายไดภายใตออกซเจน โดยจลนทรยจะใชออกซเจนทละลายอยนาเพอการเจรญเตบโต หากมคา BOD สง แสดงวาปรมาณออกซเจนจะถกใชไปมาก และแสดงวามปรมาณสารอนทรยในนามากดวย นาจงมความสกปรกสง ดงนนการตรวจวดคา BOD จงตองกระทาภายใตสภาวะทเหมอนกบเกดขนในธรรมชาตมากทสด นนคอ ตองทาการอบ(Incubate) ทอณหภมประมาณ 20 องศาเซลเซยส ซงเปนอณหภมทใกลเคยงกลบนาทวไป และใชเวลาในการอบ 5 วน เนองจากเปนระยะทเหมาะสมตอการยอยสลายของแบคทเรย หากใชเวลานอยกวานจะมการใชออกซเจนนอย แตถาใหระยะเวลานานเกนไป ปฏกรยายอยสลายจะเกดในทศทางยอนกลบ ทาใหไมไดคาทแทจรง ดงนนจงเรยกคา BOD มาตรฐานนเรยกวา BOD5

การประมาณการคาปรมาณออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยทมอยในนาสามารถบงบอกถงการเปลยนแปลงของคณภาพนาและ ชวยในการประเมนการเฝาระวง

www.ssru.ac.th

6

วางแผนจดการปองกนและแกไขปญหาคณภาพนาไดอยางเหมาะสม โดยเฉพาะบรเวณทมแนวโนมระดบมลพษนาสงหรอเปนบรเวณทมประชากรในกลมทมผลกระทบตอระดบมลพษทางนา เชน บรเวณอาคารบานเรอนทอยรมนา การคมนาคมทางนา เปนตน ซงจาเปนตองทราบระดบคณภาพทางนา การตรวจวดจรงเปนวธการทใชดาเนนการศกษาทนยมใช แตการตรวจวดจรงนนทาไดจากด เชน สามารถตรวจวดไดเพยงชวระยะเวลาหนง หรอบางครงตองใชเวลามาก ความไมเพยงพอของจานวนเครองมอและงบประมาณมจานวนจากด ดงนน การประมาณคาปรมาณออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยทเปนพารามเตอรหลกตวหนงทสามารถบงบอกถงระดบคณภาพนาไดโดยการใชแบบจาลองโครงขาย ซงเปนอกแนวทางของการเฝาระวงคณภาพนาและ ลดขอจากดของการตรวจวดจรง

2.3 โครงขายใยประสาทประดษฐ (Artificial Neural Network : ANN) แบบจาลองโครงขายใยประสาทประดษฐ ประกอบดวย ระบบการคานวณแบบไมเปนเชงเสนซงมวธการดาเนนระบบเปนแบบขนานและมรปแบบการเรยนรแบบโครงขายใยประสาทชวภาพ(Lippmann, 1987) โดยประกอบไปดวยนวรอล (หรอ โหนด หรอ หนวยประมวลผล) ซงรวมกนอยเปนชน ๆ ซงสามารถรบขอมลเขาไดหลายคา และสามารถคานวณผล โดยจะใหผลลพธคาเดยวหรอหลายคากได (Klimasauskas, 1993) ซงการคานวณในระบบประกอบไปดวยฟงกชนงาย ๆ เชนฟงกชนการรวม และ ฟงกชนการคณ (Arciszewski and Ziarko, 1992) โดยมความสามารถในการเรยนรจากตวอยางหลาย ๆ ตวอยาง ซงจะหาแนวทางการแกปญหา แมแตขอมลทถกปอนเขามาไมสมบรณหรอผดพลาด ระบบจะเปรยบเทยบผลลพธทคลาดเคลอน และปรบเปลยนวธการประมวลผลเพอใหผลลพธถกตองทสด ระบบจะประมวลผลขอมลโดยคอมพวเตอรอยางรวดเรว (Flood and Kartam, 1994) 2.3.1 แนวคดพ นฐานของโครงขายใยประสาทประดษฐ Lippmann (1987), Chester (1993) และ Kireetoh (1995) ไดอธบายถงนวรอลวาคลายกบระบบประสาทของมนษย โดยรบสญญาณขอมลทสงเขามา และจะถกกระตน แตละเซลลประกอบดวย ปลายในการรบกระแสประสาท เรยกวา "เดนไดรท" (Dendrite) ซงเปนขอมลปอนเขาและปลายในการสงกระแสประสาท เรยกวา "แอคซอน" (Axon) ดงรปท 2.3 ซงเปนเหมอนขอมลทสงออกมาของเซลล เซลลเหลานทางานดวยปฏกรยาไฟฟาเคม เมอมการกระตนดวยสงเราภายนอกหรอกระตนดวยเซลลดวยกน กระแสประสาทจะวงผานเดนไดรทเขาสนวเคลยส ซงจะเปนตวตดสนวา ตองกระตนเซลอน ๆ ตอหรอไม ถากระแสประสาทแรงพอ นวเคลยสกจะกระตนเซลอน ๆตอไปผานทางแอคซอนของมน ผลการกระตนดวยสงเราทเหมอนหรอมลกษณะพเศษบางอยางเหมอนกน จะใหผลลพธสดทายเปนคาทคอนขางแนนอน

www.ssru.ac.th

7

รปท 2.1 โครงสรางระบบประสาทในสมอง

โครงขายใยประสาทประดษฐเปนปญญาประดษฐ (Artificial Intelligence) ทสรางเลยนแบบระบบประสาทของมนษย (Lippmann, 1987; Caudill and Butler, 1990; Klimasauskas,1993; Medsker et al., 1993) โดยระบบการทางานตาง ๆ ของโครงขายใยประสาทประดษฐมลกษณะคลายกบระบบประสาทของมนษย คอ มการเรยนรจากประสบการณทไดรบ และสามารถใหคาตอบไดแมแตขอมลทปอนเขาจะผดพลาด หรอไมสมบรณ โดยหาวธการแกปญหาจากประสบการณการเรยนรทผานมา และสามารถทจะพฒนาใหไปเปนโปรแกรมทสามารถโตตอบกบมนษยได 2.3.2 การสรางแบบจาลองโครงขายใยประสาทประดษฐ โครงขายใยประสาทประดษฐ คอ เครองจกรการเรยนร ตงอยบนพนฐานความคดเกยวกบการปรบปรงตวแปรควบคมตาง ๆ ภายในดวยตวมนเอง โดยมองคประกอบภายในระบบซงประกอบไปดวย 5 องคประกอบหลก คอ หนวยการเรยนร, โครงขายใยประสาท, แผนการเรยนร,กระบวนการเรยนร และ กระบวนการวเคราะห (Adeli, 1992) ซง Elazouni et al. (1997) ไดจาแนกสวนประกอบของโครงขายใยประสาทประดษฐ เป น 3 ขน คอ 1) การออกแบบ 2) การสราง แบบจาลอง และ 3) การทดสอบและหาผลลพธโดยขนการออกแบบจะประกอบไปดวยกน 2 สวน คอ การวเคราะหโครงสรางของปญหา และการวเคราะหปญหา สวนขนการสรางแบบจาลอง จะแบงยอยออกเปน 3 ขนตอนคอ1) การเลอกขอมล 2) การเลอกรปแบบโครงขาย 3) การสอนและการทดสอบโครงขาย 2.3.3 ขอมลปอนเขา โครงขายใยประสาทประดษฐ ประกอบไปดวยตวแปรอสระ หรอ ขอมลปอนเขาและตวแปรตาม หรอ ผลลพธ โดยหลกการเลอกตวแปรทใชในโครงขายทเกยวของจะม 2 แบบ(Smith, 1993) คอ วธแรก ขอมลจะตองถกแปลงรปใหอยในรปทเหมาะสม และวธทสอง คอการเลอกขอมลโดยใชพนฐานระหวาง predictiveness และ covariance โดยปกตแลว ตวแปรอสระทถกเลอกจะมความสามารถในการทานายผลหากตวแปรทเลอกมความสมพนธกนในทางตรงกนขามหากตวแปรอสระ 2 ตวมความสมพนธตอกน จะทาใหแบบจาลองมความออนไหว (sensitive) และเกดปญหาท

www.ssru.ac.th

8

เรยกวา over fitting และ limit generalization ดวยเหตผลน การเลอกขอมลจะตองเลอกเฉพาะตวแปรอสระทมความสามารถทานายผลเพอใหได ผลลพธหรอตวแปรตาม โดยตวแปรอสระทเลอกมานนจะตองไมมความสมพนธกน แตอยางไรกด กขนอยกบรปแบบของโครงขายทใชและเพอทจะลดจานวนตวอยางทใชในการสอนและเวลาทใชในการเรยนร กควรจะตองมการคดเลอกขอมลปอนเขาใหเหมาะสม เพราะการคดเลอกขอมลเปนปจจยทสาคญในการสรางแบบจาลอง (Wu and Lim, 1993) 2.3.4 ช นซอน (Hidden Layer) ชนซอนเปนชนประมวลผลทอยระหวางชนขอมลปอนเขา และชนแสดงผลลพธโดยปกตแลว ชนซอนอาจมมากกวา 1 ชน โดยโครงขายจะสามารถประมวลหาฟงกชนทเหมาะสมจากปญหาทซบซอนไดหากมชนซอนทมากพอ (Lippmann, 1987) ขอมลทไดจากชนซอนจะไดเปนตวแปรใหมทจะถกสงตอใหกบชนแสดงผลลพธ หรอชนตวแปรตาม ถาโครงขายแบบแพรกลบ (Back-propagation) มชนซอนทนอยเกนไปแลวจะทาใหโครงขายไมสามารถทจะหาทางแกปญหาได (Karunasekera, 1992) แตถงอยางไรกตามถาเกดโครงขายมชนซอนทมากจนเกนไป จะทาใหโครงขายมระยะเวลาในการเรยนรนาน William (1993) ไดใหขอคดเหนวา หากมชนซอนทมากกจะไมชวยใหโครงขายมประสทธภาพมากขน หรออกนยหนง Rumelhart (1988) ไดกลาววาการทมโหนดในแตละชนทมากเกน จะทาใหโครงขายไมสามารถทจะหาจดสนสดได การทมโหนดในชนซอนมากเกนจะทาใหเกดปญหาทเรยกวา over fitting โดยโครงขายจะจาลองโครงสรางใหมเกนความเปนจรงจาก noise ของขอมล แทนทจะหาฟงกชนทเหมาะสมในการวเคราะหปญหาใหถกตองตามทควรจะเปน (Smith, 1993)ดงนน การทจะทาใหโครงขายเกดประสทธภาพสงสด ตองกาหนดใหมโหนดใน ชนซอนอยใหนอยเทาทจะเปนไปได (Khan, Topping and Bahreininejad, 1993) Berke และ Hajela(1991) ไดใหความเหนวา จานวนของโหนดในชนซอนควรอยระหวางคาเฉลยของผลรวมของ โหนดในชนขอมลปอนเขา และชนแสดงผลลพธ Rogers และ Ramarsh (1992) ไดใหความคดเหน วาในการกาหนดโหนดในชนซอนควรจะดจากผลรวมของโหนดในชนขอมลปอนเขาและชนแสดงผลลพธ Soemardi (1996) ไดแสดงความเหนวา จานวนโหนดในชนซอนควรจะมคาเทากบรอยละ75 ของโหนดในชนขอมลปอนเขา ดงนนจงสรปจากขอคดเหนไดวาจานวนโหนดในชนซอนทมากทสดควรจะเทากบผลรวมของโหนดในชนขอมลปอนเขา และชนแสดงผลลพธ และจานวนโหนดทนอยทสดควรจะเทากบรอยละ 75 ของโหนดในชนขอมลปอนเขา หรอ เทากบคาเฉลยของผลรวมของโหนดในชนขอมลปอนเขาและชนแสดงผลลพธ 2.3.5 คาถวงน าหนกและไบแอส (Weights and biases) คาถวงนาหนกถกแทนดวยตวเลขเพอแสดงถงความแรงในการเชอมตอของโหนดแตละโหนดทถกเชอมตอเขาดวยกน ซงผลรวมของคาถวงนาหนกทปอนเขาจะไปปรบปรงการประมวลผลในแตละโหนด คาถวงนาหนกคอคาความแรงสมพทธ (ในทางคณตศาสตร) ของการเชอมตอซงสงผลตอการสงผานขอมลจากชนหนงไปยงชนตอไป (Medsker et al., 1993) โดยปกตคาถวงนาหนกจะถกกาหนด และเรมปอนเขาสโครงขายในขนตอนการเรยนร ซงตองมหลกการในการกาหนดคา เพอทจะใหโครงขายสามารถแกโจทยปญหา และลดเวลาการเรยนรได สาหรบโครงขายใด ๆ คาถวง

www.ssru.ac.th

9

นาหนกจะมคาเทากบผลคณของจานวนโหนดของทก ๆ การเชอมตอ และคาของไบแอสจะเทากบผลรวมของจานวนโหนดของทก ๆ การเชอมตอ 2.3.6 ฟงกชนการรวมและฟงกชนการแปลงคา (Summation and transfer function) ฟงกชนการรวม คอ ฟงกชนการหาผลเฉลยคาถวงนาหนกของทก ๆ โหนดทเชอมตอกน โดยมขนตอนคอ นาคาของขอมลป อนเขา (Input) ในแตละโหนดคณกบคาถวงนาหนกของแตละโหนดและรวมผลลพธของทก ๆ โหนดเขาดวยกน ดงรปท 2.5 สวนฟงกชนการแปลงคาคอ ความสมพนธระหวางระดบการกระตนภายในโหนด (N) กบผลลพธทได (Output) โดยจะอยในรปของฟงกชนซกมอยด f(N) โดยมขอแมวา 1) มความตอเนอง 2) คาของฟงกชนซกมอยดจะตองเพมขนเมอ N เพมขน (Smith, 1993)

รปท 2.2 กระบวนการทางานของโครงขายใยประสาทประดษฐในโหนดยอย

2.3.7 อตราการเรยนรและโมเมนตม (Learning rate and momentum) ถาโครงขายทมอลกอลทมแบบแพรกลบ (Back-propagation) มขนาดทใหญและมชดการสอนโครงขายทใหญจะทาใหโครงขายมการเรยนรนาน (Khan et al., 1993) โครงขายแบแพรกลบ จะมขอจากด คอ ไมสามารถกาหนดเวลาในการเรยนรทแนนอนได โดยโครงขายมโอกาสทจะหลงทาง ไมสามารถคนหาคาตอบทมความผดพลาดนอยทสด ทาใหพบกบคาตอบท local minimumกอนทจะพบ global minimum ได ดงรปท 2.6 ดงนนจงมความสาคญอยางยงในการเลอกอตราการเรยนร และคาโมเมนตมทเหมาะสม สาหรบการใชอลกอลทมแบบแพรกลบ แตถงอยางไรกดหลกการในการหาอตราการเรยนร และคาโมเมนตมทเหมาะสม คอ ตองใชวธลองผด ลองถก (trial-and-error) (Anderson et al., 1993)

www.ssru.ac.th

10

รปท 2.3 แสดงจด local minimum และ global minimum

เมออตราการเรยนรสงจะสงผลใหการเรยนรเปนไปอยางรวดเรวซงอาจจะทาใหการเรยนรจบลงท local minimum แตในทางตรงกนขาม หากใหโครงขายมอตราการเรยนรทตาจะทาใหเวลาทใชในการเรยนรเพอใหเขาใกล global minimum นานขน (Khan et al., 1993) ซงสาหรบ ในแตละชนของโครงขายเดยวกนอาจมคาอตราการเรยนรแตกตางกนได (Bhokha, 1998)สาหรบการแกปญหาทเกดขนนทาไดดวยการป อนคาโมเมนตม ซงจะนาไปคณกบคาถวงนาหนกทถกปรบแกในรอบทผานมา ทาใหอตราการเรยนรเรวขน (Khan et al., 1993) 2.3.8 กระบวนการสอนหรอการเรยนร (Training or Learning) กระบวนการเรยนรเปนกระบวนการหนงในโครงขายทเรยนรจากความผดพลาดโดยมหลกการ 3 ขอ คอ 1) คานวณหาคาตอบ 2) ตรวจสอบคาตอบวาถกตองหรอไม 3) ปรบแกคาถวงนาหนกแลวคานวณใหมอกครง (Medsker et al., 1993) กระบวนการสอน คอ การนาขอผดพลาดจากการคานวณครงกอนมาปรบแกคาถวงนาหนกใหกบการสอนในรอบตอไป ทาใหคาตอบทไดมความถกตองสงขน (Klimasauskas, 1993) ในขนตอนการเรยนรจะเปนกระบวนการทเกยวของกบ การปรบคานาหนกของแตละโหนด โดยอาศยจากประสบการณการเรยนรของโครงขาย การเรยนรของโครงขายในแตละรอบจะนาผลลพธทประมวลได มาเปรยบเทยบกบคาจรงทไดจากการทดลอง ซงอาจจะมความคลาดเคลอน หลงจากนนโครงขายจะยอนกลบไปเรยนรในรอบตอไปพรอมกบการปรบแกคาถวงนาหนกเพอใหการประมวลผลรอบตอไปมความแมนยามากขน Bhokha (1998) ไดกลาววาการปรบแกอาจจะเปนการปรบขนหรอปรบลงกได Klimasauskas (1993) กลาววา การวดผลวาโครงขายสามารถเรยนรไดดเพยงใดจะดจากตวชวดตาง ๆ เชน คาความคลาดเคลอนกาลงสองเฉลย(mean square error) ในชนแสดงผลลพธLippmann (1987) และ Smith (1993) ไดกลาวไววา กระบวนการเรยนรสามารถแบงออกเปน 2 ลกษณะ คอ

www.ssru.ac.th

11

1) การเรยนรแบบมครสอน (supervised training) ซงจะประกอบไปดวย คอนดบของขอมลปอนเขา และผลลพธจรง ซงเมอโครงขายเรมการเรยนรจากขอมลปอนเขา และคานวณหาผลลพธไดแลว จงจะนาไปเปรยบเทยบกบผลลพธจรง เพอหาความคลาดเคลอนซงความคลาดเคลอนดงกลาวจะถกสงกลบเขาไปยงโครงขายพรอมกบการปรบแกคาถวงนาหนกเพอใหโครงขายคานวณผลลพธใหมใหมความคลาดเคลอนนอยทสด 2) การเรยนรแบบไมมครสอน (unsupervised training) ไดคดคนโดย Kohonen (1984) ซงแตกตางจากแบบจาลองทเลยนแบบระบบสมองของมนษย โดยไมตองใชผลลพธจรงมาทาการเปรยบเทยบ แตจะใชคณสมบตทางสถตของขอมลชดทดสอบมาจดกลมเปนหมวดหมหลงจากทปอนขอมลเขาไปแลว แบบจาลองจะทาการประมวลผลลพธทเปนไปไดออกมาเปนชด ๆ (Heaton, 2004) 2.3.8.1 การเรยนรแบบแพรกลบ (Back-propagation) ในชวงป 1950 Rosenblatt ไดสรางโครงขายชนเดยวแบบงาย ๆ ขนมาโดยมชอเรยกวา perceptron หลงจากนนตอมา Widrow และ Hoff ไดสรางอลกอลทมขนมาใหมทสามารถอธบายไดดวยกฎของเดลตา (Delta rule) โดยใชการเรยนรขอมลทมการปรบคาถวงนาหนกซงมชอเรยกวา Widrow-Hoff rule (Lippmann, 1987) ตอมาในป 1986 Rumelhart, Hilton และWilliams ไดศกษาคนควาเพมเตมจนเกดกระบวนการเรยนรแบบแพรกลบ (Back-propagation) หรอเรยกวา Generalized Delta Rule (GDR) การเรยนรแบบแพรกลบน เปนทยอมรบกนอยางแพรหลายโดยเปนการเรยนรแบบมครสอน และมระบบการเชอมโยงแบบเคลอนไปขางหนาหลายชน(multilayer feed forward) (Bhokha, 1998) ดงรปท 2.4 สาหรบวธการเรยนรแบบแพรกลบ จะม การปรบคาถวงนาหนก (w) ในทก ๆ รอบการเรยนรเพอใหเกดคาความผดพลาดทนอยทสด โดยจะเรมตนปรบแกคาถวงนาหนกตงแตชน output หลงจากนนทาการปรบยอนกลบมาทชนซอนชนสดทาย และชนซอนชนตอ ๆ มา จนกระทงถงชนซอนชนแรก

www.ssru.ac.th

12

รปท 2.4 โครงขายใยประสาทประดษฐแบบแพรกลบ

2.3.9 การหยดการสอน (Stop training) การหยดการสอนโครงขายสามารถกระทาได 2 วธ คอ 1) การกาหนดรอบการสอน (Epochs) 2) การกาหนดคา error ทยอมรบได (Bhokha, 1998) Carpenter (1993) ไดแนะนาใหกาหนดจานวนรอบการสอนอยท 20,000 ถง 100,000 รอบ และอกวธ คอ การกาหนดคาความคลาดเคลอนระหวางขอมลจรง และผลลพธทโครงขายสามารถคานวณได (khan et al., 1993) แตขอควรระวงกคอ การสอนโครงขายทนานเกนไปจะทาใหเกดปญหาทเรยกวา over fitting ได ดงรปท 2.5 ซงคอปญหาทโครงขายสามารถทจะเรยนรจนไดผลลพธทมคา error ทนอยทสด แตเมอนามาตรวจสอบความถกตองดวยชดทดสอบแลว ปรากฏวาไมสามารถทจะใหผลลพธไดดจรง (Bhokha, 1998)

รปท 2.5 กรณ Over fitting

www.ssru.ac.th

13

2.3.10 ชดขอมล (Samples) ชดขอมล คอ ขอมลททราบตวแปรตนและตวแปรตามเพอนามาใชสอนโครงขาย Yeh et al. (1993) ไดกลาวไววา แหลงทมาของชดขอมลแบงออกไดเปน 3 ลกษณะ คอ 1) แบบสอบถาม 2) ขอมลทางสถต และ 3) จากการทดลอง โดยชดขอมลดงกลาวจะนามาแบงออกเปน 2 ชด คอ ชดการสอน (Training set) และ ชดทดสอบ (Test set) Klimasauskas (1993) ไดใหความเหนวา ควรใหมจานวนชดการสอนอยางนอย 5 ชด เพอใชในการสอนโครงขาย 2.3.11 การทดสอบโครงขาย (Testing) Smith (1993) กลาววา การทดสอบโครงขายเปนการทดสอบวาโครงขายสามารถทจะเรยนรจากชดการสอน (Training set) ไดดเพยงไร โดยใชชดขอมลทไมเคยใชสาหรบการสอนมาทดสอบ เรยกวา ชดทดสอบ (Test set) ซงโครงขายทสามารถใหผลลพธทแมนยาไดเมอใชชดทดสอบมาทดสอบ จะเปนโครงขายทนาเชอถอในการทดสอบโครงขายสามารถแบงออกไดเปน 2 ลกษณะ คอ 1) แบงขอมลออกเปน 2 ชด (McKim et al., 1996) โดยชดแรกไวสาหรบสอนโครงขายใหจดจารปแบบของขอมล และขอมลชดทสองไวสาหรบทดสอบโครงขาย โดยผลลพธทแตกตางระหวางคาจรง และคาทไดจากชดทดสอบจะถกคานวณออกมาเปนคาผดพลาดของระบบ (system error) ซงคาผดพลาดของระบบทนอย จะแสดงถงความสามารถในการทานายทสง2) ใชชดขอมลทงหมดเปนทงชดการสอน และชดทดสอบ โดยนาชดขอมลทงหมดมาสอนโครงขายกอน และหลงจากนนนาชดขอมลชดเดมมาทดสอบโครงขาย 2.4 โครงขายประสาทเทยมฟซซ (Adaptive Neuro-Fuzzy Inference System : ANFIS) ANFIS เปนโมเดลหนงของฟซซทไดรบการอางถงและนาไปประยกตใชงานหลากหลาย การทางานภายในของ ANFIS เปนการประยกตผสมผสานทงวธการโครงขายประสาทเทยมและฟซซเขาดวยกน ทาใหสามารถนาขอดในแตละวธการมาสนบสนนกนและชวยลดขอจากดของแตละวธการ การปรบตวเรยนรรปแบบของขอมลนบวาเปนขอเดนของโครงขายประสาทเทยม แตดวยขอจากดในเรองการอธบายการปรบเรยนรภายในทยากตอการสอเพอทาความเขาใจเมอเทยบกบในมมมองของมนษยทวไปหรอในภาษาสอทวไป ขณะทพนฐานของโมเดลฟซซซงมการพฒนาจากการตดสนใจแบบตรรกะเชงทวนย (Crisp Logic) ดวยการเปรยบเทยบกฎแบบแบบถา-แลว(if-then) มาเปนการตดสนใจแบบคลมเครอหรอตรรกะแบบฟซซ (Fuzzy Logic) โมเดลฟซซพนฐานทไดรบการอางถง คอ โมเดลฟซซแมนดาน (Mandani Fuzzy) และโมเดลฟซซซเกโน (Sugeno Fuzzy) ทงสองวธการมขอแตกตางหลกทผลคาเอาตพตฟงกชน ความเปนสมาชก (Output Membership Function) ซงวธหลงสามารถเลอกไดทงฟงกชนเชงเสนหรอเลอกเปนคาคงทได กรณโมเดล ANFIS ซงไดรบการพฒนามาจากโมเดลฟซซซเกโน ดงนนในบทนจงเนนอธบายเฉพาะวธทสอง มรายละเอยดในหวขอท 2.4.1 และอธบายการทางานภายในโมเดล ANFIS ในหวขอท 2.4.2 สวนหวขอท 2.4.3 ขยายผลการนา ANFIS ไปใชงาน โดยเรมตนทการฝกเรยนรกอนใชงาน และการนาไปทดสอบและใชงาน ตามลาดบ

www.ssru.ac.th

14

2.4.1 ฟซซโมเดลฟซซซเกโน (Sugeno Fuzzy) โครงสรางของฟซซซเกโนหรอฟซซทเอส (TS: Takagi-Sugeno Fuzzy) แสดงไวดงรปท 2.6 ตวอยางจานวนขอมลอนพตขนาด 2 มต (Dimension) นามาประมวลผลในสวนของฟงกชน ความเปนสมาชกดานอนพต (Input MF) ผลทไดนามาเพอใชประกอบการกาหนดคานาหนกของ กฎ (Rule Weight หรอ Firing Strength) สาหรบใชเปนคาตวแปรของการประมวลผลทเอาตพต และสามารถแสดงความสมพนธในสมการ (2.1)

รปท 2.6 โครงสรางของฟซซโมเดลฟซซซเกโน

(2.1) โดยท n แทนจานวนกฎของฟซซ ขณะท w ไดจากการจบเทยบคาของกฎฟซซทไดจากฟงกชนความเปนสมาชกดานอนพตตามทผเชยวชาญกาหนดขน ซงสามารถเลอกฟงกชนใชไดหลายรปแบบ สาหรบงานวจยนเลอกใชแบบฟงกชนเกาสเซยน (Gaussian Function) เนองจากลกษณะของขอมลมลกษณะกระจายตวทสอดคลองกบฟงกชนเกาสเซยนฟงกชนความเปนสมาชกดานเอาตพต (Output MF) สามารถเลอกใชได 2 รปแบบ คอ ลาดบทศนย (Zero Order) หรอการกาหนดความเปนสมาชกดานเอาตพตดวยคาคงทกาหนดใหคา a = b = 0 และลาดบทหนง (First Order) หรอกาหนดแบบสมการเชงเสน z = ax1 + bx2 + c สาหรบกรณนาไปประยกตใชใน ANFIS เลอกใชแบบหลง โดยแสดงความสมพนธระหวางโมเดลฟซซซเกโนและ ANFIS ในหวขอถดไป 2.4.2 โครงสรางของ ANFIS เพอใหสามารถอธบายขนตอนการฝกเรยนรกอนใชงานได พจารณาทฟซซซเกโนสามารถกระจายรปแบบของโครงสรางออกเปน 5 ชน ดงความสมพนธแสดงในรปท 2.7 โดยสมการ (2.1) สามารถนามาแยกเขยนใหมตามแตละชนของ ANFIS ผลตาม (2.2) ถง (2.7)

www.ssru.ac.th

15

รปท 2.7 ความสมพนธระหวางโมเดลฟซซทเอส และ ANFIS

ชนท 1 หรอชนอนพต กาหนดใหขอมลอนพตแทนดวย x มขนาดมตเทากบ n สามารถ แทนดวยสมการ (2.2) ตวอยางกรณภาพท 2.7 คา n มคาเทากบ 2 (2.2) โดยท 1 ≤ i ≤ n และ แทนหมายเลขระเบยนของขอมลชดทดสอบ ชนท 2 หรอชนการทาคาฟซซ (Fuzzification Layer) กรณงานวจยเลอกใชฟงกชนความเปนสมาชกแบบเกาสเซยน ดงนนผลทไดสามารถแสดงในสมการ (2.3) (2.3)

www.ssru.ac.th

16

โดยท ( ) แทนสญลกษณของเอาตพตในชนท 2 1 ≤ i ≤ n 1 ≤ j ≤ R n แทนขนาดมตของอนพต R แทนจานวนกฎของฟซซ c และ σ แทนคาจดกงกลางและความกวางของฟงกชนความเปนสมาชกเกาส เซยนท ไดจากการกาหนดคาเรมตนดวยฟงก ชนการจดกลมแบบลบออก (Subtractive Clustering Function) ชนท 3 หรอชนกฎของฟซซ (Fuzzy Rule Layer) ในชนนนาผลทไดจากชนท 2 มารวมกนดวยกฎของฟซซทกาหนดขนตามสมการ (2.4) และสามารถเทยบไดกบคานาหนกของกฎ w ในโมเดลฟซซทเอส โดยท (Ru) แทนสญลกษณของเอาตพตในชนท 3 (2.4) ชนท 4 หรอชนนอลมลไลเซชน (Normalization Layer) แสดงผลในสมการ (2.5) โดยท(μ )แทนสญลกษณของเอาตพตในชนท 4 (2.5) ชนท 5 หรอชนการทาคาฟซซใหเปนคาปกต (Defuzzification Layer) แสดงไวใน (2.6) ชนนเทยบไดกบฟงกชนความเปนสมาชกดานเอาตพตของฟซซซเกโน (2.6) โดยท (Df) แทนสญลกษณของเอาตพตในชนท 5 k แทนคาพารามเตอรทไดจากการแกสมการใน สวนของการเรยนรไปขางหนาดวยวธการแกปญหาเมตรกซแบบซโดอนเวรส (Moore-Penrose Pseudo Inverse of a Matrix) ผลทไดคา k มขนาดเมตรกซเทากบ [R × (n +1)] ชนท 6 ชนผลรวมนวรอน (Summation Neuron) หรอ เอาตพตของ ANFIS ตามสมการ (2.7) โดยผลทไดเทากบสมการ (2.1) (2.7) โดยท TS ( k,c, ) แทนฟงกชนฟซซซเกโน สามารถประมวลผลไดเมอมการกาหนดคา อนพต และคาพารามเตอร k,c,

www.ssru.ac.th

17

2.5 งานวจยทเกยวของ จากผลการศกษา Sundarambal.P et al. (2008) ไดพฒนาการสรางแบบจาลองโดยใชระบบโครงขายใยประสาทประดษฐสาหรบทานายปรมาณออกซเจนในสปดาหถดไปในนาทะเลประเทศสงคโปร และ Prybutok et al. (2000) ไดพยายามทจะทานายคาระดบความเขมขนสงสดของโอโซนของแตละวน บรเวณเขตอตสาหกรรมทางตอนเหนอของสหรฐอเมรกา (Houston site) และไดกลาวไววาเปนการยากทจะสรางแบบจาลองใหแมนยาได เนองมาจากตวแปรทางสงแวดลอมมความซบซอนมาก ซงในการศกษาครงนไดทากาสรางแบบจาลอง Neural Network เพอใชในการทานายคาระดบความเขมขนสงสดของโอโซนแตละวนโดยทาการศกษาเปรยบเทยบกบแบบจาลองทางสถตทวไป คอ regression และ Box – Jenkins ARIMA ซงขอมลทใชไดจาก Texas Natural Resource Conservation Commission ประกอบไปดวยคาความเขมขนเฉลยรายชวโมงของโอโซน และ คาเฉลยรายชวโมงของขอมลทางอตอนยมวทยา เชน อณหภม ความเรวลม และทศทางลม รวมทงขอมลมลพษทางอากาศอน ๆ เชน NO NO2 CO2 และ NOx จากสถานตรวจวดอากาศ โดยขอมลนจะเลอกใชในชวงเดอนทมความเขมขนของโอโซนสงสด คอ ตงแตวนท 1 มถนายน ถง 31 ตลาคม เนองจากตองการลดความผดพลาดในการทานายจากปจจยทางดานฤดกาล โดยทขอมลในชวงวนท 1 มถนายน ถง 30 กนยายน จะใชในการสรางแบบจาลอง และไดใหความเหนไววา คาเฉลยของขอมลตวแปรอสระทจะทาใหแบบจาลองสามารถทานายไดดควรจะอยในชวงเวลา 6.00 – 9.00 น. สวนขอมลในชวงวนท 1 – 10 ตลาคม จะใชเปนตวทดสอบแบบจาลอง โดยใชโปรแกรม SAS ในการสรางแบบจาลอง Regression และ ARIMA และใชโปรแกรม NeuralWare III ในการสรางแบบจาลอง Neural Networks หลงจากททาการเลอกตวแปรอสระแลว ตองทาการพจารณาปจจยทสงผลกระทบตอการเกดโอโซนดวย คอ photochemical production และ atmospheric accumulation (Robeson and Steyn, 1990) รวมทงปจจยทสาคญอกประการหนง คอ มลพษทปลดปลอยออกมาจากยวดยานพาหนะบนทองถนน คอ NO NO2 CO2และ NOx หลงจากทาการสรางแบบจาลองทงสามแลวพบวาคา Mean absolute deviations (MAD)ของแบบจาลอง Regression ARIMA และ ANNs มคา 0.025741, 0.02879 และ 0.012945 ตามลาดบและคา RMSE มคา 0.031239, 0.033023 และ 0.016418 ตามลาดบ

www.ssru.ac.th

บทท 3

วธด ำเนนกำรวจย

ในการด าเนนการวจยส าหรบการเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ(ANFIS)กบแบบจ าลองโครงขายใยประสาทประดษฐ (ANN)เพอท าการประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย: กรณศกษาคลองแสนแสบ ประกอบดวยขนตอนดงตอไปน 3.1 กำรรวบรวมขอมลปรมำณคำพำรำมเตอรทมผลตอคณภำพน ำในคลองแสนแสบ ท าการเกบรวบรวมขอมลปรมาณคณภาพน าจากการบนทกขอมลของเจาหนาทส านกการระบายน ากรงเทพตงแตป 2547 – 2554 รวม 8 ป จ านวน 11 จดเกบตวอยางซงเปนจดเกบตวอยางทอยในบรเวณการเชอมตอของเสนทางการไหลของน าของคลองแสนแสบนนก คอ จดเกบท 90 (ตลาดหนองจอก) จดเกบท 91 (ถนนอโศกดนแดง) จดเกบท 92 (ถ.เพชรบร ซ.ประสานมตร) จดเกบท 93 (ซอยเทพลลา) จดเกบท 94 (สะพานบางกะป) จดเกบท 95 (วดบ าเพญเหนอ) จดเกบท 96 (มนบร รร.สตรวทยามนบร) จดเกบท 97 (ปตร.แสนแสบ ของกรมชลประทาน) จดเกบท 98 (สะพานประตน าเวลเทรดเซนเตอร) จดเกบท 99 (ถนนเลยบวาร) และจดเกบท 99.1 (ซ.โรงเรยนสเหราใหม หนองจอก) โดยแตละจดเกบจะประกอบดวยขอมลพารามเตอรทมผลตอคณภาพน าทจดเกบเปนรายเดอน ดงน ปรมาณคาออกซเจนในน า (DO) ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า (COD) ปรมาณแอมโมเนย-ไนโตรเจน (NH3N) ปรมาณไนเตรท-ไนโตรเจน (NO3N) และ ปรมาณแบคทเรยกลมโคลฟอรมทงหมด (total coliform) ซงจะก าหนดใหเปนตวแปรอสระและขอมลปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ใหเปนตวแปรตาม หลงจากนนน าคาตวแปรตาง ๆ มาสรางแบบจ าลองทงสองแบบคอ แบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ (ANFIS) และแบบจ าลองโครงขายใยประสาทประดษฐ (ANN) 3.2 กำรศกษำสมประสทธสหสมพนธ ในการศกษาสมประสทธสหสมพนธ (Correlation Coefficient) ระหวางตวแปรตาง ๆ กบปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย จะใชเทคนควธทางสถตในการวเคราะหเพอหาความสมพนธของตวแปรวามความสมพนธกนมากหรอนอย และเปนการทดสอบวาตวแปรมความสมพนธกนในรปเชงเสนหรอไม รวมถงการทดสอบวาตวแปรมความสมพนธกนในทศทางเดยวกนหรอไม โดยจะใชสญลกษณ R แทนสมประสทธสหสมพนธ ซงถาผลการศกษาทไดพบวา R เปนลบ แสดงวาตวแปรทศกษามความสมพนธในทศทางตรงขามกน แตถา R เปนบวก แสดงวาตวแปรมความสมพนธในทศทางเดยวกน และถา R มคาเขาใกล 1 (ไมพจารณาทเครองหมาย) แสดงวาตวแปรทศกษามความสมพนธกนมาก และในทางกลบกนถา R มคาเขาใกล 0 แสดงวาตวแปร

www.ssru.ac.th

19

มความสมพนธกนนอยแตถาหาก R มคา เทากบ 0 แสดงวา ตวแปรไมมความสมพนธกนเลย โดยคา R สามารถหาไดจากสมการท (3.1)

R = (3.1)

ในการศกษาครงนผวจยไดแยกกรณศกษาสมประสทธสหสมพนธของตวแปรตาม และ

ตวแปรอสระ โดยก าหนดใหมจ านวนตวแปรอสระ 1 ชวงเวลาจดเกบ (โดยมการจดเกบขอมลเดอนละหนงครง) ดงตารางท 3.1

ตารางท 3.1 รปแบบขอมลปอนเขา

ตวแปรอสระ ตวแปรตาม

เวลาป

จจบน

(DO)t (COD)t (NH3N)t(NO3N)t และ (total coliform)t

BODt+1

เวลาย

อนหล

ง 1

ชวงเว

ลา

(DO)t-1 (COD)t-1 (NH3N)t-1 (NO3N)t-1 และ (total coliform)t-1

โดยจะท าการศกษาสมประสทธสหสมพนธตอโดยแยกออกเปน 4 กรณยอย ดงน 1) ตวแปรอสระ กบ (BOD)t+1

2) Log ของตวแปรอสระ กบ (BOD)t+1 3) ตวแปรอสระ กบ Log ของ (BOD)t+1 4) Log ของตวแปรอสระ กบ Log ของ (BOD)t+1

เมอท าการศกษาสมประสทธสหสมพนธของกรณศกษาแบบตาง ๆ แลว จะท าการคด เลอกตวแปรทเหมาะสมเพอน าไปใชในการสรางแบบจ าลองตอไป

3.3 กำรสรำงแบบจ ำลองโครงขำยใยประสำทประดษฐ การประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยโดยใชโครงขาย

ใยประสาทประดษฐประกอบดวยขนตอน

www.ssru.ac.th

20

ใหญ ๆ 4 ขนตอน คอ การเตรยมขอมล การออกแบบโครงขาย การสอนโครงขาย และการตรวจสอบความถกตองของโครงขาย ดงแสดงในหนาถดไป (Jiang et al., 2004) โดยเตรยมขอมลจากจดเกบตวอยาง ซงจะก าหนดใหปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) เปนตวแปรตาม และคาพารามเตอรตวอนๆอก 5 ตวทบงบอกคณภาพน าเปนตวแปรอสระ โดยเรยงขอมลตามเดอน เปนจ านวน 8 ป หรอ 828 ชดขอมล (Patterns) หลงจากนนจะแบงชดขอมลออกเปน 2 ชด คอขอมลชดสอน (training set) และขอมลชดทดสอบ (test set) โดยแบงออกเปนรอยละ 70 และ 30 ตามล าดบ หลงจากนนท าการออกแบบโครงขายโดยก าหนดใหเปนแบบไปขางหนาหลายชน (MLFF) ซงเปนระบบแบบมครสอน โดยจะใชวธการสอนแบบแพรกระจายความผดพลาดกลบ (Error back – propagation algorithm)จากนนน าขอมลชดสอน (training set) ใหโครงขายไดเรยนร โครงขายจะประมวลผลจนไดค าตอบชดหนง ส าหรบค าตอบทโครงขายสามารถค านวณออกมาไดนน จะถกน ามาหาคาความผดพลาดโดยเปรยบเทยบกบคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) จรงจากจดเกบตวอยางวามคามากนอยเพยงใด ถายงมความผดพลาดสงอย ระบบจะยอนกลบไปปรบเปลยนคาถวงน าหนก และท าการสอนตอไปจนกวาคาความผดพลาดระหวางค าตอบทไดจากโครงขาย และค าตอบจรง จะมคานอยในระดบทยอมรบไดซงในขณะเดยวกนนน ชดทดสอบ (test set) จะท าการทดสอบคาความผดพลาดของโครงขายไปพรอมๆ กน เมอคาความผดพลาดจากชดทดสอบมคานอยในระดบทยอมรบได จงจะหยดท าการปรบสอน และไดโครงขายทเหมาะสมส าหรบใชงาน ซงรายละเอยดของขนตอนการสรางโครงขายใยประสาทประดษฐในงานวจยครงน มดงตอไปน

3.3.1 กำรเตรยมขอมล ในการศกษาครงนมพนทกรณศกษา คอ คลองแสนแสบโดยจะน าขอมลคณภาพน าจาก

จดเกบตวอยางของแตละแหงมาหาความสมพนธกบคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไป โดยก าหนดใหปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) เปนตวแปรตาม และและคาพารามเตอรตวอนๆอก 5 ตวทบงบอกคณภาพน าเปนตวแปรอสระ โดยจะท าการศกษาหาความสมพนธภายในจดเกบเดยวกน ซงจะท าการศกษาสมประสทธสหสมพนธ และคดเลอกตวแปรทเขาสโครงขายโดยพจารณาจากทกลาวไวในหวขอท 3.2

www.ssru.ac.th

21

ชดขอมล ขอมล Input: ขอมลคณภาพน า ขอมล Output: BODt

สมเลอกชดขอมล

ขอมลชดสอน (Training Set) 70% ขอมลชดสอบ(Test Set) 30%

ก ำหนดคำตวแปรในกำรเรยนร จ านวนรอบสงสดในการเรยนร: 10,000 ฟงกชนวตถประสงคการเรยนร: mse

คาผดพลาดทยอมรบ: 0.01 ฟงกชนทใชในชนซอน: sigmoid function

ฟงกชนทใชในชน output: sigmoid function วธการปรบคาถวงน าหนก: Levenberg-Marquardt

algorithm

สอนโครงขาย (Training)

ค านวณคาผดพลาดจากชดสอน

สอนโครงขาย

ปรบคาถวงน าหนก

สอนโครงขาย ค านวณคาผดพลาดจากชดทดสอบ

คาผดพลาดทยอมรบไดจากชดสอน

เพมจ านวนโหนดในชนซอนทละหนงโหนด

ก ำหนดโครงขำยเรมตนใดๆ จ านวนชนซอน: 1

จ านวนโหนดในชนซอน: 3-30

รปท 3.1 ขนตอนการสรางโครงขายใยประสาทประดษฐ www.ssru.ac.th

22

3.3.2 กำรออกแบบโครงขำย การออกแบบโครงขายจะพจารณาจากจ านวนขอมลปอนเขาโครงขาย จ านวนชนซอน

จ านวนโหนดในชนซอน และจ านวนผลลพธเปนหลก ซงจะตองท าการหาคาใหเหมาะสมกบโครงขายมากทสด โดยมรายละเอยด ดงน

1) ขอมลปอนเขาทเหมาะสม ขอมลปอนเขาตองพจารณาหลาย ๆ แบบดวยกน เนองจากเปนขอมลทาง

สงแวดลอมทสวนใหญมการกระจายตวแบบ log - normal โดยแบงกรณศกษาดงทกลาวไวแลวในหวขอท 3.2

2) การหาจ านวนชนซอนทเหมาะสม โครงขายใยประสาทประดษฐทใชในการศกษาครงน ซงขอมลของพารามเตอรทใช

เปนขอมลคณภาพน าทมความซบซอน จะใชแบบ ระบบโครงขายใยประสาทประดษฐทม 3 ชน • ระบบโครงขายใยประสาทประดษฐทม 3 ชน ระบบโครงขายใยประสาทประดษฐทม 3 ชน ประกอบไปดวยชนขอมลปอนเขา 1 ชน (1

input layer) ชนซอน 1 ชน (1 hidden layer) และชนผลลพธ 1 ชน (1 output layer) ดงรปท 3.2 โดยท

Σ = (3.2) f = (3.3)

wij = คาถวงน าหนกชนซอน ( hidden layer) wjk = คาถวงน าหนกชนผลลพธ (output layer) h = ชนซอน (hidden layer) o = ชนผลลพธ (output layer) xi = ขอมลปอนเขา (input data) คอ คาพารามเตอรทบงบอกคณภาพน า ไดแก

(DO) (COD) (NH3N) (NO3N) และ (total coliform) ณ เดอนใด ๆ Yj = ผลลพธของชนซอน คอ ผลลพธทไดจากชนซอนชนสดทาย Zk = ผลลพธ (output data) คอ คาออกซเจนทใชในการยอยสลายสารอนทรยโดย

แบคทเรย (BOD) ทโครงขายค านวณได Tk = คาจรง (actual data) คอ คาออกซเจนทใชในการยอยสลายสารอนทรยโดย

แบคทเรย (BOD) ทไดจากจดตรวจวดจรง

www.ssru.ac.th

23

รปท 3.2 โครงขายใยประสาทประดษฐทม 3 ชน 3) การหาจ านวนโหนดในชนซอนทเหมาะสม

ในการก าหนดจ านวนโหนดในชนซอน ไมมกฎเกณฑ หรอทฤษฎทแนนอนเพราะเมอ ก าหนดจ านวนโหนดในชนซอนมาก จะท าใหเสยเวลาในการสอนมาก เนองจากจ านวนการเชอมตอของแตละโหนดมจ านวนมาก แตในทางกลบกน ถาก าหนดใหมจ านวนโหนดในชนซอนทนอยจนเกนไป โครงขายอาจจะไมสามารถเรยนรจนพบค าตอบทแทจรงได ซงในการศกษาครงนจะก าหนดจ านวนโหนดในชนซอนเรมตนตามคาแนะน าของโปรแกรม (MATLAB R2009a) คอ

จ านวนโหนดในชนซอน = 1/2 (Inputs + Outputs) + รากทสองของจ านวนของ patterns ทใชในการสอน และใชคาจ านวนโหนดทปรบจากคาแนะน า อก 4 คา คอ Default+10 Default+20 Default-10 Default-20 ยกตวอยางการก าหนดจ านวนโหนดในชนซอน อาทเชน ชดขอมลปอนเขา (Inputs) รวมตวแปรทงหมด 1 สถาน มจ านวน 5 ตวแปร สวนผลลพธ (Output) ทตองการ คอ ปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ลวงหนา มจ านวน 1 ตวแปร และจ านวน patterns ทใชในการสอนจากรอยละ 70 ของจ านวน patterns ทงหมด คอ 828 x 70% = 580 patterns ดงนน จ านวนโหนดในชนซอน คอ 1/2 (5+1) +√828 = 31 โหนด และใชคาจ านวนโหนดตามคาดฟอลททปรบอก 4 คา คอ 8, 16, 24 และ 48 โหนด โดยประมาณ

4) การหาคาพารามเตอรทเหมาะสม (อตราการเรยนร โมเมนตม คาถวงน าหนก) การเลอกคาถวงน าหนก และคาโมเมนตมจะมอทธพลตอการเกดคา error ของ

www.ssru.ac.th

24

โครงขายได โดยคาถวงน าหนกไมควรเปนคาทใหญมากนก จะเปนผลท าใหคาอนพนธของฟงกชน การแปลงคาแบบฟงกชนซกมอยดมคาเลกมาก เรยกวา อยในยานของการอมตว (saturation Region) แตถาคาน าหนกมคาเลกเกนไป จะท าใหคาทจะสงไปยงโหนดในชนซอน หรอโหนดในชนผลลพธจะมคาเขาใกลศนย ซงเปนสาเหตท าใหการเรยนรท าไดชา โดยทวไปคาถวงน าหนกเรมตนจะสมคาระหวาง -0.5 ถง 0.5 (หรอ ระหวาง -1 ถง 1 ตามความเหมาะสม) (สรยทธ ปรชญา, 2541) ซงในการศกษาครงน จะก าหนดคาพารามเตอรเรมตน และชวงการปรบเปลยนคาโดยปรบครงละ 0.1 ดงตารางท 3.2

ตารางท 3.2 คาพารามเตอรในโครงขาย

พำรำมเตอร คำเรมตน ชวงกำรปรบเปลยน

อตราการเรยนร 0.05 0.05, 0.1, 0.2 คาถวงน าหนก 0.2 0.2, 0.4, 0.6, 0.8

โมเมนตม 0.1 0.1, 0.3, 0.5, 0.7

3.3.3 กำรสอนโครงขำย • วธการสอน ในขนตอนการสอนโครงขายนจะใชวธการแพรกระจายความผดพลาดกลบ (Error back

–propagation algorithm) โดยใชฟงกชนซกมอยดเปนฟงก ชนการแปลงคา (Transfer Function) เนองจากฟงกชนการแปลงคามความส าคญมากในโครงขายแบบแพรกระจายความผดพลาดกลบ ซงฟงกชนทใชควรมความตอเนอง ไมเปนเชงเสน สามารถหาคาอนพนธได และงายตอการค านวณ ซงคาอนพนธสามารถเขยนในรปเทอมของฟงกชนนน โดยฟงกชนซกมอยดมรปแบบสมการดงสมการท (3.4)

(3.4) • การหยดการสอน ในแตละรอบของการสอน โครงขายจะท าการตรวจสอบคาผดพลาดดวยชดทดสอบไป

พรอมกน เพอแกปญหาการเกด “over fitting” ซงหมายถง โครงขายทมรอบการเรยนรทสงเกนไปท าใหเกดการจดจ าคาของชดขอมล แตจะไมมการเรยนร โดยจะใหผลทดสอบทสงในขอมลชดสอน แตเมอน าชดทดสอบมาตรวจสอบจะใหผลทดสอบทต า โดยในการศกษาครงนจะตงขอก าหนดในการหยดการสอน เมอโครงขายเรยนรได 10,000 รอบ หรอคาความผดพลาดทชดทดสอบมคาเทากบ 0.01

www.ssru.ac.th

25

3.3.4 กำรตรวจสอบควำมถกตองของโครงขำย การประเมนผลจากการท านายโดยใชโครงขายใยประสาทประดษฐ สามารถใชสถต

ในการทดสอบความถกตอง ซงสถตทใชในการวดความผดพลาดระหวางผลการท านายและขอมล จรงจากชดตรวจสอบความถกตอง (Validate set) คอ คาความผดพลาดก าลงสองเฉลย (Root Mean square error, RMSE)

1) คาความผดพลาดก าลงสองเฉลย (Root Mean square error, RMSE) สามารถค านวณไดดงสมการท (3.5)

RMSE = (3.5)

โดยท 0p = ขอมลจรงทไดจากจดตรวจวด

tp = ขอมลทไดจากการท านายดวยโครงขายใยประสาทประดษฐ N = จ านวนชดขอมลทใชในการค านวณ

โดยใชเกณฑการพจารณายอมรบโครงขาย คอ ตองเปนโครงขายทมล าดบท (rank) ทนอยทสด โดยน าคา RMSE ของกรณทพจารณาหนง ๆมาทดสอบความแตกตางของ ผลของชนซอน และจ านวนโหนดในชนซอนทเหมาะสม

3.4 กำรสรำงแบบจ ำลองระบบผสมโครงขำยประสำทเทยมฟซซ

จาก input และ output ทไดจากหวขอทผานมา จะไดวา เราจะสราง ANFIS ทม 5 input node และ 1 output node กระบวนการสราง โดย โครงสรางของ Fuzzy Inference System แบบ Sugeno (Sugeno FIS structure) ขนตอนในการสรางโมเดลอธบายไดดงน:

3.4.1 สรำงโครงสรำงเรมตน FIS (Initial FIS structure) จากขอมล Training โดยใชวธการทเรยกวา subtractive clustering ในขนตอนนจะท าการสรางกลมของขอมลซงกลมขอมลทไดจะเปนตวก าหนดจ านวน rule และ จ านวน antecedent membership function ซงวธการ subtractive clustering มขนตอนดงน

1. ก าหนดรศมของ cluster โดยในงานน ตงคารศมในแตละมตของขอมล 2. ค านวณคาความหนาแนนของแตละจด input xi

4

5( )i j

n x x

i

j

P x e

3. เลอกจดขอมลทใหคาความหนาแนนมากทสดเปน center ของ cluster แรก

www.ssru.ac.th

26

4. เอาขอมลทอยภายใน cluster ออก เพอเอาขอมลทเหลอ มาหา center ของ cluster ตอไป

5. ท าซ าในขอ 3-4 จนไดวาไมเหลอจดทจะหา center ของ cluster ไดอกตอไป

หลงจากทได Cluster ของขอมลแลวจะท าใหเราได โครงสรางเรมตน FIS โดยท input membership function ทใช คอ 'gaussmf' และ output membership function คอ linear โดยในขนตอนนสามารถท าไดโดยการใช ฟงกชนใน MATLAB toolbox ดงน

in_fis = genfis2(Inp, Tar,radius); Inp = ขอมล input ในงานนม 5 มต Tar = คา BOD radius = รศมของcluster ในงานน radius =0.25 เทากนในทกมต in_fis = โครงสราง FIS เรมตนทไดจากขอมล

3.4.2. Learning algorithm จากโครงสราง FIS ในรป 2.7 มคาตวแปรทจะใชใน model อย 2 กลมคอ ตวแปรทใชใน input membership ฟงชน เรยกวา premise parameter และตวแปรทใชใน output layer ของ linear ฟงกชน เรยกวา consequent parameter โดย กระบวนการเรยนเปนการเรยนรแบบผสม (hybrid learning algorithm) ระหวางวธการ least-squares method และ gradient descent method สามารถอธบายไดดงน

1.ส าหรบ forward pass of learning ตงคาเรมตนของ premise parameter จากนนค านวณหาคา consequent parameter โดยใชวธการ least-squares method

2.ส าหรบ backward pass of learning, ค านวณ error ระหวาง observed BOD และ output BOD จากนนค านวณคาอนพนธยกก าลงสองของคา error เทยบกบแตละ node ของ output คายอนกลบไปจนถง input layer, โดย ปรบคา premise parameter โดยใชวธการ gradient descent

3. ท า 1-2 ซ าจนกระทงคา error ต ากวา error goal หรอจ านวนรอบการท าซ าเกนกวาจ านวนรอบสงสด จงหยดกระบวนการ learning

โดยในขนตอนนสามารถท าไดโดยการใช ฟงกชนใน MATLAB toolbox ดงน [out_fis,error] = anfis(trnData,in_fis,[epoch gold]); trnData = เมทรก [input target] in_fis = โครงสราง FIS เรมตนทไดจากกอนหนา epoch = จ านวนรอบการท าซ าสงสด (งานน ตงคา 1000) gold = error goal out_fis = โครงสราง FIS ทได error = root mean square error ของ training data error(งานวจยน ตงคา 0.0 )

www.ssru.ac.th

บทท 4

ผลการศกษา และการอภปรายผล

ในบทนจะแสดงถงผลการศกษาเกยวกบความสมพนธของพารามเตอรตางๆกบปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) และการเปรยบเทยบแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ (ANFIS) กบแบบจ าลองโครงขายใยประสาทประดษฐ (ANN) ทเหมาะสมในการท านายคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรยซงเปนพารามเตอรทมความส าคญในการบอกถงคณภาพน าได 4.1 ผลการศกษาสมประสทธสหสมพนธ ผลจากการศกษาสมประสทธสหสมพนธระหวางปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไปกบขอมลคณภาพน า ไดแก ปรมาณคาออกซเจนในน า (DO) ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า (COD) ปรมาณแอมโมเนย-ไนโตรเจน (NH3N) ปรมาณไนเตรท-ไนโตรเจน (NO3N) และ ปรมาณแบคทเรยกลมโคลฟอรมทงหมด (total coliform) ในวนปจจบน ยอนหลง 1 เดอน ในบรเวณการเชอมตอของเสนทางการไหลของน าของคลองแสนแสบกรงเทพมหานคร ดงแสดงในตารางท 4.1 โดยพบวา ความสมพนธของ ปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดมากบตวแปรตางๆทใชบงบอกคณภาพน า ของทงพนทคลองแสนแสบนน มคาสมประสทธสหสมพนธใกลเคยงกน โดยตวแปร (BOD) ในเดอนถดมามความสมพนธกบตวแปร ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า COD มากทสด สวนความสมพนธในระดบรองลงมาคอ ตวแปร NH3N, DO, total coliform, และ NO3N ตามล าดบ ซงตวแปรทมทศทางความสมพนธไปในทศทางเดยวกนกบ(BOD) คอ COD, NH3N และ total coliform สวนตวแปรทมความสมพนธกนแบบผกผนกบ BOD คอ DO และ NO3N

ตารางท 4.1 สมประสทธสหสมพนธระหวาง ปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไป และตวแปรตางๆทใชบงบอกคณภาพน า ณ 11 จดเกบในพนท

คลองแสนแสบ กรงเทพมหานคร

ตวแปรอสระ ตวแปรตาม

DO COD NH3N NO3N T.Coliform

BOD -0.19* 0.51* 0.47* -0.06 0.16*

หมายเหต : * หมายถง มความสมพนธกนอยางมนยส าคญทระดบความเชอมนรอยละ 95

www.ssru.ac.th

28

4.2 ผลการศกษาแบบจ าลองโครงขายใยประสาทประดษฐ จากผลการศกษาสมประสทธสหสมพนธ เพอน ามาสรางแบบจ าลองโครงขายใยประสาทประดษฐ โดยมปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไปเปนตวแปรตาม ซงไดแสดงผลใน 11 จดเกบในพนทคลองแสนแสบ กรงเทพมหานคร ดงทกลาวไวแลวในหวขอท 4.1 4.2.1 การสรางแบบจ าลอง ในทนจะอธบายแบบจ าลองส าหรบท านาย ปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไป ณ 11 จดเกบในพนทคลองแสนแสบ กรงเทพมหานคร โดยมขนตอนดงน 4.2.1.1 การเตรยมขอมล การออกแบบ และการสอนโครงขาย 1. เนองจากขอมลทน ามาสรางแบบจ าลองมความแตกตางเกยวกบลกษณะของโครงสรางและปจจยภายนอกของแตละจดเกบทตางกน ดงนนจงตองท าการปรบคาของขอมล (Normalize) ใหอยในชวงของขอมลทเหมาะสม ซงในงานวจยนก าหนดใหชวงของขอมลอยในชวงระหวาง 0.1 และ 0.9 ซงเปนชวงขอมลทเหมาะสมในการปรบขอมลทางคณภาพน า (E.Dogan et al, 2008) โดยอธบายไดจากสมการ (4.1)

(4.1)

โดยท xnew คอ ขอมลทไดรบการ Normalize แลว Xn คอ ขอมลทตองการ Normalize Xmin คอ ขอมลทมคาต าทสด Xmax คอ ขอมลทมคาสงทสด

2. แบงชดขอมลเปน 2 สวน คอ ชดสอนโครงขาย 70% (training set) ชดทดสอบ 30% (test set)

3. ในการออกแบบขนตนก าหนดใหโครงขายม 3 ชน และมจ านวนโหนด ในชนซอน 31 โหนด โดยทมจ านวนอนพต (ตวแปรอสระ) 5 โหนด และจ านวนเอาตพต (ตวแปรตาม)1 โหนด จะไดโครงขายทออกแบบ คอ 5-31-1 ดงแสดงในรปท 4.1

1.08.0minmax

min

xx

xxxnew

www.ssru.ac.th

29

รปท 4.1 โครงขายแบบ 3 ชนของ 11 จดเกบตวอยางในบรเวณคลองแสนแสบ

4. ก าหนดคาพารามเตอรทจ าเปนในโครงขาย คอ อตราการเรยนร (η) โมเมนตม (α) และคาถวงน าหนกเรมตน (w) โดยมคา 0.05, 0.1 และ 0.2 ตามล าดบ 5. เรมท าการสอนโครงขายโดยน าชดสอนโครงขายทไดแบงไว 70% (580 ชดขอมล โดยเลอกมา 1 ชดขอมลตอการสอน 1 รอบ) ค านวณหาคาเนทของแตละโหนดในชนซอนท 1จากการใชฟงกชนผลรวม (Summation function = Σ) และหลงจากนนท าการแปลงคาโดยใช ฟงกชนซกมอยด (sigmoid function = f ) ซงจะท าใหไดคา y1, y2,…, y42 ของชนซอนท 1 (ตวอยางการค านวณหาคา y1 จะแสดงใหเหนในสมการท (4.2) และ (4.3)) (4.2) (4.3)

www.ssru.ac.th

30

6. ค านวณหาคาเนทของโหนดในชนเอาตพต และหลงจากนนท าการแปลงคาโดยใชฟงกชนซกมอยด ซงจะท าใหไดคา z1 ของชนเอาตพต (ตวอยางการค านวณหาคา z1 จะแสดงใหเหนในสมการท (4.4) และ (4.5)) (4.4)

(4.5)

7. จะท าใหไดโครงขายทมการเรยนร 1 รอบ จากนนน าชดทดสอบทได แบงไว 30% (248 ชดขอมล) มาทดสอบความคลาดเคลอน ( Etot ) ดงสมการท (4.6) ซงหากคา คลาดเคลอนทค านวณไดยงไมนอยกวาหรอเทากบ 0.01 จงค านวณเทอมผดพลาดในชนเอาตพต (δ0) เพอน ากลบไปปรบแกคาถวงน าหนกใหม (โดยใชชดขอมลเดมทไดจากการสอนในรอบนน ๆ มาค านวณเทอมผดพลาด) ดงสมการท (4.7)

(4.6) (4.7) 8. หลงจากนนค านวณเทอมผดพลาดในชนซอน (δh ) โดยเรมจากชนซอนชนสดทาย ดงสมการท (4.8)

(4.8) 9. จากนนเรมท าการปรบแกคาถวงน าหนกกอนทจะเรมท าการสอนในรอบท 2 โดยเรมปรบแกจากชนเอาตพตกอน ดงสมการท (4.9)

248

30

www.ssru.ac.th

31

(4.9)

โดยท t คอ จ านวนรอบการสอนโครงขาย (t = 1, 2, 3,….,n) 10. หลงจากนนจงปรบแกคาถวงน าหนกในชนซอน ดงสมการท (4.10)

(4.10) 11. หลงจากท าการปรบแกคาถวงน าหนกในชนเอาตพต และชนซอนจง

กลบไปเรมสอนโครงขายในรอบตอไปตามขนตอนท 5 ดงทกลาวมาแลวขางตน จนกระทงคาความคลาดเคลอนจากการน าชดทดสอบทไดแบงไว 30% (248 ชดขอมล) ทน ามาทดสอบในแตละรอบของการสอนโครงขายมคาคลาดเคลอนนอยกวา 0.01 หรอสอนโครงขายได 10,000 รอบ (กรณใดกรณหนง) ดงรปท 4.2 จงจะหยดสอนโครงขาย ซงจะไดโครงขายของทง 11 จดเกบตวอยางของคลองแสนแสบ ส าหรบการปรบคา 1 ครง

รปท 4.2 จดสนสดการสอน

หลงจากนนท าการสรางโครงขายอกครงโดยใชคาก าหนดทเปลยนไป ดงน • ก าหนดใหโครงขายหนง ๆ มการก าหนดคาพารามเตอรทจ าเปนในการสอน

0.01

www.ssru.ac.th

32

โครงขาย คอ อตราการเรยนร โมเมนตม และคาถวงน าหนกเรมตน หลงจากสนสดการสอนโครงขายแลว ใหปรบเปลยนคาพารามเตอรทง 3 เปนดงน อตราการเรยนร (ปรบคา 3 ครง) โมเมนตม (ปรบคา 4 ครง) และคาถวงน าหนกเรมตน (ปรบคา 4 ครง)

• ก าหนดใหโครงขายหนง ๆ มจ านวนโหนดในชนซอนเรมตนคาหนง หลงจาก สนสดการสอนโครงขายแลว ใหปรบเปลยนจ านวนโหนดในชนซอนอก 2 ครง คอ เพมและลดจ านวนโหนดจากคาเรมตน 4 โหนด และ 8 โหนด

4.2.2 แบบจ าลองโครงขายใยประสาทประดษฐทเหมาะสม จากการสรางแบบจ าลองโครงขายใยประสาทประดษฐดงทกลาวในหวขอท 4.2.1 ไดผล

เปนแบบจ าลองโครงขายใยประสาทประดษฐทเหมาะสม ส าหรบการท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ลวงหนา 1 เดอน ในพนทคลองแสนแสบ กรงเทพมหานคร 11 จดเกบตวอยาง ดงรปท 4.3 ซงจะเหนวาจ านวนโหนดในชนซอนทเหมาะสมกบตวแปรอสระทง 5 ตว (DO), (COD), (NH3N) , (NO3N) และ (total coliform) กบตวแปรตาม 1 ตว (BOD) คอ 8 โหนด สรปผลจากแบบจ าลองโครงขายใยประสาทประดษฐทเหมาะสม พบวาแบบจ าลองสวนใหญตองมการแปลงคาของตวแปรอสระใหอยในรปของลอการทมธรรมชาต ซงสอดคลองกบสมมตฐานทวาการกระจายตวของตวแปรทางสงแวดลอมสวนใหญจะมการกระจายตวอยในรปแบบ log – normal และพบวาขอมลทางสงแวดลอมมความสมพนธกนอยางซบซอนและสอดคลองกบการศกษาของ Perez et al., (2000) จากการปรบแกคาพารามเตอรของโครงขาย พบวาตองปรบคาอตราการเรยนร (η ) ใหสงกวาคาเรมตนท 0.05 ซงเปนผลมาจากโครงขายท าการสอนจนครบรอบทก าหนดกอนทจะลเขาหาคาผดพลาดทนอยทสดไดท าใหผลท านายสวนใหญทอตราการเรยนรท 0.05 ยงมคาคลาดเคลอนทสง สวนคาถวงน าหนก (w) และคาโมเมนตม (α ) ทเหมาะสมในโครงขาย จะมคาตาง ๆ กนขนอยกบลกษณะ หรอความสมพนธของชดขอมลเปนกรณ ๆ ไป (Gardner and Dorling, 1998; Dimopoulos et al., 1999; Khare and Nagendra, 2006)

www.ssru.ac.th

33

รปท 4.3 โครงสรางโครงขายใยประสาทประดษฐทเหมาะสม 5-8-1

4.3 ผลการศกษาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ จากโครงสรางการเรยนรขอมลตามแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซตามรปท 4.4 จะไดโครงสราง FIS ทไดจาการทดลองแสดงไดดงน Number of nodes: 56 Number of linear parameters: 24 Number of nonlinear parameters: 40 Total number of parameters: 64 Number of training data pairs: 580 Number of checking data pairs: 0 Number of fuzzy rules: 4

www.ssru.ac.th

34

รปท 4.4 โครงสรางแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ

4.4 การศกษาประสทธภาพของแบบจ าลอง ในการวจยนไดน าขอมลคณภาพน าจากจดเกบตวอยาง 11 จดเกบ ในพนทคลองแสนแสบ กรงเทพมหานคร ในชวงป 2547 – 2554 มาท าการสรางแบบจ าลองโครงขายใยประสาทประดษฐ เพอท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ในเดอนถดไป ดงแสดงไวในหวขอท 4.2 ซงในขนตอไปจะท าการศกษาประสทธภาพของแบบจ าลอง โดยท าการสมขอมลชดใหม จ านวน 248 ชดขอมล มาประเมนและวดประสทธภาพของแบบจ าลองโดยใชวธทางสถตดงน • Root Mean Square Error (RMSE) • Correlation(R) 4.4.1 ผลการวดและเปรยบเทยบประสทธภาพของแบบจ าลอง

จากการวดประสทธภาพแบบจ าลองโดยใชวธทางสถต ซ งมการน าขอมลปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD)ทไดจากการเกบตวอยาง (Observed BOD) ของแตละจดเกบในพนทคลองแสนแสบมาเปรยบเทยบกบขอมลทไดจากการท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย โดยโครงขายใยประสาทประดษฐ มคาความผดพลาดเฉลย (RMSE) เทากบ 4.5348 และมคาสมประสทธสหสมพนธเทากบ 0.7279 และระบบผสมโครงขายประสาทเทยมฟซซ มคาความผดพลาดเฉลย (RMSE) เทากบ 4.8182 และมคาสมประสทธสหสมพนธเทากบ 0.6768 ดงแสดงในรปท 4.5 4.6 และ 4.7

www.ssru.ac.th

35

รปท 4.5 กราฟแสดงความสมพนธระหวางขอมล BOD ทไดจากการจดเกบ กบ ขอมล BOD ทไดจาก

การท านายโดยใชโครงขายใยประสาทประดษฐ

รปท 4.6 กราฟแสดงความสมพนธระหวางขอมล BOD ทไดจากการจดเกบ กบ ขอมล BOD ทไดจากการท านายโดยใชระบบผสมโครงขายประสาทเทยมฟซซ

www.ssru.ac.th

36

รปท 4.7 กราฟแสดงการเปรยบเทยบกลมตวอยางของชดขอมล BOD ทไดคาจากการจดเกบ กบ ขอมล BOD ทคาไดจากการท านายโดยใชโครงขายใยประสาทประดษฐ(ANN) และคาไดจากการ

ท านายโดยใชระบบผสมโครงขายประสาทเทยมฟซซ(ANFIS)

สรปผลการวดและเปรยบเทยบประสทธภาพของแบบจ าลองโดยการทดสอบดวยตวชวด

ทางสถตพบวา แบบจ าลองโครงขายใยประสาทประดษฐสามารถใชเปนเครองมอในการท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ในพนทคลองแสนแสบ กรงเทพมหานครไดมประสทธภาพกวาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ ซงจะเหนไดจากผลของคาสมประสทธสหสมพนธทอยในระดบสงกวา และคาความคลาดเคลอนของขอมลทนอยกวา อยางไรกตามการใชงานแบบจ าลองโครงขายใยประสาทประดษฐท ถกสรางมาจากความสมพนธของขอมลคณภาพน าทงทางกายภาพและทางเคมทง 5 พารามเตอร COD, NH3N, DO, total coliform, และ NO3N เปนขอมลเฉพาะในพนทคลองแสนแสบ กรงเทพมหานครเทานน ซงมลกษณะของความสมพนธเฉพาะท จงมขอจ ากดในการท านาย คอ สามารถท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ในเดอนถดไปไดเฉพาะพนทนเทานน

www.ssru.ac.th

บทท 5

สรปและขอเสนอแนะ

5.1 สรปผลการวจย งานวจยน เรมจากการวเคราะหสหสมพนธเพอคดเลอกตวแปรทเหมาะสมในการสราง แบบจ าลองโครงขายใยประสาทประดษฐเพอประมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย ระหวางปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ในเดอนถดไปกบขอมลแสดงคณภาพน าอน ๆ ไดแก ปรมาณคาออกซเจนในน า (DO) ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า (COD) ปรมาณแอมโมเนย-ไนโตรเจน (NH3N) ปรมาณไนเตรท-ไนโตรเจน (NO3N) และ ปรมาณแบคทเรยกลมโคลฟอรมทงหมด (total coliform) โดยใชขอมลจากการตรวจวดในเดอนปจจบน วนยอนหลง 1 เดอน ณ 11 จดเกบตวอยางซงเปนจดเกบตวอยางทอยพนทคลองแสนแสบ คอ จดเกบท 90 (ตลาดหนองจอก) จดเกบท 91 (ถนนอโศกดนแดง) จดเกบท 92 (ถ.เพชรบร ซ.ประสานมตร) จดเกบท 93 (ซอยเทพลลา) จดเกบท 94 (สะพานบางกะป) จดเกบท 95 (วดบ าเพญเหนอ) จดเกบท 96 (มนบร รร.สตรวทยามนบร) จดเกบท 97 (ปตร.แสนแสบ ของกรมชลประทาน) จดเกบท 98 (สะพานประตน าเวลเทรดเซนเตอร) จดเกบท 99 (ถนนเลยบวาร) และจดเกบท 99.1 (ซ.โรงเรยนสเหราใหม หนองจอก) จากนนท าการวดประสทธภาพของแบบจ าลองทไดโดยวธการทางสถต และสรปผลการศกษาทส าคญตามวตถประสงคของการศกษา และขนตอนของการศกษาทตงไว ดงน 5.1.1 ความสมพนธระหวาง BOD ในเดอนถดไป และขอมลคณภาพน าอนๆ ผลจากการศกษาสมประสทธสหสมพนธระหวางปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไปกบขอมลคณภาพน า ไดแก ปรมาณคาออกซเจนในน า (DO) ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า (COD) ปรมาณแอมโมเนย-ไนโตรเจน (NH3N) ปรมาณไนเตรท-ไนโตรเจน (NO3N) และ ปรมาณแบคทเรยกลมโคลฟอรมทงหมด (total coliform) ในวนปจจบน ยอนหลง 1 เดอน ในพนทคลองแสนแสบ พบวา ความสมพนธของ ปรมาณออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดมากบตวแปรตางๆทใชบงบอกคณภาพน า ของทงพนทเขตดสตนน มคาสมประสทธสหสมพนธใกลเคยงกน โดยตวแปร BOD ในเดอนถดมามความสมพนธกบตวแปร ปรมาณออกซเจนทสารเคมใชในการยอยสลายอนทรยในน า COD มากทสด สวนความสมพนธในระดบรองลงมาคอ ตวแปร NH3N, DO, total coliform, และ NO3N ตามล าดบ ซงตวแปรทมทศทางความสมพนธไปในทศทางเดยวกนกบ(BOD) คอ COD, NH3N และ total coliform สวนตวแปรทมความสมพนธกนแบบผกผนกบ BOD คอ DO และ NO3N

www.ssru.ac.th

38

5.1.2 แบบจาลองโครงขายใยประสาทประดษฐสาหรบทานาย BOD ในเดอนถดไป

ผลการศกษาการสรางแบบจ าลองโครงขายใยประสาทประดษฐทเหมาะสม ส าหรบการ ท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ลวงหนา 1 เดอน ในพนทคลองแสนแสบ กรงเทพมหานคร 11 จดเกบตวอยาง ซงจะเหนวาจ านวนโหนดในชนซอนทเหมาะสมกบตวแปรอสระทง 5 (DO), (COD), (NH3N) , (NO3N) และ (total coliform) กบตวแปรตาม 1 ตว (BOD) คอ 8 โหนด สรปผลจากตารางแบบจ าลองโครงขายใยประสาทประดษฐทเหมาะสม พบวาแบบจ าลองสวนใหญตองมการแปลงคาของตวแปรอสระใหอยในรปของลอการทมธรรมชาต ซงสอดคลองกบสมมตฐานทวาการกระจายตวของตวแปรทางสงแวดลอมสวนใหญจะมการกระจายตวอยในรปแบบ log – normal และพบวาขอมลทางสงแวดลอมมความสมพนธกนอยางซบซอน

5.1.3 แบบจาลองระบบผสมโครงขายประสาทเทยมฟซซสาหรบทานาย BOD ในเดอนถดไป

ผลการศกษาการสรางระบบผสมโครงขายประสาทเทยมฟซซทเหมาะสม ส าหรบการท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ลวงหนา 1 เดอน ในพนทคลองแสนแสบ กรงเทพมหานคร 11 จดเกบตวอยาง ซงจะเหนวาจ านวนโหนดในชนซอนทเหมาะสมกบตวแปรอสระทง 5 (DO), (COD), (NH3N) , (NO3N) และ (total coliform) กบตวแปรตาม 1 ตว (BOD) คอ 56 โหนดจากโครงสรางการเรยนรขอมลตามแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซจะไดโครงสราง FIS ทไดจาการทดลองแสดงไดดงน

Number of nodes: 56 Number of linear parameters: 24 Number of nonlinear parameters: 40 Total number of parameters: 64 Number of training data pairs: 580 Number of checking data pairs: 0 Number of fuzzy rules: 4 5.1.4 การวดและเปรยบเทยบประสทธภาพของแบบจาลอง

ในการวจยนไดน าขอมลคณภาพน าจากจดเกบตวอยาง 11 จดเกบ ในพนทเขตดสต กรงเทพมหานคร ในชวงป 2547 – 2554 มาท าการสรางแบบจ าลองโครงขายใยประสาทประดษฐ เพอท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย(BOD) ในเดอนถดไป ซงในขนตอไปจะท าการศกษาประสทธภาพของแบบจ าลอง โดยท าการสมขอมลชดใหม จ านวน 248 ชดขอมล มาประเมนและวดประสทธภาพของแบบจ าลองโดยใชวธทางสถต ทมการน าขอมลปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรย โดยแบคทเรย(BOD)ทไดจากการเกบตวอยาง (Observed BOD) ของแตละจดเกบในพนทคลองแสนแสบมาเปรยบเทยบกบขอมลทไดจากการ

www.ssru.ac.th

39

ท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย โดยโครงขายใยประสาทประดษฐ มคาความผดพลาดเฉลย (RMSE) เทากบ 4.5348 และมคาสมประสทธสหสมพนธเทากบ 0.7279 และระบบผสมโครงขายประสาทเทยมฟซซ มคาความผดพลาดเฉลย (RMSE) เทากบ 4.8182 และมคาสมประสทธสหสมพนธเทากบ 0.6768

5.1.5 สรปลกษณะเดนและขอจากดของแบบจาลอง จากผลการวจยครงนพบวาแบบจ าลองโครงขายใยประสาทประดษฐเปนแบบจ าลองทม

ความทนทานตอความไมแนนอนของขอมลสงกวาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซ และใหผลการทดสอบทางสถตจากการใชชดขอมลทไมเคยพบมากอนทมความถกตองทสงและมความนาเชอถอดงทกลาวไวแลว แตกมขอดอยคอ ตองท าการเกบขอมลทมจ านวนมากกวา ถงแมวาแบบจ าลองจะมความทนทานสงกตามและการสรางแบบจ าลองจะใชการลองผดลองถกในการปรบแกคาพารามเตอร เพอสรางโครงขายทเหมาะสม ท าใหใชเวลา และเทคนคในการสรางแบบจ าลองทนาน ซงจะเหนไดวาแบบจ าลองโครงขายใยประสาทประดษฐสามารถใชเปนเครองมอในการท านายปรมาณคาออกซ เจนท ใชในการยอยสลายสารอนทรยโดยแบคท เรย (BOD) ในพนทคลองแสนแสบ กรงเทพมหานครได โดยมการแสดงผลของคาสมประสทธสหสมพนธทอยในระดบสงกวา และคาความคลาดเคลอนของขอมลทนอยกวา อยางไรกตามการใชงานแบบจ าลองโครงขายใยประสาทประดษฐทถกสรางมาจากความสมพนธของขอมล คณภาพน าทงทางกายภาพและทางเคมทง5 พารามเตอร COD, NH3N, DO, total coliform, และ NO3N เปนขอมลเฉพาะในพนทคลองแสนแสบ กรงเทพมหานครเทานน ซงมลกษณะของความสมพนธเฉพาะท จงมขอจ ากดในการท านาย คอ สามารถท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ในเดอนถดไปไดเฉพาะพนทนเทานน

5.2 ขอเสนอแนะ 1) แนวคดการพฒนาการสรางแบบจ าลองโครงขายใยประสาทประดษฐ พบวามความเหมาะสมกวาแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซและแสดงความสมพนธของขอมลคณภาพน าคลองทอยในระดบสงในพนทคลองแสนแสบ กรงเทพมหานคร ซงเปนเขตพนททมสภาพแวดลอมและความเปนอยของประชากรอยางหนาแนน จงสนบสนนแนวคดทจะน าไปใชเปนตนแบบเพอการประยกตใชส าหรบท านายปรมาณคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) ของคลองในพนทคลองอน ๆ ในประเทศไทยได 2) ควรทจะมการพฒนาการพจารณาตวแปรอสระอนๆทจะน ามาสรางแบบจ าลอง เนองจากแบบจ าลองโครงขายใยประสาทประดษฐและแบบจ าลองระบบผสมโครงขายประสาทเทยมฟซซจะน าตวแปรอสระเพยงบางตวมาท าการสรางแบบจ าลอง ซงจะเหนวามตวแปรอสระจ านวนไมมากซงอาจมตวแปรอสระบางตวทยงมความสมพนธกบคาออกซเจนทใชในการยอยสลายสารอนทรยโดยแบคทเรย (BOD) อกทไมไดน ามาพจารณาในการสรางแบบจ าลองในครงน

www.ssru.ac.th

บรรณานกรม กรมควบคมมลพษ. ส ำนกจดกำรคณภำพน ำ(2551). สถำนกำรณและกำรจดกำรปญหำมลพษทำงน ำ

ป 2549. กรงเทพฯ: กรมควบคมมลพษ. กลยำ วำนชยบญชำ. (2548). กำรใช SPSS for windows ในกำรวเครำะหขอมล (พมพคร งท 7).

กรงเทพฯ : ศนยหนงสอจฬำฯ กตต ภกดวฒนะกล. (2546). คมภรระบบสนบสนนกำรตดสนใจและระบบผเชยวชำญ. กรงเทพฯ:

เคทพ คอมพ แอนด คอนซลท. นพภำพร พำนช และ แสงสนต พำนช. (2544). แบบจ ำลองทำงคณตศำสตรดำนคณภำพอำกำศ.

กรงเทพฯ: ส ำนกพมพแหงจฬำลงกรณมหำวทยำลย. ทองเปลว กองจนทร. (2546). กระบวนกำรตดสนใจแบบหลำยเกณฑเพอกำรจดสรรน ำจำกระบบ

อำงเกบน ำ : กรณศกษำในลมน ำมลตอนบน. วทยำนพนธปรญญำดษฎบณฑต. คณะ วศวกรรมศำสตร. มหำวทยำลยเกษตรศำสตร.

วรวฒ ศรสขค ำ. (2547). กำรท ำนำยลกษณะกำรเคลอนไหวของขอตอขำมนษยโดยใชนวรอล เนตเวรก. วทยำนพนธปรญญำมหำบณฑต. คณะวทยำศำสตรและเทคโนโลย มหำวทยำลยธรรมศำสตร.

สกร สนธภญโญ และ บญเสรม กจศรกล. (2541). กำรเรยนรกฎและเนตเวรกส ำหรบรจ ำ ตวพมพอกษรไทย. ใน กำรประชมวชำกำรวทยำกำรคอมพวเตอรและวศวกรรม

คอมพวเตอรแหงชำตฯ คร งท 2. สรยทธ ปรชญำ. (2541). กำรรจ ำอกษรไทยโดยโครงขำยประสำทเทยมแบบแพรกลบ. วทยำนพนธ

ปรญญำมหำบณฑต. คณะวศวกรรมศำสตร. มหำวทยำลยเชยงใหม. A. Gamal El-Din, D.W Smith and M. Gamal El-Din, “Application of artificial neural

networks in wastewater treatment,” J. Environ. Eng Sci., pp.81-95, Jan 2004. Adeli, H., (1992). Computer-aided engineering in the 1990's. The International Journal

of Construction Information Technology 1 (1): 1-10. A. Jain, A.K. Varshney and U.C. Joshi , “Short-term Water Demand Forecast Modeling

ai IIT Kanpur Using Artificial Neural Networks,” IEEE Transactions on Water Resources Management, vol. 15, no.1, pp.299-321, Aug 2001.

Anderson, D., Hines, E.L., Arthur, S.J., and Eiap, E.L., (1993). Application of artificial neural networks to prediction of minor axis steel connections. Neural Networks and Combinatorial Optimization in Civil and Structural Engineering: 31-37.

Bhokha, S., (1998). Application of artificial neural networks to cost and duration forecasting for buildings. Ph.D Thesis. Asian Institute of Technology.

www.ssru.ac.th

41

Carpenter, W.C., and Barthelemy, J.F., (1994). Common misconceptions about neural networks as approximators. Journal of Computing in Civil Engineering 5442 (8) (3): 345-358.

Chaloulakou, A., Grivas, G. and Spyrellis, N., (2003). Neural Network and Multiple Regression Models for PM10 Prediction in Athens: A Comparative Assessment. Air & Waste Management Association. 53: 1183-1190

Chelani, A.B., Chalapati, R.C.V., Phadke, K.M., and Hasan, M.Z., (2002). Prediction of sulphur dioxide concentration using artificial neural networks. Environmental Modelling & Software 17: 161–168.

Corani, G., (2005). Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Ecological Modelling 185: 513–529.

D. Chapman, “Water Quality Assesment,” 1st ed. London: Chapman and Hall, 1992, pp. 80–81.

Elazouni A.M., Nosair I.A., Mohieldin Y.A., and Mohamed A.G., (1997). Estimating resource requirements at conceptual design stage using neural networks. Journal of Computing in Civil Engineering 11485 (11) (4): 217-223.

Flood, I., and Kartam, N., (1994). Neural network in civil engineering-II: System and Application. Journal of Computing in Civil Engineering 5790 (8) (2): 149-162.

Gardner M.W., and Dorling S.R., (1998), Artificial neural networks (the multilayer perceptron) a review of applications in atmospheric sciences. Atmospheric Environment 32 (1998) : 2627–2636.

Grivas, G., and Chaloulakou, A., (2006). Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens, Greece. Atmospheric Environment 40: 1216–1229.

Jiang, D., et al. (2004). Progress in developing an ANN model for air pollution index forecast. Atmospheric Environment 38: 7055–7064.

Karunasekera, H.N.D., (1992). Neural network structure generation for the classification of remotely sensed data using simulated annealing. M.Eng Thesis. Asian Institute of Technology.

Kermanshahi, B., and Iwamiya, H., (2002). Up to year 2020 load forecasting using neural nets. Electrical Power and Energy Systems 24: 789-797.

Khan, A.I., Topping, B.H.V., and Bahreininejad, A., (1993). Parallel training of neural networks for finite element mesh generation. Neural Networks and Combinatorial Optimization in Civil and Structural Engineering: 81-94.

www.ssru.ac.th

42

Khan, A.I., Topping, B.H.V., and Bahreininejad, A., (1993). Parallel training of neural networks for finite element mesh generation. Neural Networks and Combinatorial Optimization in Civil and Structural Engineering: 81-94.

Khare, M., and Sharma, P., (1999). Performance evaluation of general finite line source model for Delhi traffic cindition. Transportation Research Part D: Transport and Environment 4 (1): 65-70.

Kiely, G., (1996). Environmental Engineering. United States of America: McGraw-Hill. Kireetoh, S., (1995). Neural networks technology. Engineering Institute of Thailand:

EE371-EE384. Klimasuaskas, C.C., (1993). Applying neural networks. Neural Networks in Finance and

Investing: 47-72. Kukkonen, J., et al. (2003). Extensive evaluation of neural network models for the

prediction of NO2 and PM10 concentrations, compared with a deterministic modelling system and measurements in central Helsinki. Atmospheric Environment 37: 4539–4550

Kurt, A., Gulbagci, B., Karaca, F., and Alagha, O., (2008) An online air pollution forecasting system using neural networks. Environmental International (In Press)

Li, S-T., and Shue, L-Y., (2004). Data mining to aid policy making in air pollution management. Expert Systems with Applications 27: 331–340.

Lippmann, R.P., (1987). An introduction to computing with neural nets. IEEE ASSP Magazine, : 4–22.

McKim, R., Adas, A., and Handa, V.K., (1996). Construction Firm Organizational Effectiveness: A Neural Network-based Prediction Methodology. In Langford D.A., and Retik A., Editors. The Organization and Management of Construction Shaping and Practice 3: 247-256.

Medsker, L., Turban, E., and Trippi, R.R., (1993). Neural network fundamentals for financial analysis. Neural Networks in Finance and Investing: 3-26.

Mok, K.M., and Tam, S.C. (1998). Short-term prediction of S02 concentration in Macau with artificial neural networks. Energy and Buildings 28: 279-286.

Prybutok, V. R., Yi, J., and Mitchell, D., (2000). Comparison of neural network models with ARIMA and regression models for prediction of Houston's daily maximum ozone concentrations. European Journal of Operational Research 122: 31-40.

www.ssru.ac.th

43

Perez, P., and Reyes J., (2002). Prediction of maximum of 24-h average of PM10 concentrations 30 h n advance in Santiago, Chile. Atmospheric Environment 36 (2002): 4555–4561

Perez, P., and Reyes, J., (2006). An integrated neural network model for PM10 forecasting. Atmospheric Environment 40: 2845–2851.

Perez, P., Trier, A., and Reyes, J., (2000). Prediction of PM2.5 concentrations several hours in advance using neural networks in Santiago, Chile. Atmospheric Environment 34: 1189-1196.

Prybutok, V. R., Yi, J., and Mitchell, D., (2000). Comparison of neural network models with ARIMA and regression models for prediction of Houston's daily maximum ozone concentrations. European Journal of Operational Research 122: 31-40.

Rogers, J.L., and Lamarsh, W.J., (1992). Application of a neural network to simulate analysis in an optimization process. Artificial Intelligence in Design: 739-754.

Seinfeld, J. H., (1986). Atmospheric chemistry and physics of air pollution. United States of America: John Wiley&Sons.

Sivacoumara, R., and Thanasekaranb, K., (1999). Line source model for vehicular pollution near roadways and model evaluation though statistic analysis. Environmental Pollution 104 (3): 389-395.

Slini, T., Karatzas, K., and Moussiopoulos, N., (2003). Correlation of air pollution and meteorological data using neural networks. International Journal of Environment and Pollution 2003 - Vol. 20, No.1/2/3/4/5/6: 218 - 229.

Slini, T., Kaprara, A., Karatzas, K., and Moussiopoulos, N., (2006). PM10 forecasting for Thessaloniki, Greece. Environmental Modelling & Software 21 (2006) : 559–565

S.Areerachakul and S.Sanguansintukul “A Comparison between the Multiple Linear Regression Model and Neural Networks for Biochemical Oxygen Demand Estimations”, The Eight International Symposium on Natural Language Processing, Thailand, 2009.

Sokhi et al. (2008). An integrated multi-model approach for air quality assessment : Development and evaluation of the OSCAR Air Quality Assessment System. Environmental Modelling & Software 23 (2008): 268 - 281.

Thorpe, A.J., Harrisona, R.M., Boulter, P.G., and McCrae I.S., (2007) Estimation of particle resuspension source strength on a major London Road. Atmospheric Environment 41 (2007): 8007 - 8020.

Willmott, C.J., (1981). On the validation of models. Physical Geography, 2: 184-194.

www.ssru.ac.th

ประวตผเขยน

ศรลกษณ อารรชชกล ประวตการศกษา - อยระหวางศกษา Doctor of Philosophy in Computer Science and

Information Technology (Ph.D.) Faculty of Science, Chulalongkorn University.

- ป 2550 Certificate II in Information Technology, Raffles KvB Institute (Australia) - ป 2543 วทยาศาสตรมหาบณฑต (วท.ม.) สาขาวทยาการคอมพวเตอร คณะเทคโนโลยสารสนเทศ มหาวทยาลยรงสต - ป 2540 วทยาศาสตรบณฑต (วท.บ.) สาขาสถตประยกต คณะ วทยาศาสตรและเทคโนโลย สถาบนราชภฏสวนดสต

ประสบการณท างาน

2550-ปจจบน อาจารยประจ า สาขาวชาเทคโนโลยสารสนเทศ คณะวทยาศาสตร และเทคโนโลย มหาวทยาลยราชภฏสวนสนนทา 2545-2547 อาจารยประจ า สาขาวชาระบบสารสนเทศ คณะบรหารธรกจ มหาวทยาลยเทคโนโลยราชมงคลพระนคร วทยาเขตพณชยการพระ นคร 2543-2545 อาจารยประจ า สาขาวชาคอมพวเตอรธรกจ ศนยการศกษาดรณ พทยา มหาวทยาลยราชภฏสวนสนนทา 2540-2543 พนกงานชวยบรหาร งานพฒนาระบบเงนฝากและกองทน ธนาคาร ไทยพาณชยจ ากด (มหาชน)

www.ssru.ac.th

ประสบการณสอนระดบอดมศกษา วชา : 1. ระบบปฏบตการ (Operating Systems)

2. การจดการองคความร (Knowledge Management) 3. การวเคราะหและออกแบบระบบSystem analysis and Design 4. คณตศาสตรดสครต (Discrete Mathematics)

5. พาณชยอเลคทรอนคส (E-Commerce) 6. การสอสารขอมลและระบบเครอขาย(Data communications and Network System) 7. คลงและเหมองขอมล (Data warehouse and Data mining)

ผลงานวจยและบทความทไดรบการตพมพระดบนานาชาต

2555 Comparison of ANFIS and ANN for Estimation of Biochemical Oxygen Demand Parameter in Surface Water. ICCSIT 2012 : International Conference on Computer Science and Information Technology , April 11-13, 2012, Venice, Italy.

2554 Prediction of Dissolved Oxygen Using Artificial Neural Network. 2011 International Conference on Computer Communication and Management (ICCCM 2011), May 2-4, 2011, Sydney, Australia.

2553 Clustering Analysis of Water Quality for Canals in Bangkok, Thailand. The 2011 International Conference on Computational Science and Applications (ICCSA 2010), Fukuoka Japan. 2552 Water Quality classification using neural networks: Case study of

canals in Bangkok, Thailand, International Conference Internet Technology and Secured Transactions 2009 (ICITST 2009), London United Kingdom.

2552 A Comparison between the multiple linear regression model and neural networks for biochemical oxygen demand estimations, Eighth International Natural Language Processing 2009 (SNLP 09), Bangkok Thailand.

61

www.ssru.ac.th