การสรางโมเดลทานายอตราการใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมองขอมล

โดย นางสาวเพยงฤทย หนสวสด

วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตรปรญญาวทยาศาสตรมหาบณฑต สาขาวชาวทยาการคอมพวเตอรและสารสนเทศ

ภาควชาคอมพวเตอร บณฑตวทยาลย มหาวทยาลยศลปากร

ปการศกษา 2556 ลขสทธของบณฑตวทยาลย มหาวทยาลยศลปากร

สำนกหอ

สมดกลาง

การสรางโมเดลทานายอตราการใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมองขอมล

โดย นางสาวเพยงฤทย หนสวสด

วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตรปรญญาวทยาศาสตรมหาบณฑต สาขาวชาวทยาการคอมพวเตอรและสารสนเทศ

ภาควชาคอมพวเตอร บณฑตวทยาลย มหาวทยาลยศลปากร

ปการศกษา 2556 ลขสทธของบณฑตวทยาลย มหาวทยาลยศลปากร

สำนกหอ

สมดกลาง

BATTERY DISCHARGE RATE PREDICTION MODEL FOR MOBILE PHONE

USING DATA MINING

By

Miss.Paingruthai Nusawat

Thesis Submitted in Partial Fulfillment of the Requirements for the Degree

Master of Science Program in Computer and Information Science

Department of Computer

Graduate School, Silpakorn University

Academic Year 2013

Copyright of Graduate School, Silpakorn University

สำนกหอ

สมดกลาง

บณฑตวทยาลย มหาวทยาลยศลปากร อนมตใหวทยานพนธเรอง “การสรางโมเดลทานายอตราการใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมองขอมล” เสนอโดย นางสาวเพยงฤทย หนสวสด เปนสวนหนงของการศกษาตามหลกสตรปรญญาวทยาศาสตรมหาบณฑต สาขาวชาวทยาการคอมพวเตอรและสารสนเทศ

............................................................................... (รองศาสตราจารย ดร.ปานใจ ธารทศนวงศ)

คณบดบณฑตวทยาลย วนท .............เดอน..................................พ.ศ............

อาจารยทปรกษาวทยานพนธ รองศาสตราจารย ดร. จนทนา จนทราพรชย คณะกรรมการตรวจสอบวทยานพนธ ........................................................ประธานกรรมการ (รองศาสตราจารย ดร.ปานใจ ธารทศนวงศ) …............./............................../.............. ........................................................กรรมการ (ผชวยศาสตราจารย ดร.รชฎา คงคะจนทร) …............./............................../.............. ........................................................กรรมการ ........................................................กรรมการ (อาจารย ดร.ทศนวรรณ ศนยกลาง ) (รองศาสตราจารย ดร. จนทนา จนทราพรชย) …............./............................../.............. …............./............................../..............

สำนกหอ

สมดกลาง

สำนกหอ

สมดกลาง

สำนกหอ

สมดกลาง

ฉ

กตตกรรมประกาศ

ในการวจยครงนไดสาเ รจลลวงไปดวยด ผ วจ ยตองขอขอบพระคณอาจารยทปรกษา รองศาสตราจารย ดร.จนทนา จนทราพรชย ทไดใหคาปรกษา และไดเสยสละเวลาคอยใหคาชแนะแนวทางในการดาเนนงานวจยครงน และไดใหความชวยเหลอในการดาเนนงานทงปวง จนงานวจยไดสาเรจตามวตถประสงค นอกจากนทางผวจยตองขอบคณผชวยศาสตราจารยสจตรา อดลยเกษม ทไดคอยใหคาปรกษาและชแนะแนวทางในเรยนและในการวจยครงน ขอบคณเจาหนาทประจาภาควชาทไดอานวยความสะดวกในการตดตอประสานงาน ขอบคณนางสาวเนตรนภา บญลอ ทคอยชวยเหลอและกระตนขาพเจาในการทางานวจยครงน สดทายทางผวจยขอขอบพระคณบดา มารดา และทกคนในครอบครวทใหกาลงใจ และเปนแรงผลกดนใหขาพเจาไดศกษาตอจนสาเรจการศกษา

สำนกหอ

สมดกลาง

ช

สารบญ หนา บทคดยอภาษาไทย .......................................................................................................................... ง บทคดยอภาษาองกฤษ .................................................................................................................... จ กตตกรรมประกาศ .......................................................................................................................... ฉ สารบญตาราง .................................................................................................................................ฌ สารบญรป ................................................................................................................................... ฏ บทท 1 บทนา ............................................................................................................................... 1 ความเปนมาและความสาคญของปญหา ........................................................................... 1 วตถประสงคการวจย ........................................................................................................ 2 ขอบเขตการทาวจย ........................................................................................................... 2 ประโยชนทไดรบจากการวจย .......................................................................................... 3 เครองมอทใชในงานวจย .................................................................................................. 3 2 ทฤษฎและงานวจยทเกยวของ .......................................................................................... 4

การทาเหมองขอมล (Data mining) ................................................................................... 4 ขนตอนการทาเหมองขอมล ............................................................................................. 5 เทคนคของการทาเหมองขอมล ........................................................................................ 6 โครงขายประสาทเทยม (Neural Network) ..................................................................... 10 ซพพอรตเวกเตอรแมชชน (Support Vector machine) ................................................... 15 แบตเตอรมอถอ .............................................................................................................. 17 โปรแกรม WEKA .......................................................................................................... 21 ระบบปฏบตการโทรศพท .............................................................................................. 22 โทรศพทมอถอ ............................................................................................................... 25 การวเคราะหความถดถอย .............................................................................................. 28 ทฤษฎและผลงานวจยทเกยวของ ................................................................................... 32

3 วธดาเนนการวจย ........................................................................................................... 37 ขนตอนการดาเนนงานวจย ............................................................................................. 37 กาหนดปจจยทมผลตออายการใชงานของแบตเตอรมอถอ ....................................... 37

สำนกหอ

สมดกลาง

ซ

บทท หนา วเคราะหความสมพนธระหวางตวแปร ..................................................................... 38 กาหนดคาสถานะของปจจยทตองการทดสอบ .......................................................... 40 วดคาพลงงานของแบตเตอรมอถอ ............................................................................ 42 หาคา Battery Dischargerate ..................................................................................... 45 สรางโมเดลในการทานายพลงงานทใชไปของแบตเตอรมอถอ ................................ 47 วดคาแมนยาของการพยากรณ ................................................................................... 51 4 ผลการดาเนนงานวจย ..................................................................................................... 52 ผลการทดสอบโมเดล ..................................................................................................... 52 ผลคาความคลาดเคลอน .................................................................................................. 76 5 สรป อภปรายผล และขอเสนอแนะ ................................................................................ 78 สรปผลและอภปรายผลการวจย ..................................................................................... 78 อภปรายผลและการนาไปใช .......................................................................................... 79 ขอเสนอแนะ .................................................................................................................. 89 ขอจากดในงานวจย ........................................................................................................ 89 รายการอางอง ................................................................................................................................ 90 ภาคผนวก .................................................................................................................................. 92 ประวตผวจย ................................................................................................................................ 267

สำนกหอ

สมดกลาง

ฌ

สารบญตาราง ตารางท หนา

1 แสดงรายละเอยดงานวจยเรอง An Analysis of Power Consumption in a Smartphone ... 32 2 แสดงรายละเอยดงานวจยเรอง A System Context-Aware Approach for Battery Prediction in Smart Phones ........................................................................................................ 33 3 แสดงรายละเอยดงานวจยเรอง Predicting mobile device battery life .............................. 34 4 แสดงรายละเอยดงานวจยเรอง Users-Centric Prediction for Battery Lifetime of Mobile Devices ......................................................................................................... 35 5 แสดงรายละเอยดงานวจยเรอง Personalized Battery Lifetime Prediction for Mobile......... Devices based on Usage Patterns ............................................................................. 35 6 แสดงรายละเอยดปจจยทมผลตออายการใชงานของแบตเตอรมอถอ .............................. 37 7 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Standby ................................... 38 8 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Video ...................................... 39 9 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Web browser ........................... 40 10 แสดงรายละเอยดของแตละปจจยในแตละชดขอมลของสถานะ Standby ....................... 41 11 แสดงรายละเอยดของแตละปจจยในแตละชดขอมลของสถานะ Video .......................... 41 12 แสดงรายละเอยดของแตละปจจยในแตละชดขอมลของสถานะ Web browser ............... 42 13 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby ................... 53 14 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video ....................... 54 15 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web Browser .......... 55 16 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby ...................... (สมการ Polynomial) ................................................................................................. 56 17 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video .......................... (สมการ Polynomial) ................................................................................................. 57 18 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser .............. (สมการ Polynomial) ................................................................................................. 59 19 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Standby) .... 61

สำนกหอ

สมดกลาง

ญ

ตารางท หนา 20 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Video) ........ 62 21 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน Linear (สถานะ Web browser) ............................................................................................. 63 22

สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน Polynomial (สถานะ Standby) ...................................................................................................... 64 23 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน Polynomial (สถานะ Video) ......................................................................................................... 65 24 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน Polynomial (สถานะ Web browser) ............................................................................................. 66 25 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Radius Basic Function (สถานะ Standby) ...................................................................................................... 67 26 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Radius Basic Function (สถานะ Video) ......................................................................................................... 68 27 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Radius Basic Function (สถานะ Web browser) ............................................................................................. 69 28 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Linear (สถานะ Standby) สมการ Polynomial .................................................................................................. 70 29 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Linear (สถานะ Video) สมการ Polynomial ................................................................................................... 70 30 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Linear ............................ (สถานะ Web browser) สมการ Polynomial ............................................................. 71 31 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชน Polynomial .................... (สถานะ Standby) สมการ Polynomial ..................................................................... 71 32 สรปผลการทดลองในการปรบคา Gamma, C ในฟงกชน Polynomial (สถานะ Video) สมการ Polynomial ................................................................................................... 72 33 สรปผลการทดลองในการปรบคา Gamma, C ในฟงกชน Polynomial (สถานะ Web browser) สมการ Polynomial .................................................................................... 72

สำนกหอ

สมดกลาง

ฎ

ตารางท หนา 34 สรปผลการทดลองในการปรบคา Gamma, C ในฟงกชน Radius Basic Function (สถานะ Standby) สมการ Polynomial ..................................................................... 73 35 สรปผลการทดลองในการปรบคา Gamma, C ในฟงกชน Radius Basic Function (สถานะ Video) สมการ Polynomial ........................................................................ 73 36 สรปผลการทดลองในการปรบคา Gamma, C ในฟงกชน Radius Basic Function (สถานะ Web browser) สมการ Polynomial ............................................................. 74 37 ตารางแสดงคาความคลาดเคลอนของแตละโมเดลแบงตามลกษณะการใชงาน ............... 75 38 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคโครงขายประสาทเทยม (MLP) .................. 76 39 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) ฟงกชน Polynomial .................................................................................................. 76 40 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) ฟงกชน Linear .......................................................................................................... 77 41 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) ฟงกชน Radius Basic Function ................................................................................. 77 42 สรปการเปรยบเทยบคา MAE และ RMSE ระหวางเทคนค MLP และเทคนค SVM ....... 78 43 แสดงตวอยางคาอตราการไหลของแบตเตอรมอถอ (Battery Discharge rate) จากการตงคา ปจจยในแตละสถานะการทางาน .............................................................................. 79 44 ตวอยางแสดงคาอายการใชงานของแบตเตอรมอถอในสถานะ Standby (จากการกาหนดคา ปจจยตางๆ ................................................................................................................ 82 45 ตวอยางแสดงคาอายการใชงานของแบตเตอรมอถอในสถานะ Video (จากการกาหนดคา .. ปจจยตางๆ ................................................................................................................ 85 46 ตวอยางแสดงคาอายการใชงานของแบตเตอรมอถอในสถานะ Web browser (จากการ ...... กาหนดคาปจจยตางๆ ................................................................................................ 88

สำนกหอ

สมดกลาง

ฏ

สารบญรป

รปท หนา 1 กระบวนการ Classification ............................................................................................... 8 2 ตวอยาง Clustering ............................................................................................................. 9 3 แสดง Model ของ Neuron ในคอมพวเตอร ...................................................................... 10 4 แสดงโครงสรางวงจร Neural Network ............................................................................ 12 5 แสดงรปแบบ Back-propagation neural network ............................................................ 13 6 แสดงการเรยนรแบบมการสอน (Supervised Learning) .................................................. 14 7 แสดงการเรยนรแบบไมมการสอน Unsupervised Learning ............................................ 14 8 หลกการทางานของ SVM ................................................................................................ 16 9 แสดงตวอยางแบตเตอรนเกลเมตลไฮไดร (NiMH) .......................................................... 18 10 แสดงโครงสรางภายในแบตเตอร Li-Ion ......................................................................... 19 11 แสดงลกษณะรอบของการชารจ ...................................................................................... 20 12 แสดงหลกการทางานของโปรแกรม Weka ...................................................................... 21 13 ระบบปฏบตการ Android ................................................................................................ 22 14 โปรแกรม SetCPU ........................................................................................................... 43 15 โปรแกรม Select brightness level .................................................................................... 43 16 โปรแกรม Battery Doctor ................................................................................................ 44 17 ตวอยางกราฟแสดงคา Battery Discharge Rate ดวยสมการ linear regression ................. 45 18 ตวอยางกราฟแสดงคา Battery Discharge Rate ดวยสมการ Polynomial regression ........ 45 19 แสดงภาพรวมวธหาคา Battery Discharge Rate .............................................................. 46 20 ตวอยางไฟล CSV ............................................................................................................ 48 21 แสดงการแกไขชนดตวแปร ............................................................................................. 49 22 แสดงขอมลของตว test .................................................................................................... 50 23 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Discharge rate) สถานะ Standby ........................................................................................................ 79 24 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Dischargerate) สถานะ Video ... 81 25 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Discharge rate) สถานะ Web browser ................................................................................................ 83

สำนกหอ

สมดกลาง

1

1

บทท 1

บทนา

1.1 ความเปนมาและความสาคญของปญหา ปจจบนนโทรศพทมอถอไดกลายเปนอปกรณทจาเปนสาหรบชวตประจาวนของทกคน เรยกไดวาเปนปจจยหนงทสาคญสาหรบการตดตอสอสารระหวางกน ซงโทรศพทมอถอนนปจจบนนอกจากจะใชสาหรบการตดตอสอสารระหวางกน โดยการโทรเขาโทรออกแลวนน ตวโทรศพทมอถอยงมคณสมบตตางๆเพมขนมากมาย ไมวาจะเปนการดวดโอ ฟงเพลง ถายรป เลนอนเตอรเนต คนหาเสนทาง ฯลฯ ลวนแลวแตเปนแอพพลเคชนทเขามาเพมความสะดวกสบายใหกบผใชงานทงสน ซงการทจะใชงานแอพพลเคชนตางๆไดนน ตองอาศยพลงงานจากแบตเตอรมอถอ โดยพลงงานของแบตเตอรกขนอยกบขนาดและความจของตวแบตเตอร เพราะฉะนนแลวจงถอไดวาแบตเตอรเปนปจจยหลกทมความสาคญสาหรบการใชงานโทรศพทมอถอ แบตเตอรมอถอแตละประเภทนนจะมคาพลงงานทบรรจอยแตกตางกนออกไป โดยขนอยกบประเภท ขนาด และความจของตวแบตเตอร ซงคาพลงงานทมอยกถกนาไปใชสาหรบแอพพลเคชนตางๆ แตละแอพพลเคชนกมการใชพลงงานทแตกตางกนออกไป เพราะฉะนนแลวการจดการในเรองของพลงงานทมประสทธภาพจงถอเปนสงทสาคญสาหรบตวแบตเตอร เพอทาใหการทางานของแบตเตอรมประสทธภาพและตอบสนองความตองการใชพลงงานสาหรบแตละแอพพลเคชนของผใชได ซงการจดการดานพลงงานนนโดยปกตแลวตองอาศยการคานวณคาพลงงานของแบตเตอรทมอยวาสามารถใชงานไดนานเทาไหร และแตละแอพพลเคชนตองการพลงงานเทาไหรในการทางาน ทางผจดทาไดจงเลงเหนถงความสาคญของการคานวณหาคาพลงงานของแบตเตอรมอถอรวมถงการหาคาพลงงานของแตละแอพพลเคชน ซงวธการคานวณโดยใชสตรนนเปนวธการทยงยาก และอาจทาใหเกดขอผดพลาดได โดยมการนาหลกการของ Data mining ซงเปนเทคโนโลย

สำนกหอ

สมดกลาง

2

สารสนเทศทสามารถกลนกรอง วเคราะห ขอมลทมปรมาณมหาศาลเพอใหไดขอมลทมประโยชนหรอไดขอมลทซอนเรนอย และนามาใชเปนฐานความรหรอคลงขอมล โดยทางผจดทาไดนา Data

mining เขามาชวยในการทานายการพลงงานทใชไปของแบตเตอรมอถอ โดยใชเทคนคโครงขายประสาททยมและเทคนคซพพอรตเวกเตอรแมชชน เพอหาคาประสทธภาพในการทานายผลทมคาความแมนยามากทสด และนาไปสการจดการพลงงานทมประสทธภาพตอไป

1.2 วตถประสงคการวจย

1. เพอสรางโมเดลทานายการอตราการใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมองขอมล แบงตามลกษณะการใชงาน 2. เพอเปรยบเทยบประสทธภาพการทานายผลของโมเดลโดยเทคนคโครงขายประสาทเทยมและเทคนคซพพอรตเวกเตอรแมชชน 1.3 ขอบเขตการวจย

1. พจารณาปจจยทสงผลตออายการใชงานของแบตเตอรมอถอ ไดแก Cpu Utilization (Cpu),

Wireless State (wifi), generation mobile telecommunications (3G) , Bluetooth (bt), LCD

Backlight Brightness (brt),Global Positioning System (Gps) และ Synchronize (Sync) โดยพจารณาจาก Platform ตอไปนคอ HTC One V บนระบบปฏบตการ Android

2. กลมตวอยางขอมลทนามาใชในการสรางโมเดลคอคาอตราการไหลของแบตเตอรมอถอ (Battery Discharge rate) ซงหาไดจากสมการ Linear Regression และสมการ Polynomial

Regression มาทาการวเคราะหและสรางโมเดล 3. ทาการสรางโมเดลโดยแบงตามลกษณะการทางาน 3 รปแบบ คอ Standby, Video และ Web

browser จากจานวนชดขอมล 480 ชดขอมลในแตละกรณ โดยใชหลกการของเหมองขอมล เทคนคทนามาใชในการสรางโมเดลคอเทคนคโครงขายขายประสาทเทยม (Neural Network) แบบ Multi-

Layer Perception (MLP) และเทคนคซพพอรตเวกเตอรแมชชน (Support Vector Machines -SVM)

แบบ Kernel โดยใชฟงกชนแบบ Polynomial, Linear และแบบ Radius Basic Function (RBF) 4. เปรยบเทยบประสทธภาพในการทานายผลของโมเดล โดยใชเกณฑในการเปรยบเทยบจากการวดคาคลาดเคลอน 2 แบบ คอ คาความคลาดเคลอนกาลงสองเฉลย (Root mean square error:

RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE)

สำนกหอ

สมดกลาง

3

1.4 ประโยชนทคาดวาจะไดรบ 1. ไดโมเดลการทานายอตราการใชพลงงานของแบตเตอรมอถอแบงตามลกษณะการทางาน

2. ไดโมเดลทานายการใชพลงงานของแบตเตอรมอถอทมประสทธภาพในการทานายผลทความแมนยาสง

1.5 เครองมอทใชในงานวจย 1. เครองคอมพวเตอร Intel(R) Core(TM) 2 CPU T5500 1.66 GHz และ 1.66 GHz, 2 GB of

RAM สาหรบใชในการประมวลผลโปรแกรมในการสรางแบบจาลอง

2.โทรศพทมอถอพรอมแบตเตอร ใชในการทดลองวดคาพลงงาน คอHTC One V

ระบบปฏบตการ Android ความจของแบตเตอรเทากบ 1500 mAh

3. โปรแกรม Battery monitor เปนโปรแกรมทใชในการนามาวดคาพลงงานของโทรศพทมอถอ

4. โปรแกรม SetCPU ใชสาหรบการตงคาของ CPU Utilization

5. โปรแกรม Select brightness level ใชสาหรบการตงคาความสวางของหนาจอ

6. โปรแกรม Battery Doctor ใชสาหรบการตงคาปจจยตางๆ 7. โปรแกรม Weka ใชในการประมวลผลขอมลเพอสรางเปนแบบจาลอง

สำนกหอ

สมดกลาง

4

4

บทท 2

ทฤษฎและผลงานวจยทเกยวของ

การศกษาทฤษฎและผลงานวจยทเกยวของในบทน ผวจยไดศกษาจากเอกสาร แนวคด ทฤษฎ และงานวจยทเกยวของ ประกอบดวย

1. การทาเหมองขอมล (data mining) 2. ขนตอนการทาเหมองขอมล

3. เทคนคของการทาเหมองขอมล

4. โครงขายประสาทเทยม

5. ซพพอรตเวกเตอรแมชชน

6. แบตเตอรมอถอ 7. โปรแกรม WEKA

8. ระบบปฏบตการโทรศพท 9. โทรศพทมอถอ 10. การวเคราะหความถดถอย

11. ทฤษฎและผลงานวจยทเกยวของ

1. การทาเหมองขอมล (data mining) การทาเหมองขอมล หมายถง การสบคนความรทเปนประโยชนและนาสนใจบนฐานขอมลขนาดใหญ (Knowledge Discovery from very large Databases : KDD ) หรอทเรยกกนวา Data

Mining เปนเทคนคทใชจดการกบขอมลขนาดใหญ โดยจะนาขอมลทมอยมาวเคราะหแลวดงความร หรอสงสาคญออกมา เพอใชในการวเคราะห หรอทานายสงตาง ๆ ทจะเกดขน ซงการคนหาความร

ความจรงทแฝงอยในขอมล ( Knowledge Discovery) เปนกระบวนการขดคนสงทนาสนใจในกองขอมลทเรามอย ซงตางจากระบบฐานขอมล ตรงทเราไมตองเปนคนกาหนดคาสง (เชน SQL) เพอคนหาขอมลทเราตองการ แตระบบ Data Mining จะมขบวนการ/วธการ (ซงปกตจะเปน machine

สำนกหอ

สมดกลาง

5

Tools) เพอทาหนาทน นนคอเราแคบอกวาเราตองการอะไร (what to be mined) แตไมจาเปนตอง ระบวา ทาอยางไร (How to mine) ระบบฐานขอมลทวไป จะบงคบใหเราตองทาทงสอง

หนาทน คอคดกอนวาจะ คนหาอะไรแลวกไปประดษฐคาสง SQL เพอคนหาขอมลนน ดงนนถาเราคดไมรอบคอบ หรอคดดแลวแตแปลเปนคาสงผด กจะไดขอมลผดๆ หรอไมตรงกบความตองการ

Data mining มประโยชนมาก โดยเฉพาะการคนหาขอมล ซงขอมลทไดจะเปนประโยชนสาหรบการนาไปใชในการวเคราะหหาขอมลในดานตางๆตอไป (ณสทธ เหลาเสน, 2553) 1.1 ประเภทขอมลทสามารถทาเหมองขอมล

1.1.1 Relational Database เปนฐานขอมลทจดเกบอยในรปแบบของตาราง โดยในแตละตารางจะประกอบไปดวยแถวและคอลมน ความสมพนธของขอมลทงหมดสามารถแสดงไดโดย Entity-relationship (ER) model

1.1.2 Data Warehouses เปนการเกบรวบรวมขอมลจากหลายแหลงมาเกบไวในรปแบบเดยวกนและรวบรวมไวในท ๆ เดยวกน

1.1.3 Transactional Database ประกอบดวยขอมลทแตละทรานแซกชนแทนดวยเหตการณ

ในขณะใดขณะหนง เชน ใบเสรจรบเงน จะเกบขอมลในรป ชอลกคาและรายการสนคาท

ลกคารายนนซอ เปนตน

1.1.4 Advanced Database เปนฐานขอมลทจดเกบในรปแบบอน ๆ เชน ขอมลแบบ Object

Oriented, ขอมลทเปน text file, ขอมลมลตมเดย, ขอมลในรปของ web (ณสทธ เหลาเสน, 2553)

2. ขนตอนการทาเหมองขอมล

ในการทาเหมองขอมลนนมลาดบขนตอนและสามารถสรปไดดงตอไปน

2.1 การคดเลอกขอมล (Data Selection) เปนการระบถงแหลงขอมลทจะนามาใชในการทา เหมองขอมล

2.2 การเตรยมขอมล (Data Preprocessing) ขนตอนการเตรยมขอมลโดยการแยกขอมลทไมมคาขอมลททาการบนทกผด ขอมลทมความซาซอน หรอไมสอดคลองกนออกไป และทาการรวบรวมขอมลทตองการทมาจากหลาย ๆ ฐานขอมลจดประสงคกเพอทาใหมนใจวาคณภาพของขอมลทถกเลอกนนเหมาะสม

2.3 การแปลงรปแบบขอมล (Data Transformation) เปนการแปลงขอมลทเลอกมาใหอย ในรปแบบทเหมาะสมสาหรบการนาไปใชวเคราะหตามอลกอรทม (Algorithm) ทใชในการทาเหมองขอมลตอไป

สำนกหอ

สมดกลาง

6

2.4 การทาเหมองขอมล (Data Mining) เปนการใชเทคนคภายในการทาเหมองขอมล

โดยทวไปประเภทของงานตามลกษณะของแบบจาลองทใชในการทาเหมองขอมลนนสามารถแบงกลมไดเปน 2 ประเภทใหญ ๆ คอ

2.4.1 แบบจาลองเชงทานาย (Predictive Data Mining) คอ เปนการคาดคะเนลกษณะหรอ ประมาณคาทชดเจนของขอมลทจะเกดขนโดยใชพนฐานจากขอมลทผานมาในอดต

2.4.2 แบบจาลองเชงพรรณนา (Descriptive Data Mining) คอเปนการหาแบบจาลองเพออธบายลกษณะบางอยางของขอมลทมอย ซงโดยสวนมากจะเปนลกษณะการแบงกลมใหกบขอมล 2.5 การแปลผลและประเมนผลลพธทได (Interpretation and Evaluation) เปนขนตอนการแปลความหมายและการประเมนผลลพธทไดวามความเหมาะสม หรอตรงกบวตถประสงคทตองการหรอไมโดยทวไปควรมการแสดงผลในรปแบบทสามารถเขาใจไดโดยงาย (อดลย ยมงาม, 2556)

3. เทคนคของ Data Mining

3.1 งานของ Data Mining

ในทางปฏบตจรง Data mining จะประสบความสาเรจกบงานบางกลมเทานน และตองอยภายใตภาวะทจากดปญหาเหมาะสมกบการใชเทคนค ซงลกษณะงานของ Data Miningสามารถจดรปแบบของธรกจได 6 งาน ดงน

3.1.1 การจดหมวดหม (Classification) ถอวาเปนงานธรรมดาทวไปเพราะการทาความเขาใจและการตดตอสอสารตาง ๆ ถอวาเกยวของกบการจดหมวดหมทงสน การจดหมวดหมประกอบดวยการสารวจจดเดนของวตถทปรากฏออกมาและกาหนดจดเดนนนเปนตวทใชแบงหมวดหม ซงในงานนจะมการ บงบอกลกษณะ และเทรนนงเชต (Training Set) ของตวอยางในแตละหมวดหม 3.1.2 การประเมนคา (Estimation) เปนการทเราปอนขอมลสงทเรามอยเขาสระบบ เพอใชงานการประเมนสงตาง ๆ ทจะกอใหเกดประโยชน หรอสาหรบตวแปรทเราไมรคาแนนอน การประเมนคาจะถกใชในการแบงหมวดหม 3.1.3 การทานายลวงหนา (Prediction) เปนงานทมลกษณะคลายกบการจดหมวดหมหรอการประเมนคา เพยงแตจะใชสถตการบนทกของการจดหมวดหมในการทานายอนาคตของพฤตกรรมหรอการประเมนคาทเกดขนในอนาคต

3.1.4 การจดกลมโดยอาศยความใกลชด (Affinity Group) หรอเรยกวาการวเคราะหของตลาด

คอการตดสนใจรวมสงทสามารถไปดวยกนเขาไวในกลมเดยวกน เชน การตดสนใจวาสงใดบางทจะไปอยดวยกนอยางสมาเสมอในรถเขนในซปเปอรมารเกต

สำนกหอ

สมดกลาง

7

3.1.5 การรวมตว (Clustering) คองานททาการรวมสวนตาง ๆ ในแตละสวนทตางชนดกนใหอยรวมกนเปนกลมยอย หรอ คลสเตอร (Cluster) โดยในแตละคลสเตอรอาจประกอบดวยสวนทตางชนดกน ซงตางจากการจดหมวดหมคอการรวมตวจะไมพงพาการกาหนดหมวดหมลวงหนาและไมใชตวอยาง ขอมลจะรวมตวกนบนพนฐานของความคลายในตวเอง (ชนวฒน ศรสอาน,

2551: 211-212)

3.2 เทคนคของการทาเหมองขอมล

3.2.1 Association rule Discovery เปนเทคนคหนงของ Data mining ทสามารถนาไปประยกตใชไดจรงกบงานตาง ๆ หลกการทางานของวธน คอ คนหาสมพนธของขอมลจากขอมลขนาดใหญทมอยเพอนาไปใชในการวเคราะห หรอทานายปรากฏการณตาง ๆ หรอมาจากการวเคราะหการซอสนคาของลกคา ซงประเมนจากขอมลในตารางทรวบรวมไวผลการวเคราะหทไดจะเปนคาตอบของปญหาซงการวเคราะหแบบนเปนการใช “กฏความสมพนธ” เพอหาความสมพนธของขอมล

การวเคราะหหา Association Rules คอการหาความสมพนธของกลมขอมลทมกเกดขนดวยกนเสมอ เชน การซอสนคาของลกคา 1 ครงในรานคา เราตองการทราบวาสนคาใดบางทลกคามกซอดวยกน เพอนาไปพจารณาปรบปรงการจดวางสนคา ประโยชนของเทคนคการหา

Association Rules ไดแก แสดงความสมพนธของการเกดขนของขอมล อธบายความสมพนธทซอนอยในฐานขอมลทไมสามารถพจารณาไดดวยตาเปลา และใชเปนขอมลประกอบการตดสนใจ

3.2.2 Classification & Prediction เปนการจาแนกประเภทของขอมลเปนกระบวนการสราง

Model จดการขอมลใหอยในกลมทกาหนดมาให โดยจะนาขอมลสวนหนงมาสอนใหระบบเรยนร

(Training Data) เพอจาแนกขอมลออกเปนกลมตามทกาหนดไว ผลลพธทไดจากการเรยนรคอ

Model จาแนกประเภทขอมล (Classifier Model) และนาขอมลสวนทเหลอจากขอมลสอนระบบเปนขอมลทใชทดสอบ (Testing Data) ซงกลมทแทจรงของขอมลทใชทดสอบจะถกนามาเปรยบเทยบกบกลมทหามาไดจาก Model เพอทดสอบความถกตองและปรบปรง Model จนกวาจะไดคาความถกตองในระดบทนาพอใจหลงจากนนเมอมขอมลใหมเขามา จะนาขอมลผาน Model

โดย Model จะสามารถทานายกลมขอมลไดซง Model อาจแสดงในรปของ Model การพยากรณขอมล (Prediction Model) เปนกระบวนการสราง Model เพอทานายหาคาทตองการจากขอมลทมอย โดยมกระบวนการสราง Model คลายกบการจาแนกประเภทขอมลแตตางกนตรงทการพยากรณหาคาทตองการออกมาเปนตวเลข (กฤษณะ ไวยมย และคณะ, 2544:135)

Classification เปนกระบวนการสราง Model จดการขอมลใหอยในกลมทกาหนดมาให ตวอยางเชน จดกลมนกเรยนวา ดมาก ด ปานกลาง ไมด โดยพจารณาจากประวตและผลการรยน

สำนกหอ

สมดกลาง

8

หรอแบงประเภทของลกคาวาเชอถอได หรอไมโดยพจารณาจากขอมลทมอย กระบวนการ classification นแบงออกเปน 3 ขนตอน ดงรป

รปท 1 กระบวนการ Classification

ทมา : นนท สาระมาศ, วษณ เกยวเกา และศภกรช เขอนเพชร, “คมอการใช WEKA: Classification

ใชตวอยาง weather.” เอกสารประกอบรายวชาระบบสารสนเทศเชงปญญา สาขาระบบสารสนเทศทางคอมพวเตอร มหาวทยาลยเทคโนโลยราชมงคลธญบร, 2544.

Prediction เปนการทานายหาคาทตองการจากขอมลทมอย ตวอยางเชน หายอดขายของเดอนถดไปจากขอมลทมอย หรอทานายโรคจากอาการของคนไขในอดต เปนตน

3.3.3 Database clustering หรอ Segmentation เปนเทคนคการลดขนาดของขอมลดวยการ

รวมกลมตวแปรทมลกษณะเดยวกนไวดวยกน ตวอยางเชน บรษทจาหนายรถยนตไดแยกกลมลกคา ออกเปน 3 กลม คอ กลมผมรายไดสง (>$80,000)

กลมผมรายไดปานกลาง ($25,000 to $ 80,000)

กลมผมรายไดตา (less than $25,000)

และภายในแตละกลมยงแยกออกเปน

Model Construction

Classifier Model

Model Evaluation

Classifier Model

Classification

Training

Data

Testing

Unseen

9

Have Children

Married

Last car is a used car

Own cars

รปท 2 ตวอยาง Clustering

ทมา : กฤษณะ ไวยมย, ชดชนก สงศร และธนาวนทรกธรรมานนท, “การใชเทคนคดาตาไมนนงเพอพฒนาคณภาพการศกษาคณะวศวกรรมศาสตร.” NECTEC technical Journal 3, 11, (2544): 134-142. จากขอมลขางตนทาใหทางบรษทรวาเมอมลกคาเขามาทบรษทควรจะเสนอขายรถ

ประเภทใด เชน ถาเปนกลมผมรายไดสงควรจะเสนอรถใหม เปนรถครอบครวขนาดใหญ

พอสมควร แตถาเปนผมรายไดคอนขางตาควรเสนอรถมอสอง ขนาดคอนขางเลก

3.3.4 Deviation Detection เปนกรรมวธในการหาคาทแตกตางไปจากคามาตรฐาน หรอคาท

คาดคดไววาตางไปมากนอยเพยงใด โดยทวไปมกใชวธการทางสถต หรอการแสดงใหเหนภาพ

(Visualization) สาหรบเทคนคนใชในการตรวจสอบ ลายเซนปลอม หรอบตรเครดตปลอม รวมทง

การตรวจหาจดบกพรองของชนงานในโรงงานอตสาหกรรม

3.3.5 Link Analysis จดมงหมายของ Link Analysis คอ การสราง link ทเรยกว associations

ระหวาง recode เดยวหรอ กลมของ recode ในฐานขอมล link analysis สามารถแบงออกเปน 3 ชนด คอ

First Segment (High

Second Segment (Middle

Third Segment (Low income)

Have

Marrie

Last car is a

Own

10

3.3.5.1 associations discovery

3.3.5.2 sequential pattern discovery

3.3.5.3 similar time sequence discovery

4. โครงขายประสาทเทยม (Neural Network)

เปนการเลยนแบบการทางานของระบบประสาทเทยม ซงเลยนแบบการทางานของระบบประสาทในสมองของมนษย การทางานของ Neural Network แตละ Process จะรบ Input เขาไปคานวณ และสราง Output ออกมาในลกษณะทไมใชเปนการทางานแบบเชงเสนตรง เพราะวา Input

แตละตวจะถกใหลาดบความสาคญของคาไมเทากน คาของ Output ทไดจากการเชอมโยงกนนจะถกนามาเปรยบเทยบกบ Output ทไดตงเอาไว ถาคาทออกมาเกดความคลาดเคลอน กจะนาไปสการปรบคาหรอนาหนกของคาทใสไวใหแตละ Input

Neural Network เปนการสรางแบบจาลองทเลยนแบบการทางานของสมองมนษย มโครงสรางเปนกลมของ Node ทเชอมโยงถงกนในแตละ Layer คอ Input Layer, Hidden Layer และ Output

Layer (วทยา พรพชรพงศ, 2556)

4.1 โครงสรางโครงขายประสาทเทยม โครงขายประสาทเทยมมโครงสรางแตกตางจากขายงานในสมอง แตกยงเหมอนสมอง ในแงทวาขายงานประสาทเทยม คอการรวมกลมแบบขนานของหนวยประมวลผลยอยๆ และการเชอมตอนเปนสวนสาคญททาใหเกดสตปญญาของขายงาน เมอพจารณาขนาดแลวสมองมขนาดใหญกวาขายงานประสาทเทยมอยางมาก รวมทงเซลลประสาทยงมความซบซอนกวาหนวยยอยของ 2 ขายงาน อยางไรกดหนาทสาคญของสมอง เชน การเรยนรยงคงสามารถถกจาลองขนอยางงายดวยโครงขายประสาทน

X1

X2

X3

Xn

∑

Wn

W3

W2

W1

รปท 3 แสดง Model ของ Neuron ในคอมพวเตอร

ทมา : โครงขายประสาทเทยม. (2013). Access 29 November 2013. Available from

http://www.scribd.com/doc/45905452/Report-Neural-Network

11

4.2 หลกการของโครงขายประสาทเทยม

สาหรบในคอมพวเตอร Neurons ประกอบดวยinput และ output เหมอนกน โดยจาลองให input แตละอนม weight เปนตวกาหนดนาหนกของ input โดย neuron แตละหนวยจะมคา threshold เปนตวกาหนดวานาหนกรวมของ input ตองมากขนาดไหนจงจะสามารถสง output ไปยง neurons ตวอนได เมอนา neuron แตละหนวยมาตอกนใหทางานรวมกนการทางานนในทางตรรกแลวกจะเหมอนกบปฏกรยาเคมทเกดในสมองเพยงแตในคอมพวเตอรทกอยางเปนตวเลขเทานนเอง

4.3 หลกการทางาน

การทางานของ Neural networks คอเมอม input เขามายง network กเอา input มาคณกบ weight ของแตละขา ผลทไดจาก input ทกๆ ขาของ neuron จะเอามารวมกนแลวกเอามาเทยบกบ threshold ทกาหนดไว ถาผลรวมมคามากกวา thresholdแลวneuron กจะสง output ออกไป output นกจะถกสงไปยง input ของ neuron อน ๆ ทเชอมกนใน network ถาคานอยกวา threshold กจะไมเกด output เขยนออกมาไดดงน

If (sum (input * weight) > threshold) then output

สงสาคญคอตองทราบคา Weight และ threshold สาหรบสงทตองการเพอใหคอมพวเตอรรจา ซงเปนคาทไมแนนอน แตสามารถกาหนดใหคอมพวเตอรปรบคาเหลานนไดโดยการสอนใหมนรจก Pattern ของสงทเราตองการใหมนรจา เรยกวา "back propagation" ซงเปนกระบวนการยอนกลบของการรจาในการฝก feed-forward neural networks จะมการใชอลกอรทมแบบ back-

propagation เพอใชในการปรบปรงนาหนกคะแนนของเครอขาย (network weight) หลงจากใสรปแบบขอมลสาหรบฝกใหแกเครอขายในแตละครงแลว คาทไดรบ (Output) จากเครอขายจะถกนาไปเปรยบเทยบกบผลทคาดหวงแลวท าการคานวณหาคาความผดพลาด ซงคาความผดพลาดนจะถกสงกลบเขาสเครอขายเพอใชแกไขคานาหนกคะแนนตอไป (วทยา พรพชรพงศ ,2556)

12

รปท 4 แสดงโครงสรางวงจร Neural Network

ทมา : โครงขายประสาทเทยม. (2013). Access 29 November 2013. Available from

http://www.scribd.com/doc/45905452/Report-Neural-Network

Output ของแตละ Node

yi = f (Wi1X1 + Wi

2X2+Wi3X3+ …+Wi

m Xm

= f (∑ j Wij Xj )

เมอ Xi = input จากโหนดอนๆ

Wij = นาหนก (weight) ของแตละแขน (connection)

4.4 Back propagation Algorithm

Back-propagation เปนอลกอรทมทใชในการเรยนรของเครอขายใยประสาทวธหนงทนยมใชใน multilayer perception เพอปรบคานาหนกในเสนเชอมตอระหวางโหนดใหเหมาะสม โดยการปรบคานจะขนกบความแตกตางของคาเอาตพตทคานวณไดกบคาเอาตพตทตองการ พจารณารปตอไปนประกอบ

Input nodes Connection nodes

Output nodes

Hidden nodes

13

รปท 5 แสดงรปแบบ Back-propagation neural network

ทมา : โครงขายประสาทเทยม. (2013). Access 29 November 2013. Available from

http://www.scribd.com/doc/45905452/Report-Neural-Network

ขนตอนของ Back-propagation Algorithm มดงน

1. กาหนดคาอตราเรวในการเรยนร (rate parameter: r)

2. สาหรบแตละตวอยางอนพตใหท าตามขนตอนตอไปนจนกวาไดระดบ performance ทตองการ

3. คานวณหาคาเอาตพตโดยใชคาน าหนกเรมตนซงอาจไดจากการสม

4. คานวณหาคา : แทนประโยชนทจะไดรบสาหรบการเปลยนคาเอาตพตของแตละโหนดในชนเอาตพต (Output Layer)

5. เพมคานาหนกทเปลยนแปลง สาหรบตวอยางอนพตทงหมด และเปลยนคานาหนกNeural Network Taxonomy

การเรยนรสาหรบ Neural Network

1. Supervised Learning การเรยนแบบมการสอน

เปนการเรยนแบบทมการตรวจคาตอบเพอใหวงจรขายปรบตว ชดขอมลทใชสอนวงจรขายจะมคาตอบไวคอยตรวจดวาวงจรขายใหคาตอบทถกหรอไม ถาตอบไมถก วงจรขายกจะปรบตวเองเพอใหไดคาตอบทดขน

ชนท k ชนท z

Input Output

Input layer ชนท i ชนท j

14

รปท 6 แสดงการเรยนรแบบมการสอน (Supervised Learning)

ทมา: เดช ธรรมศร ณรงค และคณะ, “การใหคะแนนสนเชอโดยวธการทาเหมองขอมล ดวยเทคนคโครงขายประสาทเทยม แบบแพรกระจาย ยอนกลบ.” National Conference on Computer and

Information Technology, 2551.

2. Unsupervised Learning การเรยนแบบไมมการสอน เปนการเรยนแบบไมมผแนะนา ไมมการตรวจคาตอบวาถกหรอผด วงจรขายจะจดเรยงโครงสรางดวยตวเองตามลกษณะของขอมล ผลลพธทได วงจรขายจะสามารถจดหมวดหมของขอมลได (เปรยบเทยบกบคน เชน การทเราสามารถแยกแยะพนธพช พนธสตวตามลกษณะรปรางของมนไดเองโดยไมมใครสอน)

รปท 7 แสดงการเรยนรแบบไมมการสอน Unsupervised Learning

ทมา : เดช ธรรมศร ณรงค และคณะ, “การใหคะแนนสนเชอโดยวธการทาเหมองขอมล ดวยเทคนคโครงขายประสาทเทยม แบบแพรกระจาย ยอนกลบ.” National Conference on Computer and

Information Technology, 2551.

Input Data

Neural Network Training Output

Training Parameter (Adjust Weight)

Target Output

Input Data

Neural Network Network Output

Training Parameter (Adjust Weight)

15

4.5 ขอจากดของ Neural Network

4.5.1 Neural Network รบขอมลไดเฉพาะ ขอมลตวเลขทอยในชวง 0 – 1 เทานน กรณทขอมลนาเขามคามากกวา นตองทาการปรบลดคาลง หรอในกรณทเปนขอมลอนทไมใชตวเลขตองทาการแปลงคากอน

4.5.2 การสรางแบบจาลองดวย Neural Network นนจะไมสามารถอธบายได

วาผลลพธทไดนนมาจากไหน

4.5.3 เนองจากการทไมสามารถอธบายผลลพธทไดมาได ดงนนการสราง

แบบจาลองดวย Neural Network จะไมสามารถรบรองไดเลยวาเปนแบบจาลองทดหรอไมจนกวา จะไดทาการทดสอบกบขอมลทดสอบกอนจน แนใจกอน

5. ซพพอรตเวกเตอรแมชชน (Support Vector machine)

ซพพอรตเวกเตอรแมชชน (Support Vector Machines: SVM) เปนตวแบบทใชในการแยกแยะขอมล โดย SVM จะทาการแบงชนของขอมลดวยระนาบหลายมต จากขอมล 2 กลมชดขอมล โดยตวแบบของ SVM มเกยวของกบโครงขายประสาทเทยม ตวแบบของSVM ใชsigmoid kernel

Function ซงมคาเทากนทง 2 ชน (layer) ตวแบบของ SVM มความคลายคลงกบเพอรเซฟตรอน (Perception) ซงเปนขายงานประสาทเทยมแบบงายมหนวยเดยวทจาลองลกษณะของเซลลประสาทดวยการใช Kernel function ซง SVM จะใชขอมลของ คณสมบตและตวแปรทเปลยนแปลงใชในการกาหนดระนาบหลายมต เรยกวา โครงสราง (Feature) สวนการเลอกทมความเหมาะสมทสด

เรยกวา โครงสรางในการคดเลอก (Feature selection) จานวนเซตของโครงสรางทใชอธบายในกรณหนง (เชน แถวของการคาคาดการณ) เรยกวา เวกเตอร(Vector) ดงนนจดมงหมายของตวแบบ SVM คอการประโยชนสงสดจากระนาบหลายมตทแบงแยกกลมของเวกเตอรทถกเรยกวา การหาเสนแบง Hyper-planes ซงใชแบงขอมลสองคลาสเพอใหไดผลลพธทดโดยพจารณาจากสมการเสนตรง Hyper planes และ SVMs จะทาการคนหาเวกเตอรทอยใกลเสนแบง hyper planes เรยกวา ซพพอรตเวกเตอร (Support vectors) ดงแสดงในภาพท (R. O. Duda ,1973)

16

รปท 8 หลกการทางานของ SVM

ทมา : R. O. Duda and P. E. Hart, Pattern Classification and Scene Analysis. (New York:

Wiley, 1973).

5.1 ฟงกชนเคอรเนล (Kernel Function)

ในกรณการจดแบงกลมขอมลโดยใชระนาบแบบไมเปนเสนตรง ซพพอรตเวคเตอรแมชชนจะอาศยหลกการของการแปลงขอมลจากพนทขอมลนาเขา (Input Space) ใหเปนพนทคณลกษณะ (Feature Space) ทมมตสงขน จากรปท 4 และ รปท 5 แสดงใหเหนถงแนวคดของซพพอรตเวคเตอรแมชชนซงทาการแปลงขอมลทใชในการเรยนรแบบไมเชงเสนไปเปนขนาดพนทคณลกษณะทใหญขนผานฟงกชนเคอรเนล (Kernel Function : ) และสรางระนาบซงแบงขอมลสองกลมไดดทสด ทาใหเกดเปนขอบเขตการตดสนใจ (Decision Surface) แบบไมเชงเสนในพนทขอมลนาเขา ในขณะทซพพอรตเวกเตอรแมชชนแบบเชงเสนจะสรางระนาบในพนทคณลกษณะทใหญขนภายใตทฤษฎของ Mercer (Courant and Hilbert, 1953) ตองการการคานวณทสนเปลองในสวนของตวอยางเพอใหไดขนาดพนทคณลกษณะทใหญขน ปญหาดงกลาวสามารถแกไขไดโดยการใชฟงกชนเคอรเนลเพอใหไดผลลพธทนาพงพอใจเชนเดยวกน ซงการใชฟงกชนเคอรเนลจะทาใหสามารถคานวณระนาบไดโดยไมตองอาศยการแปลงไปเปนพนทคณลกษณะ

ฟงกชนเคอรเนล K(xi, xj) เปนฟงกชนทแกปญหาภายใตเงอนไขของ Mercer’s ซงมคาเทากบการคณกนของสองเวคเตอร xi, xj ในพนทคณลกษณะ (xi) และ (xj)

K (xi, xj) = (xi) * (xj) ........ (1)

โดยท Φ คอ ฟงกชนการแปลงแบบไมเปนเชงเสน (Nonlinear Projection Function) ซงฟงกชนเคอรเนลหลายตวไดถกนามาใชกบซพพอรตเวกเตอรแมชชนแบบไมเปนเชงเสนอยาง

17

ประสบความสาเรจ การฟงกชนเคอรเนลทแตกตางกนของซพพอรตเวกเตอรแมชชนสามารถนามาซงวธการเรยนรทหลากหลาย ซงตวอยางของฟงกชนเคอรเนล มดงน (Cao, 2005)

1. โพลโนเมยลเคอรเนล (Polynomial Kernel)

K (xi, xj) = [(xi, xj) + 1]d ........ (2)

2. เกาเซยนเรเดยลเบสสฟงกชน (Gaussian Radial Basis Function)

K (xi, xj) = exp _ | xi – xj |2 ........ (3)

2 2

3. แทนเจนตเคอรเนล (Tangent Kernel)

K (xi, xj) = tanh ( v (xi * xj) + c) ........ (4)

6. แบตเตอรมอถอ

6.1 นเกลแคดเมยม (NiCad)

แบตเตอรชนดนมราคาถกทสด แตมขอเสยหลายอยาง และเปนเทคโนโลยทมมานานหลายปแลว เปนแบตเตอรชนดทมคาความจะพลงงานนอยทสด คณอาจจะเคยไดยนคาวา “Memory Effect” หรอทเรยกวาการลดลงของแรงดนไฟฟา ซงแบตเตอรนเกลแคดเมยมมกจะเกดปญหาน นนกหมายความวา ถาคณไมไดทาการคายประจแบตเตอรใหหมดกอนการชารจในแตละครงคาความจของแบตเตอรจะคอย ๆ ลดลงทละเลกละนอย สงสาคญอกอยางของแบตเตอรนเกลแคดเมยมกคอ

สารเคมทบรรจไวภายในนนไมเปนมตรตอสงแวดลอม ยากตอการกาจดสารแคดเมยมทเปนของเสย

ดวยขอเสยดงกลาวเราจงแทบจะไมพบแบตเตอรชนดนนามาใชกบโทรศพทมอถออกตอไป

6.2 นเกลเมตลไฮไดร (NiMH)

แบตเตอรชนดนพบเหนไดทวไปในปจจบนมากกวานเกลแคดเมยม โดยเฉพาะอยางยงในโทรศพทมอถอรนราคาถก แบตเตอรนเกลไฮไดร มขนาดความจทมากกวานเกลแคดเมยมและยงเปนชนดทไมเปนพษตอสงแวดลอม งายตอการกาจด และยงมความไวนอยตอ Memory Effect

แบตเตอรนเกลเมตลไฮไดร ตองการคายประจอยางสมบรณทก ๆ สปดาหหรอสองสปดาห นนกหมายความวาถาคณใชแบตเตอรชนดนอย จะตองปลอยใหแบตฯหมดจรง ๆ กอนการนาไปชารจอยางนอยกสองสปดาหตอหนงครง เนองจากพฤตกรรมการชารจแบตสวนใหญกคอ เมอเหนทหนาจอวาแบตฯเกอบหมด แตจรง ๆ แลวยงสามารถใชไดอกสกระยะกจะนาไปชารจเลย บางคนชารจทกวน ขอเสยของแบตเตอรนเกลเมตลไฮไดร กคอในเรองของความทนทานหลงจากการถก

18

ชารจไปแลวประมาณ 200-300 ครง แบตเตอรอาจไมสามารถใหพลงงานไดมากเพยงพอสาหรบการ

ใชงานไดนานๆ

รปท 9 แสดงตวอยางแบตเตอรนเกลเมตลไฮไดร (NiMH)

ทมา : นพพงศ , เรองของแบตเตอร Lithium ion. (2011). Access 10 October 2011. Available

from http://www.forum.munkonggadget.com/detail.php?id=9698

6.3 ลเทยมไอออน (Li-ion)

แบตเตอรชนดนมความสามารถในการจพลงงานไดอยางดเยยม ในขนาดทเลกและนาหนกเบา และยงไมมปญหาใด ๆ เหมอนกบทมในแบตเตอรชนดอน ลเทยมไอออน ไมทาลายสงแวดลอมเชนเดยวกบนเกลเมตลไฮไดร และแบตเตอรลเทยมไอออน ยงกลาวไดวาสามารถปองกน Memory

Effect ไดดวย แตแบตเตอรชนดนจะมราคาแพงและมกพบวามการใชงานในโทรศพทมอถอรนไอเอนดเปนสวนใหญ

แบตเตอร Li-Ionไมไดใชโลหะลเทยมในการทาขวลบ แตจะมการใชสารคารบอนทสามารถทจะ dope (ซมซบ) และ undope (คาย) อออนของลเทยมได ซงทาใหเกดความแตกตางระหวางแบตเตอรลเทยมธรรมดากบแบตเตอรลเทยมอออนขน ซงกคอ สงทจะเกดขนระหวางการชารจและดสชารจ ในแบตเตอร Li-Ionจะไมมการเลยนแปลงของตวสารเคมทอยภายในเหมอนกบในแบตเตอร Lithium ธรรมดาแตจะมแคการเคลอนทของอออนไปมาระหวางขวอเลกโทรดผานตว separator ททาหนาทกนไมใหสารเคมทอยภายในปะปนกนเทานน

19

รปท 10 แสดงโครงสรางภายในแบตเตอร Li-Ion

ทมา : นพพงศ , เรองของแบตเตอร Lithium ion. (2011). Access 10 October 2011. Available

from http://www.forum.munkonggadget.com/detail.php?id=9698

6.3.1 จานวนรอบการใชงานตอความจ

จานวนรอบการใชงานตอความจทแบตสามารถเกบได จะเหนไดวาเขาบอกไวเปน

Cycle ซงหมายถงรอบของการชารจ ไมไดบอกเปน times of charge ดงนนหากเราใชจนหมดแลวชารจจงจะนบเปนหนงไซเคล เราสามารถจะชารจแบบนไดมากกวา 500 ครงแตหากเราใชไมหมดแลวชารจเชนใชไป 20%แลวชารจเรากจะสามารถชารจไดถง5ครงจงจะนบเปน1ไซเคล ซงถงแมวาโดยรวมแลวนาจะทาใหมอายการใชงานเทากน แตการชารจบอยๆจะทาใหกระแสชวงทชารจแบบกระแสคงทซงมคาสงจะมเพยงระยะเวลาสนๆ ซงจะเปนการถนอมแบตมากกวาการใช

จนใกลหมดแลวคอยชารจ

หากแบตหมดอายเนองจากจานวนครงทชารจกจะเปนเพยงแคระยะเวลาในการใชงานลดลงเหลอแค 75% ซงแตกตางกบแบตเตอรชนดอนทไมสามารถชารตไดอก

20

รปท 11 แสดงลกษณะรอบของการชารจ ทมา : นพพงศ, เรองของแบตเตอร Lithium ion. (2011). Access 10 October 2011. Available

from http://www.forum.munkonggadget.com/detail.php?id=9698

6.3.2 ขอดของแบตเตอร Li-Ion

6.3.2.1 มความหนาแนนของพลงงานสง แบตเตอร Li-Ion มความหนาแนนของพลงงานสง ซงหมายความวาในปรมาตรและนาหนกทเทากนแบตเตอร Li-Ion จะสามารถเกบไฟไดปรมาณทมากกวา 6.3.2.2 แรงดนสง ปรกตแบตเตอร Li-Ionจะใหแรงดน 3.7V ซงเทากบตองนาแบตเตอร Ni-Cd มาตอซรกนถงสามกอนจงจะไดแรงดนเทากนซงทาให การออกแบบบรเวณทจะบรรจแบตทาไดงายขนเนองจากไมตองทาลงถาน

6.3.2.3 เอาทพทสง ใหกระแสและแรงดนมากพอทจะขบอปกรณเชน Hard disk และ floppy disk ไดดวยแบต เพยงกอนเดยว

6.3.2.4 เปนมตรกบสงแวดลอม ไมมการใชสารทจะกอใหเกดมลพษกบสงแวดลอมเชน ปรอท, แคดเมยม, ตะกว ฯลฯ

6.3.2.5 ไมมอาการเมมโมรเอพเฟก ไมมอาการเมมโมรเอพเฟกทเกดกบแบตเตอร Ni-

Cd อนเนองจากการชารจบอยๆโดยไมรอใหแบตหมดกอน ทาใหเราสามารถชารจไดบอยเทาทตองการ

6.3.2.6 มอายการใชงานทยาวนาน สามารถชารจและดสชารจไดมากกวา 500 รอบ

6.3.2.7 ไมมขอหามในการใช เนองจากไมมการใชโลหะลเทยม แบตเตอร Li-Ion จงไมถกหามใชบนเครองบน

21

6.3.2.8 ใชระยะเวลาในการชารจทสน เครองชารจทมแรงดนในการชารจ 4.2 volt สามรถทจะชารจแบตเตอร Li-Ion ไดเตมในเวลาเพยง 1-2 ช.ม. 65.4 ลเทยมโพลเมอร (Li-Po)

แบตเตอรชนดนจะคลาย ลเทยมไอออนมาก ความแตกตางระหวางแบตเตอรทงสองชนดนคอ แบตเตอรลเทยมโพลเมอร สามารถทาแบบใหมรปรางตาง ๆ ได ขณะทลเทยมไอออน จากดอยแครปรางทเปนกอนสเหลยม แตเทคโนโลยทมอยในปจจบน แบตเตอรลเทยมโพลเมอรยงมราคาแพงอยมาก จงไมคอยพบเหนในการนามาใชทวไปนก (นพพงศ, 2554)

7. ซอฟตแวร Weka

Weka ยอมาจาก Waikato Environment foreknowledge Analysis ซงเปนซอฟตแวรสาเรจภาพประกอบประเภทฟรแวรทสามารถดาวนโหลดไดจากเวบตไซต ซงอยภายใตการควบคมของ

GPL License ซงโปรแกรม Weka ไดถกพฒนามาจากภาษาจาวาทงหมด ซงเขยนมาโดยเนนกบงานทางดานการเรยนรดวยเครอง (Machine Learning) และ การทาเหมองขอมล (Data Mining)

โปรแกรมจะประกอบไปดวยโมดลยอย ๆ สาหรบใชในการจดการขอมล และเปนโปรแกรมทสามารถใชGraphic User Interface (GUI) และ ใชคาสงในการใหซอฟตแวรประมวลผล (กรงสนอภรมยสราญ ,2549 : 23)

7.1 หลกในการทางาน

รปท 12 แสดงหลกการทางานของโปรแกรม Weka ทมา : กรง สนอภรมยสราญ. (2549). “ระบบคลงขอมลและเหมองขอมล.” เอกสารประกอบการสอนวชา IT659 ภาควชาคณตศาสตร คณะวศวกรรมคอมพวเตอร จฬาลงกรณมหาวทยาลย

ขอมล

ตวแบบ

ตารางเปาหมาย

การเตรยมขอมล

สรางตวแบบ

วเคราะหผลลพธ

22

7.2 โปรแกรมหลกของซอฟตแวรWeka จะประกอบไปดวย

7.2.1 Simple CLI (Command Line Interface) เปนโปรแกรมรบคาสงการทางานผานการพมพ

7.2.2 Explorer เปนโปรแกรมทออกแบบในลกษณะ GUI เพอหาความรทตองการ

7.2.3 Experimenter เปนโปรแกรมทออกแบบการทดลองและการทดสอบผลโดยใชสถต

7.2.4 Knowledge Flow เปนโปรแกรมทออกแบบผงในการไหลของความร

7.2.5 Raff Viewer เปนโปรแกรมทใชสาหรบแกไขแฟมประเภทไฟลArff

7.2.6 Log เปนโปรแกรมทใชอานขอมลทถกบนทกเกบไวระหวางการทางาน

7.2.7 Preprocess การเตรยมขอมล

7.2.8 Classify รวมโมดลการทาเหมองขอมลแบบจดแบงประเภท

7.2.9 Cluster รวมโมดลการทาเหมองขอมลแบบการเกาะกลม

7.2.10 Associate รวมโมดลการทา เหมองขอมลแบบกฎเชอมโยง

7.2.11 Select attributes รวมโมดลสาหรบการวเคราะหความเกยวพนของลกษณะประจา 7.2.12 Visualize นาเสนอขอมลดวยภาพนามธรรมสองมต

8. ระบบปฏบตการโทรศพท

8.1 ระบบปฏบตการแอนดรอยด (Android) ระบบปฏบตการ คอ ซอฟตแวรทใชควบคมการทางานคณสมบตทงหมดของอปกรณอเลกทรอนกส ไมวาจะเปน โทรศพทมอถอ หรอ คอมพวเตอร กอนหนานคนไทยอาจจะเคยไดยนชอ Symbian / Windows Mobile / Linux แตไมนานมาน ระบบปฏบตการในโทรศพทมอถอรนใหมอยาง Android (แอนดรอยด) กไดถอกาเนดขน และเรมใชงานในเชงพาณชยหรอมวางจาหนายใหกบลกคาเมอปลายป 2551

Android (แอนดรอยด) มพนฐานการทางานมาจาก ระบบปฏบตการ Linux ถกพฒนาขนโดยบรษททใชชอวา แอนดรอยด แลวถกนามาพฒนาตอยอดโดย Google พรอมดวยความรวมมอจากบรษทตางๆ รวมไปถง ผผลตโทรศพทมอถอ มากกวา 30 ราย Android เปดตวอยางเปนทางการในวนท 5 พฤศจกายน พ.ศ. 2550 ปตอมาจงนาไปใสในโทรศพทมอถอพรอมออกวางจาหนายใหกบลกคา ไดยลโฉมระบบปฏบตการใหมในป พ.ศ. 2551 สงททาให Android ไดรบความสนใจจากบรษทผลตโทรศพทมอถอรวมไปถงลกคา นนกคอเรองลขสทธนา Android ไปใชงาน จะอยในลกษณะของซอฟตแวรเสร หรอ สามารถนา Android ไปใชงานไดฟร อกทงยงเปดโอกาสใหโปรแกรมเมอรหรอผพฒนาโปรแกรม ไดดาวนโหลดชด Software Develop Kit ไปพฒนา

23

โปรแกรมไดอยางอสระ สงผลใหผใชงานโทรศพทมอถอ Android เขาไปดาวนโหลดโปรแกรมและเกมสตางๆ ไดฟร

รปท 13 ระบบปฏบตการ Android

ทมา: เชษฐ, ทาความรจกกบระบบปฏบตการ Android. (2011). Access 10 October 2011.Available

from http://www.touchphoneview.com/news/android

นอกจากจะเปน ระบบปฏบตการในรปแบบ ซอฟตแวรเสร Android ยงมคณสมบตทครบถวน ตอบสนองลกคากลมใหมไดเปนอยางด ไมวาจะเปน เครองมอของ Google เวบบราวเซอร โปรแกรมเอกสาร ออรกาไนเซอร เครองเลนมลตมเดย ควบคมการทางานโดยอาศยโทรศพทมอถอทมจอแสดงผลระบบสมผส ทางานไดทงในแนวตงและแนวนอน ตอบสนองคาสงไดอยางรวดเรว

และมการพฒนาเวอรชนใหมออกมาอยางตอเนอง (เชษฐ, 2554)

8.2 ระบบปฏบตการ ซมเบยน (Symbian)

ซมเบยน (Symbian) คอ ระบบปฏบตการททางานบนโทรศพทมอถอ Smart Phone โดยออกแบบสาหรบทางานเฉพาะหนวยประมวลผล ARM สามารถตดตงโปรแกรมเพมเตมไดมากมาย ใชงานงาย มความคลองตวสงในการใชงานดวยมอขางเดยว อกทงยงมลกเลนตางๆ ครบครน รวมถงการออกแบบทสวยงามมากขนทาใหดนาใช และคมคาตอผ ซอระบบปฏบตการSymbian เปนระบบปฏบตการทไดรบความนยมสงสดในบรรดา Smart Phone

ซมเบยน (Symbian) คอ ระบบปฏบตการ (Operating System) ทออกแบบมาเพอรองรบเทคโนโลยการสอสารแบบไรสาย (Wireless) ชวยในการสงขอมลของโทรศพทเคลอนทเปนหลก เปนระบบทใชงานไดงาย มความปลอดภยสง ชวยประหยดพลงงาน และใชหนวยความจาทมขนาดเลก เพอรองรบกบโทรศพทมอถอทงในปจจบนและอนาคต

24

ประโยชนของระบบปฏบตการ Symbian

1. ใชหนวยความจานอย ทาใหมความเหมาะสมทจะนามาใชเปนระบบปฏบตการบน โทรศพทเคลอนท

2. โปรแกรม Application มขนาดเลก ไมเปลอง memory

3. เปนระบบเปด ทาใหนกพฒนาโปรแกรม สามารถสรางโปรแกรมหรอเกมสตาง ๆ เพอนามาใชงานกบระบบ Symbian ทาใหเกดการพฒนาทางดาน Software

4. รองรบเทคโนโลยการสอสารแบบไรสาย ในรปแบบใหม (Developing wireless service)

5. เปนระบบทถกพฒนาอยางตอเนองและมผผลตหลายเจาใหความสนใจจงนาจะมการเตบโตยงขน

8.3 ระบบปฏบตการ ios

ios คอระบบปฏบตการของ iPhone จากบรษท Apple inc. ,เรามกจะเรยก iOS แบบตดปากกนวา “Firmware” , iOS เดมถกเรยกสนๆวา OS แตกมการพฒนาเรอยมา OS แรกของ iPhone คอ 1.0 ทมาพรอมกบ iPhone 2G , Smartphone เครองแรกของ Apple ในป 2007 ตอมา Apple กไดปลอย iPod Touch gen1 ซงเปนเสมอน iPhone ทไมสามารถโทรศพทได (เรองของการใช Sim

ทงหมด = ไมได) และม OS แยกของ iPod Touch แยกขนมาอกอน, OS มการพฒนาเรอยมา อพเดทเปน 1.0.x ,1.x ตามแตสงท Apple จะใสลงไป และแก Bug ตางๆเชนกน

8.3.1 ความสามารถของ IOS สามารถเชอมตอไปยง App Store คอเวบไซตทรวบรวมโปรแกรม หรอ Application ในการใชงานรวมกนโทรศพทมอถอของเรา บางโปรแกรมสามารถ

Download มาใชงานไดฟร บางโปรแกรมอาจจาเปนตองเสยเงนเพอสงซอ แตอยางไรกตาม App

Store กมการแบงออกเปนคายตางๆ มากมาย ทงนเพอใหรองรบกบโทรศพทมอถอรนตางๆ ทเราใชงาน

8.3.2 ขอดของ ios

สามารถเขาไปโหลด App Store ของ แอปเปลไดอยางอสระและปลอดภย 8.3.3 ขอเสย ios

App Store นน อาจจะตองเสยเงนในการโหลด application ของ App Store และ

Applicationดๆนนอาจตองใชเงนมาก

25

9. โทรศพทมอถอ

9.1 HTC One V (เอชทซ One V)

9.1.1 ลกษณะเดนประจารน

9.1.1.1 จอแสดงผลแบบ AMOLED Capacitive Touchscreen 16,700,000 ส ความละเอยด 480x800 Pixels (WVGA: กวาง 3.7 นว) พรอมระบบสมผสแบบหลายจด (Multi-Touch)

9.1.1.2 หนวยความจา ROM ขนาด 512 MB และ RAM ขนาด 576 MB พรอมรองรบการดหนวยความจาเสรมภายนอกแบบ microSD Card (TransFlash) ไดสงสดขนาด 32 GB

9.1.1.3 เชอมตอ HTML Browser ผานระบบ WiFi, HSDPA, EDGE หรอ GPRS

Class 10 พรอมการเชอมตอขอมลแบบไรสายผาน Bluetooth

9.1.1.4 ระบบ GPS ในตว (Global Positioning System: ระบบดาวเทยมนารอง) พรอมฟงกชน A-GPS

9.1.1.5 กลองดจตอลในตว ความละเอยดระดบ 5 ลาน Pixels (2592x1944 Pixels),

ถายภาพวดโอ (720p: WXGA: 1280x720 Pixels: 30 fps)

9.1.2 รายละเอยดตวเครองเบองตน 9.1.2.1 ระบบสญญาณ Dual Mode (WCDMA/GSM)

- WCDMA/HSDPA Dual Band (900/2100 MHz)

- GSM Quad Band (850/900/1800/1900 MHz)

9.1.2.2 ขนาด 119x60x11.9 มลลเมตร

9.1.2.3 นาหนก 135 กรม

9.1.2.4 ชนดจอแสดงผลแบบ AMOLED Capacitive Touchscreen 16,700,000 ส ความละเอยด 480x800 Pixels (WVGA : กวาง 3.7 นว) 9.1.2.5 ลอตหลงจะเปลยนเปนหนาจอแบบ SLCD (Super LCD)

9.1.2.6 ระบบสมผสแบบหลายจด (Multi-Touch)

9.1.2.7 User Interface แบบ HTC Sense UI

9.1.2.8 ระบบ Accelerometer Sensor ชวยหมนหรอปรบเปลยนทศทางการแสดงผลของหนาจอใหแบบอตโนมต ตามลกษณะการจบถอของผใช

9.1.2.9 ระบบ Proximity Sensor สาหรบการปดหนาจอแบบอตโนมตขณะสนทนา เพอประหยดพลงงาน

9.1.2.10 ฟงกชน Ambient Light Sensor สาหรบตรวจวดระดบความสวางของสภาพแวดลอม เพอปรบความสวางของหนาจอและแผงปมกดใหเหมาะสม

26

9.1.2.11 ชนดแบตเตอร Li-Ion 1500 mAh

9.1.2.12 ประมวลผลการทางานดวย Qualcomm Snapdragon QSD8250 Processor

ความเรวในการประมวลผล 1 GHz

9.1.2.13 ขบเคลอนการทางานดวยระบบปฏบตการ Android OS เวอรชน 2.2

9.1.2.14 หนวยความจา ROM ขนาด 512 MB

9.1.2.15 หนวยความจา RAM ขนาด 576 MB

9.1.2.16 รองรบการดหนวยความจาเสรมภายนอกแบบ microSD Card (TransFlash)

ไดสงสดขนาด 32 GB

9.1.2.17 รองรบเทคโนโลย SD เวอรชน 2.0

9.1.3 คณสมบตทวไป

9.1.3.1 เสยงเรยกเขาแบบ Polyphonic Ringtones

9.1.3.2 รองรบไฟลเสยงเรยกเขาแบบ MP3, WAV

9.1.3.3 แสดงรปภาพขณะมสายเรยกเขา (Photo Caller ID)

9.1.3.4 ระบบสนในตว

9.1.3.5 ระบบลดระดบเสยงเรยกเขาอตโนมตเมอทาการยกห

9.1.3.6 ระบบปดเสยงเรยกเขาอตโนมตเมอควาเครองลง

9.1.3.7 นาฬกาบอกเวลา 9.1.3.8 ตงปลก

9.1.3.9 โปรแกรม Organizer

9.1.3.10 ปฏทนพรอมบนทกนดหมาย

9.1.3.11 เครองคดเลข

9.1.3.12 โปรแกรมเลนไฟลเพลง MP3, AAC, AMR, OGG, M4A, MIDI, WAV,

WMA

9.1.3.13 โปรแกรมเลนไฟลวดโอ MPEG4, 3GP, 3G2, WMV

9.1.3.14 ระบบเสยงแบบ Dolby Mobile Sound Enhancement

9.1.3.15 โปรแกรมเปดอานไฟลเอกสาร

9.1.3.16 รองรบการใชงาน HTC Widgets (Bookmarks, Calendar, Clock, Footprints,

Friend Stream, Mail, Messages, Music, News, People, Photo Album, Photo Frame, Search,

Settings, Stocks, Twitter, Weather) และสามารถดาวนโหลดเพมเตมได

9.1.3.17 บนทกเสยง (AMR)

27

9.1.3.18 Hands free และ Speakerphone ในตว

9.1.3.19 HTML Browser

9.1.3.20 Wi-Fi (WLAN: Wireless LAN: 802.11 b/g)

9.1.3.21 HSDPA (7.2 Mbps): HSUPA (2 Mbps)

9.1.3.22 EDGE Class 10 (236.8 kbps)

9.1.3.23 GPRS Class 10 (4+1/3+2 slots: 32 - 48 kbps)

9.1.3.24 Bluetooth เวอรชน 2.1

9.1.4 คณสมบตการเชอมตอ

9.1.4.1 รองรบการเชอมตอใชงานกบหฟง Bluetooth แบบ Stereo (A2DP)

9.1.4.2 รองรบเทคโนโลย EDR (Enhanced Data Rate)

9.1.4.3 รองรบการใชงานโปรไฟลแบบ AVRCP, GAP, GOEP, HFP, HSP, PBAP,

SPP และ Service Discovery Application Profile

9.1.4.4 USB Data Cable (microUSB: USB เวอรชน 2.0)

9.1.4.5 ชองตอสายหฟงมาตรฐานขนาด 3.5 มลลเมตร

9.1.4.6 ระบบ GPS ในตว (Global Positioning System : ระบบดาวเทยมนารอง) 9.1.4.7 ฟงกชน A-GPS ในตว (Assisted Global Positioning System)

9.1.4.8 คนหาขอมลแผนทผานโปรแกรม Google Maps

9.1.4.9 โปรแกรมเขมทศดจตอล (Digital Compass)

9.1.4.10 คนหาขอมลผานโปรแกรม Google Search

9.1.4.11 รองรบการใชงาน Facebook, Twitter, Flickr

9.1.4.12 คนหาและเปดดคลปวดโอของ YouTube

9.1.5 คณสมบตเกยวกบขอความ 9.1.5.1 SMS (Short Messaging Service)

9.1.5.2 MMS (Multimedia Messaging Service)

9.1.5.3 Email (POP3, SMTP, IMAP4)

9.1.5.4 รองรบการใชงานระบบ Push Email

9.1.5.5 รองรบการใชงานบรการของ Gmail

9.1.5.6 Instant Messaging (Google Talk)

9.1.5.7 ระบบสะกดคาอตโนมต (T9)

28

10. การวเคราะหความถดถอย (Regression Analysis)

เปนวธการทางสถตทใชสรางสมการเสนตรงหรอเสนโคงทแสดงความสมพนธระหวางตวแปรสองตวหรอมากกวา ซงประกอบตวแปรตามหนงตว(Dependent variable) กบตวแปรอสระอยางนอยหนงตว (independent variable) เชน คาความแขง (hardness) ของพลาสตกขนอยกบระยะเวลาทใหความรอนกบพลาสตก ในทนตวแปรอสระ(X) คอระยะเวลาใหความรอน สวนตวแปรตาม(Y) คอคาความแขงของพลาสตก การวเคราะหความการถดถอยสามารถนาไปใชในการสรางโมเดลสาหรบการพยากรณคาของตวแปรตาม การวเคราะหความถดถอยม 2 ประเภทคอ 10.1 การวเคราะหถดถอยอยางงาย (Simple Regression) เปนการศกษาถงขอมลทประกอบดวยตวแปร 2 ตว หรอเรยกวา ตวแปรค (vicariate data) โดยการวเคราะหนาตวแปรทงสองมาพจารณาพรอม ๆ กน เพอศกษาถงความสมพนธระหวางตวแปร 2 ตว หรอ 2 ลกษณะโดยทตองทราบคาของตวแปรตวหนง หรอตองกาหนดคาของตวแปรตวหนงไวลวงหนา 10.2 การวเคราะหถดถอยพหคณ (Multiple regression Analysis) เปนวธการวเคราะหขอมลเพอหาความสมพนธระหวางตวแปรตาม (Y) หรอตวแปรเกณฑ (Criterion Variable) จานวน 1 ตว กบตวแปรอสระ (X) หรอตวแปรพยากรณ หรอตวแปรทานาย (Predictor Variable) ตงแต 2 ตวขนไป เปนเทคนคทางสถตทอาศยความสมพนธเชงเสนตรงระหวางตวแปรมาใชในการทานาย โดยเมอทราบคาตวแปรหนงกสามารถทานายอกตวแปรหนงได ผลการวเคราะหขอมลทไดอยในรปของสมการทานาย สงสาคญทตองการหาในการวเคราะหการถดถอยพหคณ คอ สมประสทธสหสมพนธพหคณ สมการพยากรณในรปคะแนนดบ หรอในรปคะแนนมาตรฐาน หรอทงค และความคลาดเคลอนมาตรฐานในการพยากรณ (กลวฒน มญชะสงห ,2555)

สมการพยากรณ โดยการวเคราะหการถดถอยพหคณ (Multiple Regression Analysis)

y^ = a + b1 x1 + b2 x2 + ... + bk xk

เมอ y^ แทน คะแนนพยากรณของตวเกณฑ (ตวแปรตาม)

a แทน คาคงทของสมการพยากรณในรปคะแนนดบ

b1, b2 ,...bk แทน สมประสทธการถดถอยของตวพยากรณตวท 1,2,...k ตามลาดบ

x1, x2 ,...xk แทน คะแนนดบของตวพยากรณ (ตวแปรอสระ) ตวท 1,2,...k

ตามลาดบ

k แทน จานวนตวพยากรณ (ตวแปรอสระ)

29

วธการเลอกตวแปร

1. การเลอกตวแปรโดยวธเพมตวแปร (Forward Selection)

เปนวธการทตองการไดโมเดลประหยดนนคอจะเลอกเฉพาะตวแปรพยากรณทดทสดทสามารถ พยากรณตวแปรเกณฑไดเทานน โดยจะคดเลอกตวแปรพยากรณเขามาในสมการทละตว

และทาการทดสอบวา ตวแปรทเขามานนสามารถพยากรณตวแปรเกณฑไดเพมขนอยางมนยสาคญหรอไมตอจากนนทาการคดเลอก ตวแปรทสาคญรองลงมาตอไปเรอย ๆ จนกระทงไมมตวแปรพยากรณเหลอ วธการเพมตวแปรกจะสนสด วธนในแตละขนตอนทนาตวแปร พยากรณเขาสมการเปนการพจารณาเฉพาะตวแปรทเขาไปใหมวาสามารถพยากรณตวแปรเกณฑไดเพมมากขน หรอไม จดบกพรองของวธนคอไมไดตรวจสอบผลกระทบทเกดเนองจากตวแปรพยากรณตวใหมทเขาไปใน รปแบบตอตวแปรพยากรณทเขาไปในรปแบบกอนหนานแลว (ทรงศกด ภสออน, 2554:282-

283) 2. การเลอกตวแปรโดยวธลดตวแปร (Backward Elimination)

เปนวธทพยายามคดเลอกตวแปรทดทสดและไดโมเดลประหยด ในการพยากรณเชนเดยวกน แตเปนวธทตรงขามกบวธ Forward นน คอตอนแรกจะนาตวแปรพยากรณทกตวเขามาในสมการและดาเนน การพจารณาตวแปรพยากรณทมคาสมประสทธสหสมพนธบางสวน (Partial

Correlation) กบตวแปรเกณฑ โดยควบคมอทธพลของตวแปรพยากรณอน ๆ ซงมคาตาทสดออกจากสมการ แลวจงดาเนนการทดสอบวา คา R2 ลดลงอยางมนยสาคญทางสถตหรอไม ถาพบวาลดลงอยางไมมนยสาคญทางสถตแสดงวาตวแปร ดงกลาวไมไดมสวนทาใหการพยากรณตวแปรเกณฑเพมขนเลย แสดงวาสามารถขจดออกจากสมการได จากนนจงดาเนนการขจดตวแปรพยากรณทมความสาคญนอยรองลงมาออกไปอก โดยใชวธพจารณา เชน เดยวกน ซงการขจดตวแปรพยากรณจะสนสด เมอพบวามผลทาใหคา R2 ลดลงอยางมนยสาคญทางสถต หมายความวา ตวแปรดงกลาวมความสาคญตอการพยากรณตวแปรตาม หากขจดตวแปรดงกลาวออกจาก สมการจะทาใหอานาจการพยากรณตวแปรเกณฑลดลง จงตองคงตวแปรพยากรณดงกลาวไวในสมการพยากรณ ตอไป (ทรงศกด ภสออน, 2554 : 283) ผลการวเคราะหดวยวธ Backward Elimination

1. ผลการวเคราะหคาสถตพนฐานของตวแปรเกณฑและตวแปรพยากรณ เหมอนกบวธ

Forward Selection

2. ผลการวเคราะหคาสมประสทธสหสมพนธอยางงาย ระหวางตวแปรเกณฑกบตวแปร

พยากรณและระหวางตวแปรพยากรณดวยกนเหมอนกบวธ Forward Selection

30

3. คาสถตตาง ๆ มความหมายเชนเดยวกบวธ Forward Selection จากตวอยางได รปแบบมาทงหมด 2 รปแบบ โดยวธ backward จะคดเลอกเฉพาะตวแปรทสามารถพยากรณตวแปรเกณฑได อยางมนยสาคญทางสถตเทานน

3. การเลอกตวแปรโดยวธเพมตวแปรอสระแบบขนตอน (Stepwise Regression)

เปนวธทมความเหมาะสมในการพจารณาคดเลอกตวแปรพยากรณทดทสดและไดโมเดลท

ประหยดทสด ซงลาดบขนตอนจะคลายกบวธ Forward เพยงแตการวเคราะหดวยวธ Stepwise จะทาการ ทดสอบตวแปรพยากรณทเขาสมการไปแลวทกครงทมการนาตวแปรใหมเขาในสมการหมายความวาตวแปร พยากรณบางตวทเขาไปในสมการแลวกสามารถถกขจดออกจากสมการได

(ทรงศกด ภสออน, 2554: 283) หากพบวาตวแปรพยากรณตวนนไมไดสงผลใหคา R2 เพมขนอยางมนยสาคญทางสถต (ไมไดมสวนทาใหการ พยากรณตอตวแปรเกณฑเพมขนอยางมนยสาคญทางสถต) ซงวธ Forward ไมไดทดสอบในสวนน (สมบต ทายเรอคา, 2553: 60)

ผลการวเคราะหดวยวธ Stepwise Regression

1. Descriptive Statistics ผลการวเคราะหคาสถตพนฐานของตวแปรเกณฑและตวแปร

พยากรณเหมอนกบวธ Forward Selection

2. Correlation ผลการวเคราะหคาสมประสทธสหสมพนธอยางงายระหวางตวแปรเกณฑ

กบตวแปรพยากรณและระหวางตวแปรพยากรณดวยกน คาทไดเหมอนกบวธ Forward Selection

3. Model Summary ผลการวเคราะหเกยวกบคาสมประสทธสหสมพนธพหคณ (Multiple

Correlation: R) และขนตอนการคดเลอกตวแปรทสามารถพยากรณตวแปรเกณฑไดอยางม

นยสาคญทางสถตเหมอนกบวธ Forward Selection มขอแตกตางอยทการนาเขาและถอยตวแปรออก

4. การเลอกตวแปรโดยวธนาตวแปรเขาทงหมด (Enter Regression)

วธนเปนการคดเลอกตวพยากรณเขาสมการดวยการวเคราะหเพยงขนตอนเดยว เรมตน

การวเคราะหโดยใชตวแปรพยากรณทศกษานาเขาไปในสมการพยากรณพรอมกนทกตว ถงแมวาตวแปรพยากรณ บางตวจะพยากรณตวแปรเกณฑไดหรอไมกตาม วธนมกจะใชในกรณทตองการทราบวาตวแปรแตละตวททาการศกษาจะสามารถพยากรณตวแปรเกณฑไดหรอไมมากนอยเพยงใด

ซงจะมประโยชนสาหรบวธการ ทางสถตอน ๆ เชน การวเคราะหเสนทาง (Path Analysis) ขอดอย

คอ เปนการวเคราะหทไมไดคดเลอกตวแปรเขาสสมการถดถอยทเหมาะสมให ทาใหไดโมเดลทไมประหยด (ทรงศกด ภสออน, 2554: 283)

31

ผลการวเคราะหดวยวธ Enter Regression

1. Descriptive Statistics ผลการวเคราะหคาสถตพนฐานของตวแปรเกณฑและ ตวแปรพยากรณเหมอนกบวธ Forward Selection

2. Correlation ผลการวเคราะหคาสมประสทธสหสมพนธอยางงายระหวางตวแปรเกณฑ

กบตวแปรพยากรณและระหวางตวแปรพยากรณดวยกน เหมอนกบวธ Forward Selection

3. Model Summary ผลการวเคราะหสวนนนาเสนอเกยวกบคาสมประสทธสหสมพนธ

พหคณ (Multiple Correlation: R) ไดรปแบบมาทงหมด 1 รปแบบ

ขอแตกตางจากผลการวเคราะหขอมล จากการวเคราะหทกลาวมานน จะเหนวาสมการพยากรณทวเคราะหดวยวธ Enter จะไดสมการ ทแตกตางจากการวเคราะหในอก 3 วธ คอ ภายในสมการพยากรณจะมตวแปรพยากรณอยครบทกตว ทาให มองเหนตวแปรทงทพยากรณไดและไมได ซงวธการนจะมประโยชนกบการวเคราะหขอมลในลกษณะทผวจย ตองการใหตวแปรทกตวอยในสมการครบ เชน ในการวเคราะหเสนทางแบบ PAQ ทผวจยคานงถงลาดบ การพยากรณของตวแปร หรอเสนทางการสงผานอทธพลระหวางตวแปรพยากรณแตละตว โดยสมการพยากรณ ในอก 3 วธ ทเหลอ คอ Forward Backward และ Stepwise จะเปนการวเคราะหทไดโมเดลประหยดและ จากผลการนาเสนอในบทความน จะเหนวาผลทไดในสมการพยากรณของทง 3 วธไดผลทเหมอนกน เนองจาก ในวธ Forward และ Backward เปนการคดเลอกตวแปรพยากรณทดทสดทสามารถพยากรณตวแปรตามไดเชน เดยวกนทงสองวธ ตางกนเพยงขนตอนการนาเขาและถอยตวแปรออกแตโดยหลกการอน ๆ แลวมวตถประสงค เหมอนกน สงผลให 2 วธนไดผลลพธในสมการทมคาเหมอนกน สวนวธ Stepwise เนองจากในการนาเสนอ การวเคราะหขอมลครงน โมเดลทไดไมมการถอยตวแปรออกหลงจากมการนาตวแปรพยากรณเขาในแตละ รปแบบทาใหโมเดลทายสดทไดผลออกมามคาเทากบวธ Forward และ Backward แตโดยหลกการวธ Stepwise ถอเปนวธการคดเลอกตวแปรเขาสสมการถดถอยพหคณแบบโมเดลประหยดทดทสดเนองจากวา 1. วธ Forward เปนการนาตวแปรเขาวเคราะหทละตวและมการตรวจสอบวาตวแปรนนจะอย ในรปแบบตอไปหรอไม ถาอยกจะทาการวเคราะหขนตอไปเรอย ๆ จนกระทงไมมตวแปรพยากรณเหลอ วธการ เพมตวแปรกจะสนสด ถงแมวาวธการนจะทาใหไดโมเดลประหยดกจรง แตในขนตอนการนาตวแปรพยากรณ เขาสมการจะพจารณาเฉพาะตวแปรทเขาไปใหมวาสามารถพยากรณตวแปรเกณฑไดเพมมากขนหรอไม ไมไดตรวจสอบผลกระทบทเกดเนองจากตวแปรพยากรณตวใหมทเขาไปในสมการวาสงผลอยางไรกบตวแปร ทอยในรปแบบกอนหนานแลว

2. วธ backward เปนการนาตวแปรเขาวเคราะหพรอมกนทงหมดทเดยว ตอจากนนจะเปน

การคดเลอกตวแปรออกทละตว แลวทดสอบวาคา R2 ลดลงอยางมนยสาคญทางสถตหรอไม ถาไม

32

มนยสาคญ แสดงวาตวแปรดงกลาวสามารถขจดออกจากสมการได ซงวธการนจะทาใหไดโมเดลประหยดกจรง แตผวเคราะห จะไมทราบวาตวแปรพยากรณทเหลออยในสมการแตละตวนนสามารถอธบายความแปรปรวนของตวแปรตาม ไดเทาไร บอกไดเพยงแตวาตวแปรพยากรณชดนนรวมกนอธบายความแปรปรวนไดเทาใด

3. วธ Stepwise เปนวธทมความเหมาะสมในการพจารณาคดเลอกตวแปรพยากรณทดทสด

ซงลาดบขนตอนจะคลายกบวธ Forward เพยงแตวาการวเคราะหดวย Stepwise นนจะทาการทดสอบตวแปร พยากรณทเขาสมการไปแลวทกครงทมการนาตวแปรใหมเขาในสมการวาสงผลกระทบตอตวแปรบางตวทอยใน สมการกอนหนาแลว โดยตวแปรทอยกอนสามารถถกขจดออกจากสมการได หากพบวาไมมความสาคญในการ พยากรณซงวธ Forward ไมไดทดสอบในสวนน

11. ทฤษฎและผลงานวจยทเกยวของ

11.1 An Analysis of Power Consumption in a Smartphone

Aaron Carroll ไดทาการศกษาวจยในเรองของการวเคราะหการใชพลงงานในโทรศพทสมารทโฟน โดยทาการนาเสนอการวเคราะหรายละเอยดของการใชพลงงานของโทรศพทสมารทโฟน รน Openmoko Neo Freerunner เปนตวทดลอง ซงไดทาการทดสอบการวดคาจากรปแบบการใชงาน ตางๆ วาใชพลงงานไปเทาไหร รปแบบการใชงานททาการทดสอบหาคาพลงงานคอ audio

video sms web และ การคยแบบธรรมดา แตละอยางกจะมคาพลงงานในการใชไมเทากนหลงจากทาการทดสอบหาคาพลงงานแลว กจะมการนาผลไปวเคราะห โดยมการทดสอบความถกตองของคาพลงงานและผลทไดอกครงโดยใชโทรศพท HTC และ Google nexus one มาเปนตวทดสอบอกครงหนง นอกจากนยงมการพฒนารปแบบการใชพลงงานของอปกรณ Freerunner และวเคราะหการใชพลงงานและอายการใชงานแบตเตอรทอยภายใตจานวนของรปแบบการใชงาน และยงมการวเคราะหพลงงานผลกระทบของแรงดนไฟฟาไดนามกและการปรบความถของ การประยกตใชการประมวลผลของอปกรณ (Aaron Carroll ,2010)

ตารางท 1 แสดงรายละเอยดงานวจยเรอง An Analysis of Power Consumption in a Smartphone

ยหอโทรศพท ตวแปรทใช แอพพลเคชนทใช วธการทใช ผลลพธทได

Openmoko Neo

Freerunner

ระบบปฏบตการ Android

CPU

RAM

Wifi

Graphics

Audio, GSM

Audio playback

Video playback

Text messaging

Web browsing

Phone Call ,E-mail

วธการคานวณโดยใชสตรเพอใหไดมาซงโมเดลในการจดการพลงงาน (Energy

model)

ได Energy model

ของแตละแอพพลเคชน

33

11.2 A System Context-Aware Approach for Battery Lifetime Prediction in Smart Phones

Xia Zhao, Yao Guo, Qing Feng, and Xiangqun Chen ไดทาการนาเสนอวธการทานายอายการใชงานของแบตเตอรมอถอในโทรศพทสมารทโฟน (รน HTC G1) โดยอาศยบรบทรอบขางทสงผลตออายการใชงานของแบตเตอรมาเปนปจจย และใชวธการทางสถตทเรยกวา multiple linear

regression สรางออกมาเปนโมเดล เปนสตรในการทานายอายการใชงานของแบตเตอรตอไป สถานการณทใชในการทดลองครงนคอ การเลนวดโอ โดยทาการเซตคาของบรบททสงผลตออายของแบตเตอรจานวน 5 ตวแปร แลวทาการวดคาพลงงาน เพอนาขอมลทเซตคาไวในแตละกรณ รวมถงคาพลงงานทไดจาการวดคาตามกรณนนๆไปใชในการคานวณตามหลกการของ multiple

linear regression เพอนาไปสรางเปนโมเดลของสตรในการทานายอายการใชงานของแบตเตอรมอถอโดยอาศยบรบทรอบขางตอไป สตรทไดสามารถนาไปใชไดในทกสถานการณ (Xia Zhao, Yao

Guo, Qing Feng, and Xiangqun Chen ,2011)

ตารางท 2 แสดงรายละเอยดงานวจยเรอง A System Context-Aware Approach for Battery

Prediction in Smart Phones

ยหอโทรศพท ตวแปรทใช แอพพลเคชนทใช วธการทใช ผลลพธทได

HTC G1 smart phone ระบบปฏบตการ Android

1. CPU Utilization (cpu)

2. LCD Backlight

Brightness (brt)

3. Wireless State (wifi)

4. IO Idle State (io)

5. Data Transfer rate (spd)

Video player ใชวธการ Multiple

linear regressions

ไดโมเดลทเปนสตรในการคานวณหาอายการใชงานของแบตเตอร

11.3 Predicting mobile device battery life

Kaisa Korhonen ไดนาเสนอวธการในการทานายอายการใชงานของแบตเตอรมอถอ โดยใชโทรศพทมอถอโนเกย N900 เปนตวทดลอง เปาหมายของงานวจยชนนคอการพฒนาโปรแกรมการตรวจสอบความจของแบตเตอรทเหลอยและรวมถงอายการใชงานของแบตเตอรทเหลออยทสามารถใชงานไดในแตละแอพพลเคชนทกาหนด โดยวธการคอมการเลอกแอพพลเคชนทนามาใชเปนตวแปรในการทดลองครงน จานวน 5 ตวแปร จากนนทาการวดหาคาพลงงานจาการใชงานของแตละแอพพลเคชนวามการใชพลงงานไปเทาไหรในเวลาทกาหนดไว โดยวธการวดหาคาพลงงานกจะมการกาหนดคาตางๆคอควบคมในสวนตวแปรภายนอกดวย เชน ในการวดคาแอพพลเคชน Call

ตองตงคาระดบเสยงทเทาไร ระบบ wifi เปดทางานหรอไม ความสวางของหนาจอเปนเทาไร

34

หลงจากทไดคาพลงงานของแตละแอพพลเคชนแลว กนาไปทาเปนกราฟในแตละแอพพลเคชน จากนนนาขอมลเหลาน ไปเปนขอมลหรอเปนเงอนไขในการเขยนโปรแกรมเพอพฒนาเปนโปรแกรมสาหรบทานายอายการใชงานของแบตเตอรมอถอตอไป (Kaisa Korhonen ,2011)

ตารางท 3 แสดงรายละเอยดงานวจยเรอง Predicting mobile device battery life

ยหอโทรศพท ตวแปรทใช แอพพลเคชนทใช วธการทใช ผลลพธทได

Nokia N900

ระบบปฏบตการ Maemo

1. รายการของแอพพลเคชน

2. พลงงานทวดไดในแตละแอพพลเคชนจากเวลาทกาหนด

(เปนกราฟแสดงคาพลงงานกบเวลา)

1. Calling

2.Web browsing

3.Text messaging

4. Playing games

5. Navigation

ใ ช ว ธ ก า รพฒน าออกมาเปนลกษณะของโปรแกรมในการทานายความจของแบตเตอรและ

อายการใชงานในแตละแอพพลเคชน

ไดโปรแกรมในการทานายความจและ

อายการใชงานของแบตเตอรในแตละแอพพลเคชน วาสามารถใชงานไดนานเทาไร

11.4 Users-Centric Prediction for Battery Lifetime of Mobile Devices

Joon-Myung Kang, Chang-Keun และคณะ ไดทาการศกษาวจยในเรองของการทานายอายการใชงานของแบตเตอรมอถอโดยนาเสนอวธการในการทานายอายการใชงานแบตเตอรของโทรศพทมอถอทขนอยกบรปแบบการใชงานโดยในสวนของการนาเสนอนนไดมการตงสมมตฐานและกาหนดปญหา จากนนนาเสนอวธการและทาการประเมนผล ในสวนของรปแบบการใชงานนนไดคานงถงความเปนไปไดของโทรศพทมอถออยบนพนฐานของการดาเนนงานของผใชเปนสาคญ ฟงกชนและการพฒนาวธการทานายอายการใชงานแบตเตอรขนอยกบการใชพลงงานแบตเตอรและระยะเวลาเฉลยของแตละรปแบบการใชงาน โดยผลทไดจากงานวจยนคอไดแบบจาลองเปนสตรในการทานายอายการใชงานของโทรศพทโดยขนอยกบรปแบบการใชงาน (Joon-Myung Kang and

others 2008)

35

ตารางท 4 แสดงรายละเอยดงานวจยเรอง Users-Centric Prediction for Battery Lifetime of

Mobile Devices

ยหอโทรศพท ตวแปรทใช แอพพลเคชนทใช วธการทใช ผลลพธทได

HP PDA (Processor

Intel PXA270)

1. รายการของแอพพลเคชน

2. พลงงานทวดไดในแตละแอพพลเคชน

3. เวลาทใชในแตละแอพพลเคชน

Voice call

Video call

Data communication

short message

LCD

Music

ใชว ธการกาหนดปญหาออกมาในรปของสมการ และทาการ เ กบรวบรวมขอมลทจาเปนตองใ ช เ พ อ น า ม า แ กสมการนน

ไดแบบจาลองทเปนสตรในการทานายอายการใชงานของแบตเตอรมอถอตามรปแบบการใชงาน

11.5 Personalized Battery Lifetime Prediction for Mobile Devices based on Usage Patterns

Joon-Myung Kang, Sin-seok Seo and James Won-Ki Hong ไดทาการเสนอแนวทางในการทานายอายการใชงานของแบตเตอรมอถอโดยขนอยกบรปแบบการใชงานของผใชแตละคน โดยใชรปแบบการใชงานในลกษณะตางๆทกาหนดมาใชสาหรบการทานายอายการใชงานของแบตเตอรมอถอสวนบคคล อนดบแรกในการทดลองคอทาการกาหนดบรบทหรอปจจยทมผลตอการใชงานของแบตเตอร จากนนทาการบนทกเวลาในการใชในของแตละกรณ ในสวนของการเกบขอมลนนคอทาการเกบขอมลของผใชแตละคนในชวงเวลาตางๆ เชน ตอนกลางวน ตอนเทยง ตอนบาย ชวงวนหยด เพราะถอวาในชวงเวลาทแตกตางกนผใชกมการใชงานในของรปแบบการใชงานหรอปจจยอนๆทตางกนดวย ทาการเกบขอมลในสวนของตวแปรตางๆทเกยวของ โดยในงานวจยชนนทาการเกบขอมลกบผใชจานวน 20 คน โดยทาการเกบขอมลในสวนตางๆทเกยวของ เชนรปแบบการใชงาน บรบทหรอปจจยทมผลตอแบตเตอรถงเปอรเซนตการใชงาน และนาขอมลทไดไปทาการประมวลผลเพอพฒนาออกมาเปนสตรในการทานายอายการใชงานของแบตเตอรมอถอ โดยขนอยกบรปแบบการใชงานและชวงเวลาของผใชแตละคน (Joon-Myung Kang, Sin-seok Seo

and James Won-Ki Hong ,2011)

36

ตารางท 5 แสดงรายละเอยดงานวจยเรอง Personalized Battery Lifetime Prediction for Mobile

Devices based on Usage Pattern

ยหอโทรศพท ตวแปรทใช แอพพลเคชนทใช วธการทใช ผลลพธทได

ขนอยกบผใชแตละคน

Data 3G

Data (wifi)

Waiting

Call

Other

ตวแปรควบคมในการวดแตละแอพ

พลเคชน ( LCD,Voice)

Data 3G

Data (wifi)

Waiting

Call

Other

ใชวธการกาหนดปญหาออกมาในรปของสมกา ร และทาการ เ กบรวบรวมขอมลทจาเปนตองใชเพอนามาแกสมการน น เ พ อ ใ ห ไ ดส ต ร ใ น ก า รคานวณ

ไดแบบจา ลอ งทานายอายการใชงานของแบตเตอรมอถอโดยขนอยกบรปแบบการใชงานของผ ใชแตละคน

37

37

บทท 3 วธการดาเนนงานวจย

สาหรบงานวจยชนนเปนลกษณะของการทานายอตราการใชพลงงานของแบตเตอรมอถอ โดยอาศยหลกการของ Data mining เขามาใชในการประมวลผลเพอหาคาของขอมลทตองการออกมา สาหรบรายละเอยดเกยวกบขนตอนการดาเนนงานวจยและเครองมอทใชในงานวจยมรายละเอยดดงตอไปน

1. ขนตอนการทาวจย 1.1 กาหนดปจจยทมผลตออายการใชงานของแบตเตอรมอถอ ทาการพจารณาปจจยทสงผลตออายการใชงานของแบตเตอรมอถอ ไดแก CPU Utilization

(CPU), Wireless State (wifi), generation mobile telecommunications (3G) , Bluetooth (bt), LCD

Backlight Brightness (brt),Global Positioning System (Gps) และ Synchronize (Sync) โดยพจารณาจาก Platform ตอไปนคอ HTC One V บนระบบปฏบตการ Android ดงแสดงในตารางท 6

ตารางท 6 แสดงรายละเอยดปจจยทมผลตออายการใชงานของแบตเตอรมอถอ

Attribute Description Example 1. CPU Utilization (cpu) The ratio between the idle time to the [245,368…] total time of a interval [245-1024]

2. creen Brightness (brt) Range from [0-100] in mobile phone [0, 25, 50…] 3. Wireless State (wifi) Disable or Enable [0,1] [0,1]

4. Bluetooth (bt) Disable or Enable [0,1] [0,1]

5. 3rd generation mobile

telecommunications (3G) Disable or Enable [0,1] [0,1]

6. Global Positioning System (Gps) Disable or Enable [0,1] [0,1]

7. Synchronize (Sync) Disable or Enable [0,1] [0,1]

38

1.2 วเคราะหความสมพนธระหวางตวแปร เพอศกษาวาปจจยหรอตวแปรอสระตวใดบาง ทสงผลหรอ มอทธพลตออายการใชงานของ

แบตเตอรมอถอ (ตวแปรตาม) ใชวธทาการวเคราะหความสมพนธ ระหวางตวแปร โดยใชเทคนคการวเคราะหความถดถอยเชงพหคณ (Stepwise) ดวยโปรแกรม SPSS จานวนตวแปรอสระ (ปจจยทนามาวเคราะห) มจานวน 7 ตวแปร และจานวนตวแปรตาม 1 ตวแปร

จากผลการวเคราะหแยกตามลกษณะการใชงานของโทรศพทมอถอ

1.2.1 Standby พบวากลมตวแปรทประกอบดวย CPU, Brightness, 3G, Gps, Wifi,

Bluetooth เปนตวแปรอสระทมความสมพนธกบตวแปรตาม (Factor) มากทสดเนอง จากมคา Adjusted R Square มากทสดคอ 0.141 คดเปน 14.1 % มคาความคลาดเคลอนมาตรฐาน (S.E.est ) เทากบ 0.17 มนยสาคญทางสถต (sig) ทนอยกวา 0.05 ใน Model ท 6 ดงแสดงในตารางท 7

ตารางท 7 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Standby

Model R R Square

Adjusted

R Square

Std. Error of the

Estimate

1 .318a .101 .101 .17933

2 .348b .121 .120 .17740

3 .364c .132 .131 .17632

4 .371d .138 .136 .17581

5 .376e .141 .139 .17549

6 .380f .144 .141 .17526

1. Predictors: (Constant), CPU

2. Predictors: (Constant), CPU, Brightness

3. Predictors: (Constant), CPU, Brightness, 3G

4. Predictors: (Constant), CPU, Brightness, 3G, Gps

5. Predictors: (Constant), CPU, Brightness, 3G, Gps, wifi

6. Predictors: (Constant), CPU, Brightness, 3G, Gps, wifi, Bluetooth

39

1.2.2 Video พบวากลมตวแปรทประกอบดวย Brightness, 3G, Bluetooth, Wifi, CPU,

Sync, GPS เปนตวแปรอสระทมความสมพนธกบตวแปรตาม (Factor) มากทสดเนอง จากมคา Adjusted R Square มากทสดคอ 0.257 คดเปน 25.7 % มคาความคลาดเคลอน มาตรฐาน (S.E.est ) เทากบ 0.63 มนยสาคญทาง สถต(sig) ทนอยกวา 0.05 ใน Model ท 7 ดงแสดงในตารางท 8

ตารางท 8 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Video

Model R R Square

Adjusted

R Square

Std. Error of the

Estimate

1 .295a .087 .086 .70496

2 .410b .168 .167 .67304

3 .473c .223 .222 .65040

4 .498d .248 .247 .64003

5 .503e .253 .251 .63815

6 .507f .257 .255 .63670

7 .509g .259 .257 .63588

1. Predictors: (Constant), Brightness

2. Predictors: (Constant), Brightness, 3G

3. Predictors: (Constant), Brightness, 3G, Bluetooth

4. Predictors: (Constant), Brightness, 3G, Bluetooth, Wifi

5. Predictors: (Constant), Brightness, 3G, Bluetooth, Wifi, CPU

6. Predictors: (Constant), Brightness, 3G, Bluetooth, Wifi, CPU, Sync

7. Predictors: (Constant), Brightness, 3G, Bluetooth, Wifi, CPU, Sync, GPS

1.2.3 Web browser พบวากลมตวแปรทประกอบดวย 3G, Brightness, Bluetooth, Wifi,

CPU, Sync, GPS เปนตวแปรอสระทมความสมพนธกบตวแปรตาม (Factor) มากทสดเนอง จากมคา Adjusted R Square มากทสดคอ 0.233 คดเปน 23.3 % มคาความคลาดเคลอน มาตรฐานมาตรฐาน (S.E.est ) เทากบ 0.59 มนยสาคญทางสถต (sig) ทนอยกวา 0.05 ใน Model ท 7 ดงแสดงในตารางท 9

40

ตารางท 9 คาสถตจากการหาความสมพนธระหวางตวแปร สถานะ Web Browser

Model R R Square Adjusted R Square

Std. Error of the

Estimate

1 .276a .076 .076 .65126

2 .379b .143 .142 .62729

3 .454c .206 .204 .60419

4 .465d .216 .214 .60041

5 .473e .224 .222 .59751

6 .481f .231 .229 .59490

7 .485g .236 .233 .59334

1. Predictors: (Constant), 3G

2. Predictors: (Constant), 3G, Brightness

3. Predictors: (Constant), 3G, Brightness, Bluetooth

4. Predictors: (Constant), 3G, Brightness, Bluetooth, Wifi

5. Predictors: (Constant), 3G, Brightness, Bluetooth, Wifi, CPU

6. Predictors: (Constant), 3G, Brightness, Bluetooth, Wifi, CPU, Sync

7. Predictors: (Constant), 3G, Brightness, Bluetooth, Wifi, CPU, Sync, GPS

1.3 กาหนดคาสถานะของปจจยทตองการทดสอบ เปนขนตอนในการกาหนดสถานะของแตละตวแปรหรอแตละปจจย โดยจะออกมาในลกษณะของชดขอมล ชดขอมล 1 ชด จะประกอบไปดวยจานวนตวแปรของแตลกษณะการใชงาน ตามทไดทาการวเคราะหความสมพนธไวขางตน ดงน

1.3.1 สถานะ Standby มจานวนตวแปรทมความสมพนธกบตวแปรตาม จานวน 6 ตวแปร คอ CPU, Brightness, 3G, Gps, Wifi, Bluetooth

41

ตารางท 10 แสดงรายละเอยดสถานะของแตละปจจยในแตละชดขอมลของสถานะ Standby

ชดขอมล สถานะ vector

(CPU, Brightness, 3G, Gps, Wifi, Bluetooth)

1 245,0,1,0,1,0

2 368,25,1,0,1,0

3 768,50,1,0,1,1

4 768,75,1,0,1,1

5 1024,100,1,1,1,1

จากตารางท 10 เปนตวอยางในการตงคาสถานะของแตละปจจยในแตละชดขอมล ซงแตละชดขอมลมการตงคาสถานะของแตละปจจย เชน CPU = 245, Brightness = 0, 3G = 1, Gps= 0,

Wifi= 1และ Bluetooth = 0 ไดชดขอมลคอ (245, 0, 1, 0, 1, 0) จานวนชดขอมลทไดในสถานะ Standby จากการกาหนดคาตวแปรคอ 320 ชดขอมล 1.3.2 สถานะ Video มจานวนตวแปรทมความสมพนธกบตวแปรตาม จานวน 7 ตวแปร คอ Brightness, 3G, Bluetooth, Wifi, CPU, Sync, GPS

ตารางท 11 แสดงรายละเอยดสถานะของแตละปจจยในแตละชดขอมลของสถานะ Video

ชดขอมล สถานะ vector

(Brightness, 3G, Bluetooth, Wifi, CPU, Sync, GPS)

1 0,1,0,1,0,245,0,0

2 25,1,0,1,0,368,0,0

3 50,0,0,1,1,768,1,0

4 75,1,0,1,0,1024,0,0

5 100,0,0,1,1,1024,0,1

จากตารางท 11 เปนตวอยางในการตงคาสถานะของแตละปจจยในแตละชดขอมล ซงแตละชดขอมลมการตงคาสถานะของแตละปจจย Brightness = 0, 3G = 1, Bluetooth = 0, Wifi= 0, CPU=

245, Sync= 0 และ GPS = 0 ไดชดขอมลคอ (0, 1, 0, 1, 0, 245, 0, 0) จานวนชดขอมลทไดในสถานะ Video จากการกาหนดคาตวแปรคอ 480 ชดขอมล

42

1.3.3 สถานะ Web browser มจานวนตวแปรทมความสมพนธกบตวแปรตาม จานวน 7 ตวแปร คอ 3G, Brightness, Bluetooth, Wifi, CPU, Sync, GPS

ตารางท 12 แสดงรายละเอยดสถานะของแตละปจจยในแตละชดขอมลของสถานะ Web browser

ชดขอมล สถานะ vector

(3G, Brightness, Bluetooth, Wifi, CPU, Sync, GPS)

1 0,25,0,1,245,0,1

2 0,50,1,1,368,0,1

3 0,75,0,0,768,1,1

4 0,75,1,1,245,0,1

5 0,100,0,0,1024,0,0

จากตารางท 12 เปนตวอยางในการตงคาสถานะของแตละปจจยในแตละชดขอมล ซงแตละชดขอมลมการตงคาสถานะของแตละปจจย 3G = 0, Brightness = 25, Bluetooth = 0, Wifi= 1,

CPU= 245, Sync= 0 และ GPS = 1 ไดชดขอมลคอ (0, 25, 0, 1, 245, 0, 1) จานวนชดขอมลทไดในสถานะ Web browser จากการกาหนดคาตวแปรคอ 480 ชดขอมล

1.4 วดคาพลงงานของแบตเตอรมอถอ ขนตอนนเปนการวดคาพลงงานของแบตเตอรมอถอ โดยจะใชโทรศพท HTC One V ในการวดคาพลงงาน ซงตองวดคาพลงงานจาก 3 ลกษณะการทางาน แตละลกษณะการทางานกจะมจานวนชดขอมลทไดกาหนดไว ในแตละชดขอมลกไดมการกาหนดสถานะของแตละปจจย ซงขนตอนการวดคาพลงงานจากแบตเตอรมอถอในแตละสถานะการทางานมดงน

1.4.1 ตงคาสถานะของแตละปจจย

ทาการตงคาสถานะของแตละปจจย โดยเรมการทดลองทละชดขอมล เชนขอมลชดท 1

(245, 0, 1, 0, 1, 1, 0) คอ CPU = 245, brightness = 0, wifi = 1, Bluetooth = 0, 3G= 1, gps=1 และ sync = 0 ซงการตงคานจะทาเหมอนกนทง 3 ลกษณะการทางานคอ Standby, Video และ Web

browser ในการตงคาสถานะของแตละปจจยและการเกบคาขอมลการใชงานแบตเตอรมอถอนน ตองนาแอพพลเคชนตางๆเขามาชวยในการตงคาดวยคอ

43

1. โปรแกรม SetCPU ใชสาหรบการตงคาของ CPU Utilization ซงคาของ CPU มทงหมด

4 คาคอ 245,368,768 และ 1024

รปท 14 โปรแกรม SetCPU

2. โปรแกรม Select brightness level ใชสาหรบการตงคาความสวางของหนาจอ มทงหมด 5 คา คอ 0%, 25%, 50%, 75%, 100%

รปท 15 โปรแกรม Select brightness level

44

3. โปรแกรม Battery Doctor ใชสาหรบการตงคาในสวนของ Wifi, 3G, Bluetooth, Gps

และ Sync

รปท 16 โปรแกรม Battery Doctor

1.4.2 เกบคาการใชพลงงานของแบตเตอรมอถอ

วธการเกบคาการใชพลงงานของแบตเตอรมอถอในแตละลกษณะการใชงานคอ ทาการตงคาสถานะของแตละปจจยในแตละชดขอมลตามทกลาวมาขางตนในขอท 1 จากนนทาการรนโทรศพททง 3 สถานะการทางาน และทาการจบเวลาวาภายในเวลา 1 ชวโมง พลงงานมการเปลยนแปลงอยางไร โดยจะทาการ sampling คาพลงงานในภายในชวงเวลาดงกลาวทก 5 นาท ซงการรนโทรศพททง 3 สถานะ กจะมวธการดงน 1. Standby เปนสถานะปจจบนทโทรศพทไมมการใชงาน ไมรนแอพพลเคชนใดๆ 2. Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ การทดลองครงนเลอกใชวดโอหนงจากเรอง 30 กาลงแจว ซงทาการเปดจากโปรแกรมวดโอทมอยในเครองโทรศพท 3. Web Browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser

เพอเขาใชงานเวบไซด การทดลองครงนใชวธการเปดเวบไซดเพออานขอมลตางๆ มการคลกเพอเปดอานหวขอใหมในทกๆ 5 นาท จนครบ 1 ชวโมง เวบไซดทใชในการทดลองคอ

http://en.wikipedia.org/wiki/Artificial_neural_network

45

1.5 หาคา Battery Discharge Rate ทาการหาคาของ Battery discharge rate ในแตละชดขอมล จาก 3 ลกษณะการทางาน โดยวธการคอนาคาพลงงานของแบตเตอรมอถอททาการเกบคาในเวลา 1 ชวโมง มาทาการ plot คาพลงงานในแตละชวงเวลา และหาสมการประมาณคาการเปลยนแปลงพลงงานออกมาดวยวธ linear

regression และวธ polynomial regression

รปท 17 ตวอยางกราฟแสดงคา Battery Discharge Rate ดวยสมการ linear regression

รปท 18 ตวอยางกราฟแสดงคา Battery Discharge Rate ดวยสมการ polynomial regression

y = -0.2972x + 101.18 R² = 0.5677

92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level polynomial order 3(battery level)

time (mins)

battery level

y = -0.0105x3 + 0.1304x2 - 0.4396x + 100.36 R² = 0.955

92

94

96

98

100

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level polynomial order 3(battery level)

time (mins)

battery level

46

จากรปท 13 และ 14 เปนกราฟตวอยางแสดงคา Battery Discharge rate (อตราการไหลแบตเตอร) ดวยสมการ linear regression และ สมการ polynomial regression ซงคา Battery

Discharge rate หรออตราการไหลของแบตเตอรนนขนอยกบคาสมประสทธทคานวณไดจากการไหลของเวลาและแบตเตอร (ความลาดชนของกราฟ) โดยคา Battery Discharge rate จากทง 2 สมการจะถกนามาใชเปน input สาหรบการทานาย และเปรยบเทยบคาแมนยาในการทานายผลของโมเดลตอไป

รปท 19 แสดงภาพรวมวธหาคา Battery Discharge Rate

ตงคาสถานะของชดขอมลในแตละปจย เชน (245, 0, 1, 0, 1, 0, 1, 0)

วดคาพลงงานภายในเวลา 1 ชวโมง ทก 5 นาท

นาคาทไดมา Plot กราฟ เพอหาคา Battery

Discharge rate จากสมการ linear regression

และสมการ polynomial regression

ใชโปรแกรม Battery Doctor สาหรบเกบคาการใชแบตเตอรมอถอภายในเวลา 1 ชม.

47

1.6 สรางโมเดลในการทานายพลงงานทใชไปของแบตเตอรมอถอ ทาการสรางโมเดลทานายการใชพลงงานของแบตเตอรมอถอ ตามลกษณะการใชงานทง 3 รปแบบ โดยนาหลกการและเทคนคของเหมองขอมล (Data mining) เขามาใชในการสรางโมเดล

การทดสอบอาศยหลกการแบบ Supervised learning คอ การเรยนแบบมการสอน ใชวธการวดประสทธภาพแบบ Cross Validation (10-Fold validation)

กลมตวอยางขอมลทใชเปนขอมลนาเขาเพอสรางโมเดล คอคาอตราการไหลของแบตเตอร (Battery Discharge rate) ซงหาไดจากสมการ Linear Regression และสมการ Polynomial

Regression มาทาการวเคราะหและสรางโมเดล เพอเปรยบเทยบคาความแมนยาในการทานายผลจากคาทไดจากสมการ linear regression และสมการ Polynomial Regression จานวนชดขอมลทใชเปนขอมลนาเขา ในการสรางโมเดลทานายพลงงานทใชไปของแบตเตอรมอถอตามลกษณะการทางานคอ

1. สถานะ Standby จานวน 320 ชดขอมล

2. สถานะ Video จานวน 480 ชดขอมล

3. สถานะ Web browser จานวน 480 ชดขอมล เทคนคทนามาใชในการสรางโมเดลคอ

1. สรางโมเดลโครงขายประสาทเทยม (Neural Network) แบบ Multi-Layer Perception

2. สรางโมเดลซพพอรตเวกเตอรแมชชน (Support Vector Machines) แบบทใช Kernel

1.6.1 แปลงขอมล

ทาการแปลงขอมลใหอยในรปแบบทเหมาะสม โดยชนดของไฟลทใชในการนาเขาโปรแกรม Weka เพอจะใชในการวเคราะหขอมลตอไปคอไฟลนามสกล .arff ตอไป

1. ทาการบนทกไฟลทประกอบไปดวยชดขอมล 480 ชด ซงประกอบไปดวยคาสถานะของแตละปจจยในแตละปจจยและคาของ Battery discharge ในรปแบบของ .CSV ดงรป

ท 20

48

รปท 20 ตวอยางไฟล CSV

2. นาไฟลขอมลทเปน .CSV ของทง 3 ลกษณะการใชงาน คอ Standby, Video และ Web

browser เขาโปรแกรม weka เพอทาการบนทกไฟลเปน .arff 3. นาไฟลทบนทกเปน .arff แลว มาแกไขชนดของตวแปร โดยใชโปรแกรม Notepad++

ดงน

49

รปท 21 แสดงการแกไขชนดของตวแปร

@relation ‘web browser 3’ หมายความวาเราจะตงชอตารางนวา web browser 3

@attribute CPU หมายความวาเราจะตงชออนพทโหนดนวา CPU มคา {245, 368,

768, 1024} @attribute WIFI หมายความวาเราจะตงชออนพทโหนดนวา WIFI มคา {0,1} @attribute 3G หมายความวาเราจะตงชออนพทโหนดนวา 3G มคา {0,1} @attribute BT หมายความวาเราจะตงชออนพทโหนดนวา BT มคา {0,1}

@attribute BR หมายความวาเราจะตงชออนพทโหนดนวา BR มคา {0,1}

@attribute SYNC หมายความวาเราจะตงชออนพทโหนดนวา SYNC มคา {0,1}

@attribute GPS หมายความวาเราจะตงชออนพทโหนดนวา GPS มคา {0,1}

@attribute batterydischargrate หมายความวาเราจะตงชออนพทโหนดนวา batterydischargrate มคา output เปนตวเลขจานวนจรง

50

@data หมายความวา สวนดานทอยบรรทดลางถดไปคอขอมลของตวแปรแตละตวในแตละชดขอมล และคา battery discharge rate

4. สรางตวทดสอบ (Test Set) ดวยวธการเดยวกนกบการสรางตวฝกสอน แตแทนทเลขbatterydischargerate ดวย สญลกษณ “?” ดงรปท 22

รปท 22 แสดงขอมลของตว test

1.6.2 การสรางแบบจาลอง

ทาการสรางแบบจาลองในการทานายพลงงานทใชไปของแบตเตอรมอถอ ตามลกษณะการมชงาน โดยอาศยหลกการของเหมองขอมลเขามาใชในการสรางแบบจาลอง ซงจานวนชดขอมลทใชสาหรบการทดลองคอ สถานะ Standby 320 ชดขอมล สถานะ Video 320 ชดขอมล และสถานะ Web browser 480 ชดขอมล การทดสอบอาศยหลกการแบบ Supervised learning คอ

51

การเรยนแบบมการสอน ใชวธการวดประสทธภาพแบบ Cross Validation (10-Fold validation) ซงเทคนคของเหมองขอมลทนามาใชในการสรางแบบจาลองในงานวจยชนนคอ

1. สรางโมเดลโครงขายประสาทเทยม (Neural Network) แบบ Multi-Layer Perception

(MLP)

2. สรางโมเดลซพพอรตเวกเตอรแมชชน (Support Vector Machines -SVM) แบบทใช Kernel แบงออกเปน 3 ฟงกชนคอ

2.1 Linear

2.2 Polynomial,

2.3 Radius Basic Function (RBF) 1.7 วดคาแมนยาของการพยากรณ 1.) คาความคลาดเคลอนกาลงสองเฉลย (Mean Squared Error: MSE)

มสตรในการคานวณดงน Mean Squared Error (MSE) = (คาจรง – คาพยากรณ) 2

n

การวดความถกตองของการพยากรณทนยมใชกนอยางแพรหลายอกวธหนง คอ การหาคาความคลาดเคลอนกาลงสองเฉลย หรอ MSE ซงคานใชหลกการเดยวกนกบการหาคาความแปรปรวนในทางสถต การวดคาความคลาดเคลอนดวยวธนจะไดคาความคลาดเคลอนทสง เนองจากเปนการนาความคลาดเคลอน ณ เวลาใดๆ มายกกาลงสอง กอนทจะหาผลรวมแลวจงนามาหาคาเฉลยอกครงหนง นนคอ คา MSE ยงนอย หมายถง การพยากรณยงแมนยา 2.) คาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE)

มสตรในการคานวณ ดงน Mean Absolute Error (MAE) = (คาจรง – คาพยากรณ x100X/คาจรง)

n

52

บทท 4 ผลการดาเนนงานวจย

จากการดาเนนงานวจยเพอทานายอตราการใชพลงงานของแบตเตอรมอถอ โดยใชเทคนคโครงขายประสาทเทยมและซพพอรตเวกเตอรแมชชน เพอเปรยบเทยบหาคาความแมนยาในการทานายผลทมประสทธภาพมากทสด ผวจยไดดาเนนงานวจยจนสาเรจตามวตถประสงค โดยสามารถอธบายผลการดาเนนงานวจยไดดงน

1. ผลการทดสอบโมเดล 1.1 การสรางโมเดลโครงขายประสาทเทยม (Neural Network) แบบ Multi-Layer Perception (MLP) ทาการสรางโมเดลดวยโครงขายประสาทเทยม (MLP) จากสมการ linear regression และสมการPolynomial regressionโดยทาการปรบคาพารามเตอรตางๆ เพอใหโมเดลทไดมความแมนยามากทสด คาพารามเตอรทสงผลตอการสรางโมเดลมดงน

1. Learning rate คออตราการเรยนร การกาหนดคาตองทาใหเหมาะสมกบขอมล มสวนทาให

การเรยนรมความเรวและความแมนยา ซงถาคายงนอยจะทาใหการเรยนรเปนไปไดอยางละเอยดแตจะมความลาชา ตรงกนขามกน หากมคามากการเรยนรจะรวดเรว แตอาจจะไมไดประสทธภาพหากขอมลมการกระจายตวมาก

2. Momentum คอ คาความแกวง ซงถาขอมลมการกระจายตวนอยใหปรบคาโมเมนตมใหม

คามาก เพอการเรยนรจะไดราบรน ไมแกวงไปมา สวนในทางกลบกน ถาหากขอมลมการกระจายตวมากตองปรบคาใหนอยๆ เพอทาใหเกดการแกวงรอบๆพนทดงกลาว

3. การเลอกพารามเตอรมผลโดยตรงตอโครงสรางของเครอขายฯ และมผลโดยตรงตอ

ประสทธภาพการประมาณคาฟงกชน (การสรางแบบจาลอง) 3.1 จานวนชนซอนตองเหมาะสม (Hidden Layer)

3.2 การปรบพารามเตอรตางๆ ขนอยกบขอมลทไดและขอมลแตละชดจะใชการปรบคาทแตกตางกน

53

3.3 การฝกสอนระบบฯ เนนทความผดพลาดนอย และความแมนยาสงทสดเทาทขอมลนนจะมใหเราได

3.4 การฝกสอนระบบฯ ถายงมขอมลในการสอนมากเทาใด ประสทธภาพกจะมมากขนเทานน

3.5 การตงคาจานวนครงทจะทาการฝกสอนระบบฯ (Training Time) ยงมคามากเทาใดกจะยงมประสทธภาพมากเทานน

ในการทดลองไดกาหนดคาพารามเตอรทสงผลตอการสรางโมเดลดงน

1. Learning rate = [0.1, 0.05, 0.025, 0.01]

2. Momentum = [0.3, 0.2, 0.1, 0.05, 0.01]

3. Hidden Layer = [3, 4, 5]

4. Training Time (N) = [500, 1000]

โดยเมอทาการกาหนดคาพารามเตอรเรยบรอยแลวจะไดจานวนชดขอมลทมการกาหนด

คาพารามเตอรในแตละคาทแตกตางกนจานวน 120 ชดขอมล เชน Learning rate = 0.01,

Momentum = 0.3, Hidden Layer = 3, N = 1000 จากนนทาการตงคา เพอวดคาความแมนยาขอ

โมเดลตอไป ซงในบทนจะแสดงผลการทดลองจานวน 10 กลมตวอยางทมคา MAE และ RMSE

นอยทสด ในสวนรายละเอยดของการทดลองจะแสดงในภาคผนวกตอไป

ผลการทดสอบโมเดลแบบ MLP แบงตามลกษณะการใชงาน (สมการ Linear Regression) 1. Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

ตารางท 13 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby

โหมดการทางาน คาพารามเตอรตางๆ คาความคาดเคลอน

Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Standby

0.01 0.3 3 1000 0.0493 0.078 0.025 0.05 3 1000 0.0494 0.078

0.025 0.01 3 1000 0.0494 0.0779

0.025 0.1 3 1000 0.0495 0.0783

0.025 0.2 3 1000 0.0499 0.0818

0.01 0.2 3 1000 0.0499 0.0786

0.025 0.3 3 1000 0.05 0.082

54

โหมดการทางาน Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Standby

0.01 0.2 5 1000 0.05 0.0778

0.01 0.3 5 1000 0.0501 0.0788

0.025 0.3 3 500 0.0507 0.0813

จากตารางท 13 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.01,

Momentum = 0.3, Hidden layer = 3 และ N = 1000 จะไดคา MAE และ RMSE ทมคานอยทสดคอ MAE=0.0493 และ RMSE = 0.078

2. Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 14 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video

โหมดการทางาน คาพารามเตอรตางๆ คาความคาดเคลอน

Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Video

0.01 0.3 3 1000 0.2543 0.341 0.01 0.2 3 1000 0.255 0.3408

0.01 0.05 4 1000 0.2559 0.3382

0.01 0.1 4 1000 0.256 0.3391

0.01 0.1 3 1000 0.2561 0.3415

0.01 0.01 4 1000 0.2562 0.338

0.01 0.05 3 1000 0.2569 0.3419

0.01 0.2 4 1000 0.2573 0.3418

0.01 0.01 3 1000 0.2576 0.3421

0.01 0.3 3 500 0.2583 0.3417

55

จากตารางท 14 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.01,

Momentum = 0.3, Hidden layer = 3 และ N = 1000 จะไดคา MAE และ RMSE ทมคานอยทสดคอ MAE=0.2543 และ RMSE = 0.341

3. Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด

ตารางท 15 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser

โหมดการทางาน คาพารามเตอรตางๆ คาความคาดเคลอน

Learning

rate Momentum

Hidden

Layer N MAE RMSE

Web browser

0.01 0.01 3 500 0.206 0.2771 0.01 0.01 4 500 0.2063 0.278

0.01 0.05 3 500 0.2064 0.2774

0.01 0.05 4 500 0.2068 0.2785

0.01 0.1 3 500 0.2069 0.2779

0.01 0.1 4 500 0.2075 0.2792

0.01 0.01 3 1000 0.2078 0.2784

0.01 0.2 3 500 0.208 0.2789

0.01 0.05 3 1000 0.208 0.2785

0.01 0.1 3 1000 0.2081 0.2786

จากตารางท 15 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.01,

Momentum = 0.3, Hidden layer = 3 และ N = 500 จะไดคา MAE และ RMSE ทมคานอยทสดคอ MAE=0.206และ RMSE = 0.2771

ผลการทดสอบโมเดลแบบ MLP แบงตามลกษณะการใชงาน (สมการ Polynomial Regression) 1. Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

56

ตารางท 16 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby (สมการ Polynomial

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 1

0.01 0.05 3 500 0.0007 0.001 0.01 0.2 5 500 0.0008 0.0019

0.01 0.1 3 500 0.0008 0.0019

0.01 0.1 4 500 0.0008 0.0019

0.01 0.1 5 500 0.0008 0.0019

0.01 0.2 3 500 0.0008 0.0019

0.01 0.05 4 500 0.0008 0.0019

0.01 0.05 5 500 0.0008 0.0019

0.01 0.01 3 500 0.0008 0.0019

0.01 0.01 4 500 0.0008 0.0019

Output ตวท 2

0.01 0.05 3 500 0.0473 0.086 0.01 0.05 3 1000 0.0473 0.0862

0.01 0.01 3 500 0.0473 0.0862

0.01 0.01 3 1000 0.0473 0.0862

0.01 0.1 3 500 0.0474 0.086

0.01 0.1 3 1000 0.0474 0.0863

0.01 0.01 4 500 0.0474 0.086

0.01 0.2 3 500 0.0475 0.086

0.01 0.1 4 500 0.0475 0.086

0.01 0.05 4 500 0.0475 0.086

57

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 3

0.01 0.05 3 500 0.1824 0.2669 0.01 0.2 5 500 0.1825 0.2681

0.01 0.01 3 500 0.1825 0.2671

0.01 0.2 3 500 0.1826 0.2676

0.01 0.1 3 500 0.1826 0.2673

0.01 0.1 5 500 0.1827 0.2686

0.01 0.05 5 500 0.1828 0.2686

0.01 0.01 5 500 0.1828 0.2685

0.01 0.3 5 500 0.1834 0.2685

0.01 0.3 3 500 0.184 0.2687

จากตารางท 16 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.01,

Momentum = 0.05, Hidden layer = 3 และ N = 500 จะไดคา MAE และ RMSE ทมคานอยทสดคอ Output ตวท 1 มคา MAE = 0.0007, RMSE 0.001 ถดมา Output ตวท 2 มคา MAE = 0.0473,

RMSE=0.086 และ Output ตวท 3 มคา MAE = 0.1824, RMSE = 0.2669

2. Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 17 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video

(สมการ Polynomial)

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 1

0.01 0.01 3 500 0.0113 0.0476 0.01 0.01 3 1000 0.0113 0.0476

0.01 0.1 3 500 0.0114 0.0476

58

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 1

0.01 0.1 3 1000 0.0114 0.0476

0.01 0.05 3 500 0.0114 0.0476

0.01 0.05 3 1000 0.0114 0.0476

0.01 0.01 4 500 0.0114 0.0476

0.01 0.01 4 1000 0.0114 0.0476

0.01 0.1 4 1000 0.0115 0.0477

0.01 0.05 4 500 0.0115 0.0476

Output ตวท 2

0.01 0.01 3 500 0.1222 0.2234 0.01 0.05 3 500 0.1223 0.2234

0.01 0.1 3 500 0.1224 0.2235

0.01 0.3 5 1000 0.1225 0.2262

0.01 0.05 4 500 0.1226 0.2237

0.01 0.2 3 500 0.1227 0.2236

0.01 0.1 4 500 0.1227 0.2238

0.01 0.05 3 1000 0.1228 0.2234

0.01 0.01 4 1000 0.1229 0.2233

0.01 0.3 3 500 0.123 0.2236

Output ตวท 3

0.01 0.01 3 500 0.6451 1.0689 0.01 0.01 3 1000 0.6465 1.0728

0.01 0.05 3 1000 0.6466 1.0684

0.01 0.05 3 500 0.6476 1.0732

0.01 0.01 4 500 0.6486 1.0759

0.01 0.3 3 1000 0.6487 1.068

59

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 3

0.01 0.01 4 1000 0.6489 1.0804

0.01 0.3 3 500 0.649 1.074

0.01 0.05 4 500 0.6496 1.0758

0.01 0.3 4 500 0.6508 1.0758

จากตารางท 17 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.01,

Momentum = 0.01, Hidden layer = 3และ N = 500 จะไดคา MAE และ RMSE ทมคานอยทสดคอ Output ตวท 1 มคา MAE = 0.0113, RMSE 0.0476 ถดมา Output ตวท 2 มคา MAE = 0.1222,

RMSE=0.2234 และ Output ตวท 3 มคา MAE = 0.6451, RMSE = 1.0689

3. Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด

ตารางท 18 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser

(สมการ Polynomial)

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 1

0.025 0.2 4 500 0.0051 0.0077 0.025 0.2 5 500 0.0051 0.0077

0.025 0.1 4 500 0.0051 0.0077

0.025 0.1 5 500 0.0051 0.0077

0.025 0.05 4 500 0.0051 0.0077

0.025 0.05 5 500 0.0051 0.0077

0.025 0.01 4 500 0.0051 0.0077

60

คาพารามเตอรตางๆ คาความคาดเคลอน

คา Output Learning

rate

Momentum

Hidden

Layer N MAE RMSE

Output ตวท 1

0.025 0.01 5 500 0.0051 0.0077

0.01 0.3 3 500 0.0051 0.0077

0.01 0.3 3 1000 0.0051 0.0077

Output ตวท 2

0.025 0.3 3 500 0.0984 0.1269

0.025 0.2 3 500 0.0984 0.1269

0.025 0.2 4 500 0.0966 0.1262 0.01 0.1 5 500 0.0981 0.1273

0.01 0.05 5 500 0.0981 0.1274

0.01 0.01 5 500 0.0981 0.1274

0.01 0.3 5 500 0.0981 0.1276

0.05 0.01 3 500 0.0982 0.127

0.05 0.05 3 500 0.0982 0.1271

0.01 0.2 5 500 0.0982 0.1275

Output ตวท 3

0.01 0.01 4 500 0.5461 0.7796 0.01 0.05 4 500 0.5464 0.7806

0.01 0.1 4 500 0.5469 0.782

0.01 0.01 3 500 0.5476 0.783

0.01 0.05 3 500 0.5483 0.7842

0.01 0.2 4 500 0.5482 0.7851

0.01 0.01 5 500 0.5491 0.7856

0.01 0.1 3 500 0.5491 0.7858

0.01 0.05 5 500 0.5495 0.7865

0.01 0.3 4 500 0.55 0.789

61

จากตารางท 18 สามารถอธบายผลไดวา เมอมการตงคาพารามเตอร Learning rate = 0.025,

Momentum = 0.2, Hidden layer = 4 และ N = 500 จะไดคา MAE และ RMSE ทมคานอยทสดคอ Output ตวท 1 มคา MAE = 0.0051, RMSE 0.0077 ถดมา Output ตวท 2 มคา MAE = 0.0966,

RMSE=0.1262 และ Output ตวท 3 มคา MAE = 0.5461, RMSE = 0.7796

1.2 สรางโมเดลซพพอรตเวกเตอรแมชชน (Support Vector Machines -SVM) แบบทใชKernel ทาการสรางโมเดลดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) จากสมการ linear

regression และสมการ polynomial regression โดยทาการปรบคาพารามเตอรตางๆ เพอใหโมเดลทไดมความแมนยามากทสด

ผลการทดสอบโมเดลดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) สมการ linear regression 1.2.1 ฟงกชนแกน Linear 1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน ไมมการรนแอพพลเคชนใดๆ

ตารางท 19 สรปผลการทดลองในการปรบคา Cost ( C ) ในฟงกชนแกน linear (สถานะ Standby)

C คา Error

MAE RMSE 1 0.0737 0.1002 2 0.0737 0.1002

3 0.0737 0.1002

4 0.0737 0.1002

5 0.0737 0.1002

6 0.0737 0.1002

7 0.0737 0.1002

8 0.0737 0.1002

9 0.0737 0.1002

10 0.0737 0.1002

11 0.0737 0.1002

62

จากตารางท 19 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Cost (C) จากผลการทดลองคอเมอปรบคา C ตงแต 1-11 ผลทไดคอคา MAE และคา RMSE มคาเทากนคอ MAE= 0.0737 และ RMSE = 0.1002

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 20 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Video)

C คา Error

MAE RMSE 1 0.2651 0.3603 2 0.2651 0.3603

3 0.2651 0.3603

4 0.2651 0.3603

5 0.2651 0.3603

6 0.2651 0.3603

7 0.2651 0.3603

8 0.2651 0.3603

9 0.2651 0.3603

10 0.2651 0.3603

11 0.2651 0.3603

จากตารางท 20 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Cost (C) จากผลการทดลองคอเมอปรบคา C ตงแต 1-11

ผลทไดคอคา MAE และคา RMSE มคาเทากนคอ MAE= 0.2651 และ RMSE = 0.3603

63

3. Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด ตารางท 21 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Web

browser)

C คา Error

MAE RMSE 1 0.2602 0.3315 2 0.2604 0.3316

3 0.2603 0.3316

4 0.2603 0.3316

5 0.2603 0.3316

6 0.2603 0.3316

7 0.2603 0.3316

8 0.2603 0.3316

9 0.2603 0.3316

10 0.2603 0.3316

11 0.2603 0.3316

จากตารางท 21 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Cost (C) จากผลการทดลองคอเมอปรบคา C ตงแต 1-11 ผลทไดคอคา MAE และคา RMSE มคาเทากนคอ MAE= 0.2603 และ RMSE = 0.3316

64

1.2.1 ฟงกชนแกน Polynomial

1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

ตารางท 22 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost ( C ) ในฟงกชนแกน

Polynomial (สถานะ Standby)

คาพารามเตอร คา Error Degree Gamma C MAE RMSE

1 0.0 1 0.0737 0.1002

2 0.0 1 0.0652 0.0925

3 0.0 1 0.0646 0.0862

4 0.0 1 0.0653 0.0891

1 0.2 1 0.0737 0.1002

2 0.2 1 0.0656 0.0925

3 0.2 1 0.0633 0.0842 4 0.2 1 0.0692 0.094

1 0.4 1 0.0737 0.1002

2 0.4 1 0.0666 0.0925

3 0.4 1 0.0665 0.0878

4 0.4 1 0.0666 0.0925

1 0.6 1 0.0737 0.1002

2 0.6 1 0.0669 0.0924

3 0.6 1 0.0675 0.0878

4 0.6 1 0.0679 0.088

จากตารางท 22 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.2, C=1 ผลทไดคอคา MAE= 0.0633 และ RMSE = 0.0842

65

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 23 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost ( C ) ในฟงกชนแกน

Polynomial (สถานะ Video)

คาพารามเตอร คา Error Degree Gamma C MAE RMSE

1 0.0 1 0.265 0.3596

2 0.0 1 0.2506 0.3406

3 0.0 1 0.2466 0.3371

4 0.0 1 0.2461 0.3348

1 0.2 1 0.2651 0.3598

2 0.2 1 0.2512 0.3404

3 0.2 1 0.2448 0.3356

4 0.2 1 0.2511 0.3398

1 0.4 1 0.2647 0.3598

2 0.4 1 0.2529 0.3419

3 0.4 1 0.2428 0.338 4 0.4 1 0.2512 0.3398

1 0.6 1 0.265 0.3601

2 0.6 1 0.253 0.3425

3 0.6 1 0.2665 0.3522

4 0.6 1 0.2675 0.3398

จากตารางท 23 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.4, C=1 ผลทไดคอคา MAE= 0.2428 และ RMSE = 0.338

66

3. Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เขาใชงานเวบไซด

ตารางท 24 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost ( C ) ในฟงกชนแกน

Polynomial (สถานะ Web browser)

คาพารามเตอร คา Error Degree Gamma C MAE RMSE

1 0.0 1 0.2605 0.3319

2 0.0 1 0.201 0.2724

3 0.0 1 0.2023 0.2738

4 0.0 1 0.2102 0.2817

1 0.2 1 0.2604 0.3316

2 0.2 1 0.1992 0.2699

3 0.2 1 0.2016 0.2724

4 0.2 1 0.218 0.29

1 0.4 1 0.2603 0.3316

2 0.4 1 0.1982 0.2689

3 0.4 1 0.2035 0.2734

4 0.4 1 0.2129 0.2901

1 0.6 1 0.2601 0.3314

2 0.6 1 0.1981 0.269 3 0.6 1 0.2137 0.2734

4 0.6 1 0.2234 0.2901

จากตารางท 24 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.6, C=1 ผลทไดคอคา MAE= 0.1981และ RMSE = 0.269

67

1.2.1 ฟงกชนแกน Radius Basic Function

1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

ตารางท 25 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชนแกน Radius Basic

Function (สถานะ Standby)

คาพารามเตอร คา Error Gamma C MAE RMSE

0.0 1 0.0622 0.0869

0.2 1 0.0621 0.0853 0.4 1 0.07 0.092

0.6 1 0.0785 0.0968

0.8 1 0.0877 0.1002

1.0 1 0.0931 0.1064

1.2 1 0.0963 0.1094

1.4 1 0.0988 0.1122

1.6 1 0.1014 0.1151

1.8 1 0.1038 0.118

2.0 1 0.106 0.1208

2.2 1 0.108 0.2133

จากตารางท 25 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Gamma=0.2, C=1 ผลทไดคอคา MAE= 0.621 และ RMSE = 0.0853

68

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ

ตารางท 26 สรปผลการทดลองในการปรบคา Gamma, Cost ( C ) ในฟงกชนแกน Radius Basic

Function (สถานะ Video)

คาพารามเตอร คา Error Gamma C MAE RMSE

0.0 1 0.2424 0.3266

0.2 1 0.2424 0.3266

0.4 1 0.2413 0.3243 0.6 1 0.2529 0.2526

0.8 1 0.2609 0.3398

1.0 1 0.2648 0.3418

1.2 1 0.2668 0.3424

1.4 1 0.2732 0.3481

1.6 1 0.2836 0.3585

1.8 1 0.296 0.3732

2.0 1 0.3107 0.3906

2.2 1 0.3258 0.4086

จากตารางท 26 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Gamma=0.4, C=1 ผลทไดคอคา MAE= 0.2413

และ RMSE = 0.3243

69

3.) Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด ตารางท 27 สรปผลการทดลองในการปรบคา Gamma, Cost ( C ) ในฟงกชนแกน Radius Basic

Function (สถานะ Web browser)

คาพารามเตอร คา Error Gamma C MAE RMSE

0.0 1 0.2114 0.283 0.2 1 0.2146 0.2849

0.4 1 0.223 0.2928

0.6 1 0.2318 0.3005

0.8 1 0.2377 0.3047

1.0 1 0.2433 0.3068

1.2 1 0.2515 0.3143

1.4 1 0.2632 0.3276

1.6 1 0.2802 0.3469

1.8 1 0.2997 0.3709

2.0 1 0.3213 0.3972

2.2 1 0.3436 0.4242

จากตารางท 27 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Gamma=0.0, C=1 ผลทไดคอคา MAE= 0.2114

และ RMSE = 0.283

70

ผลการทดสอบโมเดลดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM) สมการ Polynomial regression 1.2.1 ฟงกชนแกน Linear

1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน ไมมการรนแอพพลเคชนใดๆ

ตารางท 28 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Standby)

By Usage คาพารามเตอร ( Cost) คา Output MAE RMSE

Standby

1 Output 1 0.0005 0.0019

1 Output 2 0.0425 0.087

1 Output 3 0.1768 0.2709

จากตารางท 28 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ คา C=1 ผลทไดคอคา Output ตวท 1 MAE =

0.0005, RMSE=0.0019 ถดมาคอ Output ตวท 2 MAE = 0.0425, RMSE=0.087 และ Output ตวท 3

MAE = 0.1768, RMSE = 0.2709

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 29 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Video)

By Usage คาพารามเตอร ( C) คา Output MAE RMSE

Video

1 Output 1 0.0082 0.0469

1 Output 2 0.1176 0.2207

1 Output 3 0.6098 1.0678

จากตารางท 29 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ คา C=1 ผลทไดคอคา Output ตวท 1 MAE =

0.0082, RMSE=0.0469 ถดมาคอ Output ตวท 2 MAE = 0.1176, RMSE=0.2207 และ Output ตวท 3 MAE = 0.6098, RMSE = 1.0678

71

3. Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด ตารางท 30 สรปผลการทดลองในการปรบคา Cost (C) ในฟงกชนแกน linear (สถานะ Web

browser)

By Usage คาพารามเตอร ( C) คา Output MAE RMSE

Web browser

1 Output 1 0.0401 0.0406

1 Output 2 0.102 0.1302

1 Output 3 0.5334 0.7987

จากตารางท 30 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน linear และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ คา C=1 ผลทไดคอคา Output ตวท 1 MAE =

0.0401, RMSE=0.0406 ถดมาคอ Output ตวท 2 MAE = 0.102, RMSE=0.1302 และ Output ตวท 3

MAE = 0.5334, RMSE = 0.7987

1.2.1 ฟงกชนแกน Polynomial

1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

ตารางท 31 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน

Polynomial (สถานะ Standby)

By Usage

คาพารามเตอร

คา Output

คา Error

Degree Gamma C MAE RMSE

Standby

3 0.2 1 Output 1 0.0006 0.0019

3 0.2 1 Output 2 0.0466 0.0905

3 0.2 1 Output 3 0.1739 0.2688

จากตารางท 31 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.2, C=1 ผลทไดคอคา Output ตวท 1 MAE = 0.0006, RMSE=0.0019 ถดมาคอ Output ตวท 2 MAE = 0.0466,

RMSE=0.0905 และ Output ตวท 3 MAE = 0.1739, RMSE = 0.2688

72

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ ตารางท 32 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน

Polynomial (สถานะ Video)

By Usage

คาพารามเตอร

คา Output

คา Error

Degree Gamma C MAE RMSE

Video

3 0.4 1 Output 1 0.0081 0.0469

3 0.4 1 Output 2 0.1155 0.2212

3 0.4 1 Output 3 0.5943 1.0381

จากตารางท 32 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.4, C=1 ผลทไดคอคา Output ตวท 1 MAE = 0.0081, RMSE=0.0469 ถดมาคอ Output ตวท 2 MAE = 0.1155,

RMSE=0.2212 และ Output ตวท 3 MAE = 0.5943, RMSE = 1.0381

3. Web browser สถานะทโทรศพทมการใชงาน network โดยเปด Web browser เขาใชงานเวบไซด ตารางท 33 สรปผลการทดลองในการปรบคา Degree, Gamma, Cost (C) ในฟงกชนแกน

Polynomial (สถานะ Web browser)

By Usage

คาพารามเตอร

คา Output

คา Error

Degree Gamma C MAE RMSE

Web browser

2 0.6 1 Output 1 0.0401 0.0406

2 0.6 1 Output 2 0.1001 0.1287

2 0.6 1 Output 3 0.5308 0.7713

จากตารางท 33สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน Polynomial และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอคา Degree = 3, Gamma=0.4, C=1 ผลทไดคอคา Output ตวท 1 MAE = 0.0402, RMSE=0.0406 ถดมาคอ Output ตวท 2 MAE = 0.1001,

RMSE=0.1287 และ Output ตวท 3 MAE = 0.5308, RMSE = 0.7713

73

1.2.1 ฟงกชนแกน Radius Basic Function

1.) Standby สถานะปจจบนทโทรศพทไมมการใชงาน หรอไมมการรนแอพพลเคชนใดๆ

ตารางท 34 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชนแกน Radius Basic

Function (สถานะ Standby)

By Usage คาพารามเตอร

คา Output คา Error

Gamma C MAE RMSE

Standby

0.2 1 Output 1 0.0012 0.0025

0.2 1 Output 2 0.0436 0.0907

0.2 1 Output 3 0.1723 0.2691

จากตารางท 34 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Gamma=0.2, C=1 ผลทไดคอคา Output ตวท 1 MAE

= 0.0012, RMSE=0.0025 ถดมาคอ Output ตวท 2 MAE = 0.0436, RMSE=0.0907 และ Output ตวท 3 MAE = 0.1723, RMSE = 0.2691

2.) Video สถานะทโทรศพทไมมการใชงาน network โดยการเลนวดโอ

ตารางท 35 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชนแกน Radius Basic

Function (สถานะ Video)

By Usage คาพารามเตอร

คา Output คา Error

Gamma C MAE RMSE

Video

0.4 1 Output 1 0.009 0.0471

0.4 1 Output 2 0.1171 0.2222

0.4 1 Output 3 0.5944 1.0447

จากตารางท 35 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Gamma=0.4, C=1 ผลทไดคอคา Output ตวท 1 MAE

= 0.009, RMSE=0.0471 ถดมาคอ Output ตวท 2 MAE = 0.1171, RMSE=0.2222 และ Output ตวท 3 MAE = 0.5944, RMSE = 1.0447

74

3.) Web browser สถานะทโทรศพทมการใชงาน network โดยการเปด Web browser เพอเขาใชงานเวบไซด ตารางท 36 สรปผลการทดลองในการปรบคา Gamma, Cost (C) ในฟงกชนแกน Radius Basic

Function (สถานะ Web browser)

By Usage คาพารามเตอร

คา Output คา Error

Gamma C MAE RMSE

Web browser

0.0 1 Output 1 0.0401 0.0406

0.0 1 Output 2 0.1026 0.1309

0.0 1 Output 3 0.5344 0.7987

จากตารางท 36 สามารถอธบายผลไดวา คาพารามเตอรทมผลตอฟงกชน RBF และสงผลทาใหคา MAE และคา RMSE มคานอยทสด คอ Gamma=0.0, C=1 ผลทไดคอคา Output ตวท 1 MAE

= 0.0401, RMSE=0.0406 ถดมาคอ Output ตวท 2 MAE = 0.1026, RMSE=0.1309 และ Output ตวท 3 MAE = 0.5344, RMSE = 0.7987

จากผลการทดสอบการสรางโมเดลดวยเทคนคโครงขายประสาทเทยม (MLP) และเทคนค ซพพอรตเวกเตอรแมชชน (SVM) ดวยสมการ Linear Regression และสมการ Polynomial ตามลกษณะการใชงานทง 3 รปแบบ โดยการปรบคาพารามเตอรตางๆของแตละเทคนคแตละฟงกชน และทาการพจารณาคาความคลาดเคลอนกาลงสองเฉลย (Root mean square error; RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE) ทมคานอยทสดจากแตละกรณมาเปรยบเทยบ เพอทาการหาคาความแมนยาในการพยากรณ

75

ตารางท 37 แสดงคาความคลาดเคลอนของแตละโมเดลแบงตามลกษณะการใชงาน

จากตารางท 37 เปนการแสดงคาความคลาดเคลอนกาลงสองเฉลย (Root mean square

error; RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE) จากสมการ Linear Regression และสมการ Polynomial ทมคานอยทสด โดยแยกตามเทคนคทใชในการทดลองคอ เทคนคโครงขายปราทเทยม (MLP) และเทคนคซพพอรตเวกเตอรแมชชน (SVM) ในแตละฟงกชน โดยแบงตามลกษณะการใชงานทง 3 รปแบบคอ Standby, Video และ Web browser

Model By usages MAE RMSE

Linear Poly(3rd) Linear Poly(3rd)

Neural Network

Standby 0.0493 0.0768 0.078 0.1183

Video 0.2543 0.2595 0.341 0.4466

Web browser 0.206 0.2159 0.2771 0.3045

Support Vector

Machine

Standby - Polynomial 0.0633 0.0737 0.0842 0.1204

- Linear 0.0737 0.0733 0.1002 0.1199

- Radius 0.0621 0.0724 0.0853 0.1208

Video - Polynomial 0.2428 0.2393 0.338 0.4354

- Linear 0.2651 0.2452 0.3603 0.4451

- Radius 0.2413 0.2402 0.3243 0.438

Web browser - Polynomial 0.1981 0.2237 0.269 0.3135

- Linear 0.2602 0.2252 0.3315 0.3232

- Radius 0.2114 0.2257 0.283 0.3234

76

2. ผลคาความคลาดเคลอน ทาการคดคาเฉลยคาความคลาดเคลอนกาลงสองเฉลย (Root mean square error; RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE) ในแตละเทคนค

ตารางท 38 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคเทคนคโครงขายประสาทเทยม (MLP)

By usages MAE RMSE

linear poly (3nd) linear poly (3nd)

Standby state 0.0493 0.0768 0.078 0.1183

Video 0.2543 0.2595 0.341 0.4466

Web browser 0.206 0.2159 0.2771 0.3045

คาเฉลย 0.1698 0.1840 0.2320 0.2898

ตารางท 39 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM)

ฟงกชน Polynomial

By usages MAE RMSE

Linear Poly(3rd) Linear Poly(3rd)

Standby 0.0633 0.0737 0.0842 0.1204

Vedio 0.2405 0.2393 0.338 0.4354

Web browser 0.1981 0.2237 0.269 0.3135

คาเฉลย 0.1673 0.1789 0.2304 0.2898

77

ตารางท 40 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM)

ฟงกชน Linear

By usages MAE RMSE

Linear Poly(3rd) Linear Poly(3rd)

Standby 0.0737 0.0733 0.1002 0.1199

Vedio 0.2651 0.2452 0.3603 0.4451

Web browser 0.2252 0.2602 0.3232 0.3315

คาเฉลย 0.1880 0.1929 0.2612 0.2988

ตารางท 41 แสดงคาเฉลย MAE และ RMSE ดวยเทคนคซพพอรตเวกเตอรแมชชน (SVM)

ฟงกชน RBF

By usages MAE RMSE

Linear Poly(3rd) Linear Poly(3rd)

Standby 0.0621 0.0724 0.0853 0.1208

Vedio 0.2413 0.2402 0.3243 0.438

Web browser 0.2114 0.2257 0.283 0.3234

คาเฉลย 0.1716 0.1794 0.2308 0.2941

78

บทท 5 สรปผล อภปรายผลและขอเสนอแนะ

จากการดาเนนงานวจย ผวจยไดดาเนนงานวจยจนสาเรจตามวตถประสงคคอการทานายอตราการใชพลงงานของแบตเตอรมอถอ โดยใชอาศยหลกการของเหมองขอมล (Data mining) และทาเปรยบเทยบคาประสทธภาพในการทานายการใชพลงงานของแบตเตอรมอถอ โดยใชเครองมอทางโครงขายประสาทเทยมและซพพอรตเวกเตอรแมชชน เพอหาคาความแมนยาในการทานายผล 1. สรปผลการวจย งานวจยนเปนการศกษาเปรยบเทยบคาประสทธภาพการทานายการใชพลงงานของแบตเตอรมอถอ โดยใชเครองมอทางโครงขายประสาทเทยมและซพพอรตเวกเตอรแมชชน เพอหาคาความแมนยาในการทานายผล โดยใชเกณฑในการเปรยบเทยบจากการวดคาคลาดเคลอน 2 แบบ คอ คาความคลาดเคลอนกาลงสองเฉลย (Root mean square error; RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE) ถาคาความคลาดเคลอนทไดยงมคานอย แสดงคาการทานายหรอการพยากรณมความแมนยาสง โมเดลทไดกจะมคาความถกตองสง และมประสทธภาพในการทานายผล

ตารางท 42 สรปผลการเปรยบเทยบคา MAE และ RMSE ระหวางเทคนค MLP และเทคนค SVM

model MAE RMSE

Linear Poly(3rd) Linear Poly(3rd) MLP 0.1698 0.1840 0.2320 0.2898 SVM (Polynomial) 0.1673 0.1789 0.2304 0.2898 SVM (Linear) 0.1880 0.1929 0.2612 0.2988 SVM (Radius) 0.1716 0.1794 0.2308 0.2941

79

จากตารางท 42 เปนการสรปคาความคลาดเคลอนกาลงสองเฉลย (Root mean square error; RMSE) และคาเฉลยสมบรณของความคลาดเคลอน (Mean Absolute Error: MAE) แบงเปนโมเดลทใชสมการ Linear Regression และโมเดลทใชสมการ Polynomial Regression โดยใชเทคนคโครงขายประสาทเทยม (MLP) และเทคนคซพพอรตเวกเตอรแมชชน แบบ kernel แบงเปน 3 ฟงกชนคอ Polynomial, Linear และแบบ Radius Basic Function (RBF) เพอทาการเปรยบเทยบประสทธภาพความมแมนยาในการทานายผล จากผลลพธทได สามารถสรปผลไดวาโมเดลทใชสมการแบบ Linear Regression มคาความความคลาดเคลอน RMSE และ MAE นอยกวาโมเดลทใชสมการแบบ Polynomial Regression และเทคนคซพพอรตเวกเตอรแมชชน ทใช kernel แบบ Polynomial มคาความคลาดเคลอนนอยกวาโมเดล SVM ทใช Kernel แบบ Linear และ RBF และนอยกวาโมเดลทใชเทคนคโครงขายประสาทเทยม (MLP) ซงจากผลการทดลองนสรปไดวาโมเดลในการเรยนรและการทดสอบทควรใชสาหรบทานายอตราการใชพลงงานของแบตเตอรมอถอ คอเทคนคซพพอรตเวกเตอรแมชชน ทใช kernel แบบ Polynomial และใชสมการแบบ Linear Regression เพราะมคาความคลาดเคลอนนอยทสดคอ คา MAE = 0.1673 และคา RMSE = 0.1789 ซงคาความคลาดเคลอนทไดยงมคานอย แสดงวาการทานายหรอการพยากรณมความแมนยาสง โมเดลทไดกจะมคาความถกตองสง และมประสทธภาพในการทานายผล 2. อภปรายผลและการนาไปใช จากผลการทดลองในการสรางโมเดลเพอทานายหาคาอตราการใชพลงงานของแบตเตอรมอถอ ตามลกษณะการใชงานทง 3 ลกษณะคอ Standby, Video และ Web browser สามารถอธบายผลทไดจากคาอตราการไหลของแบตเตอรมอถอไดดงน ตารางท 43 แสดงตวอยางคาอตราการไหลของแบตเตอรมอถอ (Battery Dischargerate) จากการตงคาปจจยในแตละสถานะการทางาน

สถานะ CPU WIFI 3G Bluetooth Brightness SYNC GPS Battery Dischargerate Standby 1024 1 1 1 100 - 1 0.24 % Video 1024 0 1 1 75 1 1 2.23 % Web browser 245 1 1 1 0 1 1 0.89 %

80

จากตารางท 43 สามารถอธบายผลไดวา สถานะการทางานทง 3 สถานะจะมปจจยทสงผลตออายการใชงานของแบตเตอรมอถอทแตกตางกน ซงในการทดลองมการตงคาปจจยในแตละตวแปร และทาการรนโทรศพทในละสถานะการทางาน เปนเวลา 1 ชวโมง จากนนนาคาทไดไปหาคาอตราการไหลของแบตเตอรมอถอ (Battery dischargerate) เพอหาวาภายในเวลา 1 ชวโมง ทมการรนโทรศพทในสถานะตางๆ มการปลอยพลงงานออกมาเทาไหร และจากคาพลงงานทถกปลอยออกมาทกๆชวโมงนน จะทาใหสามารถรนโทรศพทในแตสถานะการทางานทง 3 สถานะไดเปนเวลากชวโมง โดยสามารถคานวณไดจากสตร เวลา (จานวนชม.) = พลงงานทเหลออย (mAh) คา Battery discharge rate (mA)

1. สถานะ Standby มปจจยทสงผลตออายการใชงานของแบตเตอรมอถอ 6 ปจจย ไดแก CPU, WIFI, 3G, Bluetooth, Brightness และ GPS และจากตวอยางในตารางท 41 มการตงคาปจจยตางๆ ดงน CPU= 10.24, WIFI=1, 3G=1, Bluetooth=1, Brightness= 100, GPS =1 ทาใหไดคาอตราการไหลของแบตเตอร มอถอ หรออตราการปลอยพลงงานของแบตเตอรมอถอ ณ ชวงเวลานนๆ ซงจากคาทไดสามารถนาไปแปรผลและคานวณหาคาการอายการใชงานของแบตเตอรมอถอไดดงน

รปท23 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Discharge rate) สถานะ Standby

y = -0.2448x + 100.59 R² = 0.8566

96 96.5

97 97.5

98 98.5

99 99.5 100

100.5 101

5 10 15 20 25 30 35 40 45 50 55 60

Battery level (Standby)

battery level

Linear (battery level)

81

จากรปท 23 เปนกราฟทแสดงอตราการไหลของแบตเตอรมอถอ ซงเปนการแสดงคาการเปลยนแปลงของพลงงานในชวงเวลานนๆ ทาใหไดคาอตราการไหลของแบตเตอรมอถอเทากบ 0.24 % จากคาทไดนาไปคานวณหาอายการใชงานของแบตเตอรมอถอ คอ พลงงานของแบตเตอรมอถอมคาความจ 1500 mA คดเปน 100 % เพราะฉะนนถาพลงงานมปลอยออกมาครงละ 0.24 % คดเปนความจในหนวย mA คอ 3.6 mA จากคาทไดสามารถแปรผลไดวา ทกๆ 5 นาท พลงงานถกปลอยออกไปครงละ 3.6 mA เพราะฉะนนภายในเวลา 1 ชวโมง พลงงานมการถกปลอยออกไปเทากบ 55.70 mA จากคาอตราการไหลของแบตเตอรมอถอทได นาไปหาคาโดยใชสตรในการคานวณหาอายการใชงานของแบตเตอรมอถอ ทาใหคานวณไดวาจากพลงงานของแบตเตอรมอถอทมความจ 1500 mAh และ มการปลอยพลงงานออกมาทกๆหนงชวโมงเทากบ 55.70 mA ทาใหสามารถรนโทรศพทในสถานะ Standby ไดเปนเวลา 27 ชวโมง

82

ตาราง

ท 44 ต

วอยาง

แสดงค าอายการใ

ชงานขอ

งแบต

เตอรม

อถอในส

ถานะ

Stand

by (จา

กการก

าหนด

ค าปจ

จยตางๆ

)

สถ

านะ

CPU

WIFI

3G

Blueto

oth

Bright

ness

Gps

อตราก

ารปลอ

ยพล

งงาน

(หนว

ยเปน %

:นาท)

อตราก

ารปลอ

ยพล

งงาน

(หนว

ย mA:

ชม.)

อายการ

ใชงาน

แบ

ตเตอรมอ

ถอ

(ชม.)

Standb

y

368

1 1

0 75

1 0.2

36

42 368

0

1 0

0 1

0.18

32.40

46 768

1

1 1

50 1

0.12

21.60

69 768

1

1 1

75 0

0.23

41.40

36 102

4 0

1 0

0 1

0.38

68.40

22 102

4 0

1 1

100

1 0.1

1 19.

80 76

1024

0 1

0 50

1 0.4

9 88.

20 17

1024

1 1

1 100

0

0.13

23.40

64 102

4 1

1 1

50 0

0.16

28.80

52

83

จากตารางท 44 เปนตวอยางการหาคาอายการใชงานของแบตเตอรมอถอในสถานะ Standby โดยการกาหนดคาของแตละปจจย ทาใหไดคาอตราการไหลของแบตเตอรมอถอหรออตราการปลอยพลงงานภายใน 1 ชวโมง เพอนาไปหาคาแปรผลเปนอายการใชงานของแบตเตอรมอถอตอไป ดงปรากฏในตาราง 2. สถานะ Video มปจจยทสงผลตออายการใชงานของแบตเตอรมอถอ 7 ปจจย ไดแก CPU, WIFI, 3G, Bluetooth, Brightness, SYNC และ GPS และจากตวอยางในตารางท 41 มการตงคาปจจยตางๆ ดงน CPU= 1024, WIFI=0, 3G=1, Bluetooth=1, Brightness= 75, SYNC=1, GPS =1 ทาใหไดคาอตราการไหลของแบตเตอร มอถอ หรออตราการปลอยพลงงานของแบตเตอรมอถอ ณ ชวงเวลานนๆ ซงจากคาทไดสามารถนาไปแปรผลและคานวณหาคาการอายการใชงานของแบตเตอรมอถอไดดงน

รปท 24 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Dischargerate) สถานะ Video จากรปท 24 เปนกราฟทแสดงอตราการไหลของแบตเตอรมอถอ ซงเปนการแสดงคาการเปลยนแปลงของพลงงานในชวงเวลานนๆ ทาใหไดคาอตราการไหลของแบตเตอรมอถอเทากบ 2.23 % จากคาทไดนาไปคานวณหาอายการใชงานของแบตเตอรมอถอ คอ พลงงานของแบตเตอรมอถอมคาความจ 1500 mA คดเปน 100 % เพราะฉะนนถาพลงงานมปลอยออกมาครงละ 2.23 % คดเปนความจในหนวย mA คอ 33.45 mA จากคาทไดสามารถแปรผลไดวา ทกๆ 5 นาท พลงงานถกปลอยออกไปครงละ 33.45 mA เพราะฉะนนภายในเวลา 1 ชวโมง พลงงานมการถกปลอยออกไปเทากบ 401.40 mA

y = -2.2343x + 103.94 R² = 0.9847

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

Battery level ( Video)

battery level

Linear (battery level)

84

จากคาอตราการไหลของแบตเตอรมอถอทได นาไปหาคาโดยใชสตรในการคานวณหาอายการใชงานของแบตเตอรมอถอ ทาใหคานวณไดวาจากพลงงานของแบตเตอรมอถอทมความจ 1500 mAh และ มการปลอยพลงงานออกมาทกๆหนงชวโมงเทากบ 401.40 mA ทาใหสามารถรนโทรศพทในสถานะ Standby ไดเปนเวลา 4 ชวโมง

85

ตาราง

ท 45 ต

วอยาง

แสดงค าอายการใ

ชงานขอ

งแบต

เตอรม

อถอในส

ถานะ

Video

(จากการกาห

นดค าปจ

จยตางๆ

)

สถานะ

CPU

WIFI

3G

Blueto

oth

Bright

ness

SYNC

Gp

s Ba

ttery

Discha

rgerat

e (หนว

ยเปน %

:นาท)

อตราก

ารปลอ

ยพล

งงาน

(หนว

ย mA:

ชม.)

อายการ

ใชงาน

แบ

ตเตอรมอ

ถอ

(ชม.)

Video

245

0 1

0 0

0 0

1.39

250.2

6 768

0

1 0

25 0

0 1.6

2 269

.60

6 245

0

1 0

0 1

1 1.4

4 259

.20

6 368

0

1 1

0 1

0 1.9

6 352

.80

4 768

1

0 0

100

0 0

1.43

257.40

6

768

1 1

1 100

0

0 2.1

9 394

.20

4 102

4 1

1 0

25 1

1 1.2

7 228

.60

7 102

4 1

1 0

75 1

1 1.3

6 244

.80

6 102

4 1

1 1

100

1 1

2.27

408.60

4

1024

1 0

1 75

0 1

1.21

217.80

7

86

จากตารางท 45 เปนตวอยางการหาคาอายการใชงานของแบตเตอรมอถอในสถานะ Video โดยการกาหนดคาของแตละปจจย ทาใหไดคาอตราการไหลของแบตเตอรมอถอหรออตราการปลอยพลงงานภายใน 1 ชวโมง เพอนาไปหาคาแปรผลเปนอายการใชงานของแบตเตอรมอถอตอไป ดงปรากฏในตาราง 3. สถานะ Web browser มปจจยทสงผลตออายการใชงานของแบตเตอรมอถอ 7 ปจจย ไดแก CPU, WIFI, 3G, Bluetooth, Brightness, SYNC และ GPS และจากตวอยางในตารางมการตงคาปจจยตางๆ ดงน CPU= 245, WIFI=1, 3G=1, Bluetooth=1, Brightness=0, SYNC= 1,GPS =1 ทาใหไดคาอตราการไหลของแบตเตอร มอถอ หรออตราการปลอยพลงงานของแบตเตอรมอถอ ณ ชวงเวลานนๆ ซงจากคาทไดสามารถนาไปแปรผลและคานวณหาคาการอายการใชงานของแบตเตอรมอถอไดดงน

รปท 25 กราฟแสดงอตราการไหลของแบตเตอรมอถอ (Battery Dischargerate) สถานะ Web browser

y = -0.8986x + 101.42 R² = 0.955

84

86

88

90

92

94

96

98

100

102

5 10 15 20 25 30 35 40 45 50 55 60

Battery level (Web browser)

battery level

Linear (battery level)

87

จากรปท 25 เปนกราฟทแสดงอตราการไหลของแบตเตอรมอถอ ซงเปนการแสดงคาการเปลยนแปลงของพลงงานในชวงเวลานนๆ ทาใหไดคาอตราการไหลของแบตเตอรมอถอเทากบ 0.89 % จากคาทไดนาไปคานวณหาอายการใชงานของแบตเตอรมอถอ คอ พลงงานของแบตเตอรมอถอมคาความจ 1500 mA คดเปน 100 % เพราะฉะนนถาพลงงานมปลอยออกมาครงละ 0.89 % คดเปนความจในหนวย mA คอ 13.35 mA จากคาทไดสามารถแปรผลไดวา ทกๆ 5 นาท พลงงานถกปลอยออกไปครงละ 13.35 mA เพราะฉะนนภายในเวลา 1 ชวโมง พลงงานมการถกปลอยออกไปเทากบ 160.20 mA จากคาอตราการไหลของแบตเตอรมอถอทได นาไปหาคาโดยใชสตรในการคานวณหาอายการใชงานของแบตเตอรมอถอ ทาใหคานวณไดวาจากพลงงานของแบตเตอรมอถอทมความจ 1500 mAh และ มการปลอยพลงงานออกมาทกๆหนงชวโมงเทากบ 160.20 mA ทาใหสามารถรนโทรศพทในสถานะ Standby ไดเปนเวลา 9 ชวโมง

88

ตาราง

ท 46 ต

วอยาง

แสดงค าอายการใ

ชงานขอ

งแบต

เตอรม

อถอในส

ถานะ

Web

brows

er (จาก

การกาห

นดค าปจ

จยตางๆ

)

สถานะ

CPU

WIFI

3G

Blueto

oth

Bright

ness

SYNC

Gp

s Ba

ttery D

ischar

gerate

(หนว

ยเปน %

:นาท)

อตราก

ารปลอ

ยพล

งงาน

(หนว

ย mA:

ชม.)

อายการ

ใชงาน

แบ

ตเตอรมอ

ถอ

(ชม.)

Web b

rowser

245

0 1

0 0

0 0

0.41

73.80

20 368

0

1 0

50 0

0 0.7

9 142

.20

11 368

0

1 0

75 0

0 1.0

5 189

.00

8 368

0

1 1

25 1

1 1.6

3 293

.40

5 768

1

1 1

75 0

0 1.8

1 325

.80

5 768

1

1 1

100

0 0

1.96

352.80

4

768

1 1

1 75

1 1

1.84

331.20

5

1024

1 1

1 25

1 1

1.16

208.80

7

1024

1 0

0 100

1

1 1.3

6 244

.80

6 102

4 1

0 0

50 1

1 1.5

2 273

.60

5

89

จากตารางท 46 เปนตวอยางการหาคาอายการใชงานของแบตเตอรมอถอในสถานะ Web browser โดยการกาหนดคาของแตละปจจย ทาใหไดคาอตราการไหลของแบตเตอรมอถอหรออตราการปลอยพลงงานภายใน 1 ชวโมง เพอนาไปหาคาแปรผลเปนอายการใชงานของแบตเตอรมอถอตอไป ดงปรากฏในตาราง 3. ขอเสนอแนะ ขอเสนอแนะในการวจยครงตอไป 1. ควรศกษาปจจยอนๆเพมเตมทสงผลตออายการใชงานของแบตเตอรมอถอ 2. ควรศกษาและนาลกษณะการใชงานหรอแอพพลเคชนอนๆ มาทดลองสรางโมเดล เชน การสงขอความ การฟงเพลง การคยโทรศพท เพอใหการทานายทไดมประสทธภาพ และครอบคลมทกลกษณะการทางาน 3. ควรนาโมเดลทไดไปตอยอดในพฒนาโปรแกรมทใชสาหรบการบอกอายการใชงานของแบตเตอรมอถอตอไป 4. ขอจากดในการวจย งานวจยครงนมขอจากด ในเรองของความยากในการเกบคาขอมลของแบตเตอรมอถอ ซงตองมการควบคมตวแปรอนๆเพอไมใหสงผลตอปจจยและคาของแบตแตอรมอถอนอกกจากนยงมขอจากดในเรองของสถานททาการเกบคาขอมลในแตละครง ซงหากทาการเกบขอมลในสถานททตางกน กจะสงผลตอปจจยและคาของแบตแตอรมอถอได และขอจากดอกขอหนงทสงผลตอการทดลองคอขอจากดในเรองของแบตเตอรมอถอ ซงอาจจะเกดการเสอมสภาพได หากมการทดลอง หลายๆครง

90

รายการอางอง ภาษาไทย

กลวฒน มญชะสงห. (2011).การวเคราะหการถดถอย (Regression Analysis). Access 1 February

2011. Available from http://kalawat.esu.ac.th/joomla1522/index.php/component/content/

Article/44-research/87-regression-analyses.

กรง สนอภรมยสราญ. (2549). “ระบบคลงขอมลและเหมองขอมล.” เอกสารประกอบการสอนวชา

IT659 ภาควชาคณตศาสตร คณะวศวกรรมคอมพวเตอร จฬาลงกรณมหาวทยาลย.

กฤษณะ ไวยมย, ชดชนก สงศร และธนาวนทรกธรรมานนท. (2544). “การใชเทคนคดาตา ไมนนงเพอพฒนาคณภาพการศกษาคณะวศวกรรมศาสตร.” NECTEC technical

Journal 3, 11: 134-142.

โครงขายประสาทเทยม. Access 29 November 2013. Available from

http://www.scribd.com/doc/45905452/Report-Neural-Network.

ชนวตน ศรสอาน. (2551). ฐานขอมล คลงขอมล และ เหมองขอมล. พมพครงท 2.

เชษฐ.ทาความรจกกบระบบปฏบตการ Android . (2011).Access 10 October. Available from

http://www.touchphoneview.com/news/android.

ณสทธ เหลาเสน. Knowledge Discovery in Database .(2011). Access 12 October. Available

from http://thailand-kdd.blogspot.com/2007/06/data-mining-thai.html.

เดช ธรรมศร ณรงค และคณะ. (2551). “การใหคะแนนสนเชอโดยวธการทาเหมองขอมล ดวย เทคนคโครงขาย ประสาทเทยม แบบแพรกระจาย ยอนกลบ.” National Conference on

Computer and Information Technology.

ทรงศกด ภสออน. (2544). การประยกตใช SPSS วเคราะหขอมลงานวจย. มหาสารคาม: มหาวทยาลยมหาสารคาม.

นนท สาระมาศ, วษณ เกยวเกา และศภกรช เขอนเพชร. (2544). “คมอการใช WEKA:

Classification ใชตวอยาง weather.” เอกสารประกอบรายวชาระบบสารสนเทศเชงปญญา สาขาระบบสารสนเทศทางคอมพวเตอร มหาวทยาลยเทคโนโลยราชมงคลธญบร.

นพพงศ . เรองของแบตเตอร Lithium ion. (2011). Access 10 October. Available from

http://www.forum.munkonggadget.com/detail.php?id=9698.

91

วทยา พรพชรพงศ. (2013).โครงขายประสาทเทยม (Artificial Neural Networks-ANN). Access

29 November. Available from http://www.gotoknow.org/posts/163433.

สมบต ทายเรอคา. (2553). สถตขนสงสาหรบการวจยทางการศกษา. มหาสารคาม:มหาวทยาลย มหาสารคาม.

อดลย ยมงาม. การทาเหมองขอมล Data Mining. (2013). Access: 29 November. Available

from http://compcenter.bu.ac.th/index.php?option=com_content&task=view&id=

75&Itemid= 172.

ภาษาตางประเทศ Aaron Carroll. (2010). “An Analysis of Power Consumption in a Smartphone.” USENIXATC'10

Proceedings of the 2010 USENIX conference on USENIX annual technical

conference: 14p.

Cao, D.Z. (2005). “Forecasting Exchange Rate Using Support Vector Machines”. Machine

Learning and Cybernetics 6: 3448-3452.

Joon-Myung Kang and others. (2008). “User-Centric Prediction for Battery Lifetime of Mobile

Devices.”Springerlink.

Joon-Myung Kang, Sin-seok Seo and James Won-Ki Hong. (2011). “Personalized Battery Lifetime Prediction for Mobile Devices based on Usage Patterns.” Journal of

Computing Science and Engineering, 5, 4 (December): 338-345.

Kaisa Korhonen. (2011). “Predicting mobile device battery life.” Thesis submitted for

examination for the degree of Master, Science in Technology, Aalto university school of

electrical engineering.

M.R. Jongerden and B.R. Haverkort . (2008).“Battery Modeling.” R. O. Duda and P. E. Hart. (1973). Pattern Classification and Scene Analysis. New York:

Wiley.

Xia Zhao, Yao Guo Qing Feng, and Xiangqun Chen. (2011). “A System Context-Aware

Approach for Battery Lifetime Prediction in Smart Phones.” In Proceedings of the 2011

ACM Symposium on Applied Computing: 641-646.

ภาคผนวก

93

ภาคผนวก ก การสรางโมเดล

94

วธการสรางโมเดล ในการสรางแบบจาลองนนจะใชขอมลสวนฝกฝน (Training) 480 ชด จาก 3 ลกษณะการใชงานมา

ใชในการสรางแบบจาลองจากเทคนค MLP และ SVM เพอหาแบบจาลองทมประสทธภาพมากทสด กระบวนการสรางแบบจาลองดวยโปรแกรม Weka 3.6.2 มดงน

1. สรางโมเดลดวยโครงขายประสาทเทยม (Neural Network) แบบ Multi-Layer Perception 1. เมอปรากฏหนาตางโปรแกรมหลกของ Weka GUI Chooser คลกท Explorer

รปท 26 แสดงหนาหลกของโปรแกรม weka

2. เมอหนาตาง Explorer ปรากฏขนแลวใหคลกท Open File

รปท 27 แสดงหนาตาง Explorer ของโปรแกรม weka

95

3. ทาการเลอกเปดไฟล .arff ทไดเตรยมไวแลว

รปท 28 แสดงการเรยกขอมล

4. หลงจากเปดไฟลมาแลวจะปรากฏหนาตางแสดงคาเบองตนของไฟลทเปดมา เพอใหสารวจวาทเปดมานนมความถกตองหรอไม โดยคลกดในแตละตวแปร หากมกควรกลบไปแกไขกอนใหแลวเสรจ

96

รปท 29 แสดงหนาตางแสดงคาเบองตน

5. คลกทแทบ Classify >> Choose >>Function >> Multilayer Perception เพอเลอกการ Classify

เปน Neural Network

รปท 30 แสดงการสรางโมเดลดวยเทคนค Neural Network

97

6. คลกทพนท Textbox ดงภาพ เพอปรบคาพารามเตอรของการฝกสอนระบบใหเหมาะสม

รปท 31 แสดงการปรบคาพารามเตอร

7. ทาการปรบคาพารามเตอรตางๆทสงผลตอการทานายผลโมเดล ไดแกคา Learning rate,

Momentum , Hidden Layer และคา Training time

รปท 32 แสดงการคาพารามเตอรตางๆ

98

1. Learning rate คออตราการเรยนร การกาหนดคาตองทาใหเหมาะสมกบขอมล มสวนทาใหการเรยนรมความเรวและความแมนยา ซงถาคายงนอยจะทาใหการเรยนรเปนไปไดอยางละเอยดแตจะมความลาชา ตรงกนขามกน หากมคามากการเรยนรจะรวดเรว แตอาจจะไมไดประสทธภาพหากขอมลมการกระจายตวมาก

2. Momentum คอ คาความแกวง ซงถาขอมลมการกระจายตวนอยใหปรบคาโมเมนตมใหมคามาก เพอการเรยนรจะไดราบรน ไมแกวงไปมา สวนในทางกลบกน ถาหากขอมลมการกระจายตวมากตองปรบคาใหนอยๆ เพอทาใหเกดการแกวงรอบๆพนทดงกลาว

3. การเลอกพารามเตอรมผลโดยตรงตอโครงสรางของเครอขายฯ และมผลโดยตรงตอประสทธภาพการประมาณคาฟงคชน (การสรางแบบจาลอง) - จานวนชนซอนตองเหมาะสม (Hidden Layer)

- การปรบพารามเตอรตางๆ ขนอยกบขอมลทไดและขอมลแตละชดจะใชการปรบคาทแตกตางกน

- การฝกสอนระบบฯ เนนทความผดพลาดนอย และความแมนยาสงทสดเทาทขอมลนนจะมใหเราได

- การฝกสอนระบบฯ ถายงมขอมลในการสอนมากเทาใด ประสทธภาพกจะมมากขนเทานน

- การตงคาจานวนครงทจะทาการฝกสอนระบบฯ (Training Time) ยงมคามากเทาใดกจะยงมประสทธภาพมากเทานน

8. เลอกทCross-Validationเพอเลอกคา Folds (คา Folds คอ การกาหนดวาจะแบงขอมลออกเปนกสวนในการฝกฝนระบบแบบ Cross-Validation)

99

รปท 33 แสดงการกาหนดคา Cross-validation Folds

9. คลกท More Option เพอเลอกการปรบคาเพมเตมโดยคลกท Output Prediction เพอใหโปรแกรมทานายคา Output ใหดวยพรอมทงกด OK

รปท 34 แสดงการปรบคาเพมเตม

100

10. คลกเลอก Start เพอเรมฝกฝนระบบใหทาการเรยนร โดยในการเรยนรนนหากเปอรเซนตความถกตองนอยใหปรบคาพารามเตอรตางๆ เปนคาทเหมาะสมจนวาจะไดคาทพงพอใจ

รปท 35 แสดงผลการทานายโมเดล

11. หากไดคาทพงพอใจแลวใหคลกขวาแลวจงกดSave model และเลอกทจดเกบ

รปท 36 แสดงการบนทกแบบจาลอง

101

2. สรางโมเดลซพพอรตเวกเตอรแมชชน (Support Vector Machines -SVM) แบบทใช Kernel แบงออกเปน 3 ฟงกชนคอ

2.1 Linear

2.2 Polynomial,

2.3 Radius Basic Function (RBF)

1. เมอปรากฏหนาตางโปรแกรมหลกของ Weka GUI Chooser คลกท Explorer

รปท 37 แสดงหนาหลกของโปรแกรม weka

2. เมอหนาตาง Explorer ปรากฏขนแลวใหคลกท Open File

รปท 38 แสดงหนาตาง Explorer ของโปรแกรม weka

102

3. ทาการเลอกเปดไฟล .arff ทไดเตรยมไวแลว

รปท 39 แสดงการเรยกขอมล

4. หลงจากเปดไฟลมาแลวจะปรากฏหนาตางแสดงคาเบองตนของไฟลทเปดมา เพอใหสารวจวาทเปดมานนมความถกตองหรอไม โดยคลกดในแตละตวแปร หากมกควรกลบไปแกไขกอนใหแลวเสรจ

103

รปท 40 แสดงหนาตางแสดงคาเบองตน

5. คลกทแทบ Classify >> Choose >>Function >> Libsvm เพอเลอกการ Classify เปน Support

Vector Machine

รปท 41 แสดงการสรางโมเดลดวยเทคนค Support Vector Machine

104

6. คลกทพนท Textbox ดงภาพ เพอปรบคาพารามเตอรของการฝกสอนระบบใหเหมาะสม

รปท 42 แสดงการปรบคาพารามเตอร

7. ทาการปรบคาพารามเตอรตางๆทสงผลตอการทานายผลโมเดล โดยการสรางโมเดล Support

Vector Machines -SVM แบบทใช Kernel แบงออกเปน 3 ฟงกชนคอ

1.ฟงกชน Linear คาพารามเตอรทสงผลตอโมเดลคอคา Cost ( C )

2. ฟงกชน Polynomial คาพารามเตอรทสงผลตอโมเดลคอคา Degree, Gamma, และคา C

3. ฟงกชน Radius Basic Function (RBF) คาพารามเตอรทสงผลตอโมเดลคอคา Gamma, C

105

รปท 43 แสดงการปรบคาพารามเตอรตางๆ

8. เลอกทCross-Validationเพอเลอกคา Folds (คา Folds คอ การกาหนดวาจะแบงขอมลออกเปนกสวนในการฝกฝนระบบแบบ Cross-Validation)

106

รปท 44 แสดงการกาหนดคา Cross-validation Folds

9. คลกท More Option เพอเลอกการปรบคาเพมเตมโดยคลกท Output Prediction เพอใหโปรแกรมทานายคา Output ใหดวยพรอมทงกด OK

รปท 45 แสดงการปรบคาเพมเตม

107

10. คลกเลอก Start เพอเรมฝกฝนระบบใหทาการเรยนร โดยในการเรยนรนนหากเปอรเซนตความถกตองนอยใหปรบคาพารามเตอรตางๆ เปนคาทเหมาะสมจนวาจะไดคาทพงพอใจ

รปท 46 แสดงผลการทานายโมเดล

108

11. หากไดคาทพงพอใจแลวใหคลกขวาแลวจงกดSave model และเลอกทจดเกบ

รปท 47 แสดงการบนทกแบบจาลอง

109

การทานายผลจรงจากแบบจาลอง

1. ในโปรแกรม Weka ทแทบ Classify ใหเลอก Classify >> functions >> multilayer

perception

รปท 48 แสดงการกาหนด functions ใหเปน multilayer perception

2. ท Supplied test set กด set...และเลอกไฟลทจะทาการทดสอบ (ไฟลทมคลาสเปนเครองหมาย ?) เสรจแลวกด close

รปท 49 แสดงการเลอกไฟลทจะทาการทดสอบ

110

3. เลอก more option เพอเลอกการแสดงผลเพมเตมโดยคลก Output predictions เพอใหโปรแกรมแสดงผลการทานายให

รปท 50 แสดงการเลอกการแสดงผลเพมเตม

4. คลกขวาทชองวางภายใน Result list และเลอก Load Model

รปท 51 แสดงการ เรยกใชแบบจาลอง

111

5. หลงจากโหลดแบบจาลองเสรจเรยบรอยแลว โปรแกรมจะแสดงคาทอยในแบบจาลองดงภาพ

รปท 52 แสดงขอมลแบบจาลอง

6. คลกขวาทแบบจาลองทไดโหลดมา จากนนคลกท Re-evaluate model on current test set

เพอใหโปรแกรมทานายผล

รปท 53 แสดงการทานายผลจากแบบจาลอง

112

รปท 54 แสดงผลการทดลองโมเดล

ภาคผนวก ข

114

ชดขอมลทเกบแบบสมการ Linear Regression

ตวอยางการเกบขอมลจากสถานะ Standby 1. ชดขอมลท 1

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

115

2. ชดขอมลท 2 CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = -0.2028x + 100.82 R² = 0.5346

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

116

3.ชดขอมลท 3

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 0 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

117

4.ชดขอมลท 4

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 0 0 0

y = -0.2517x + 99.97 R² = 0.8497

95 95.5

96 96.5

97 97.5

98 98.5

99 99.5 100

100.5

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

118

5.ชดขอมลท 5

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 25 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

119

6.ชดขอมลท 6

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 25 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

120

7.ชดขอมลท 7

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

121

8.ชดขอมลท 8

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = -0.4371x + 100.92 R² = 0.9447

93

94

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

122

9.ชดขอมลท 9

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

123

10.ชดขอมลท 10

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

124

11.ชดขอมลท 11

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 50 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

125

12.ชดขอมลท 12

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 50 0 0

y = -0.1119x + 100.39 R² = 0.6713

98

98.5

99

99.5

100

100.5

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

126

13.ชดขอมลท 13

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 75 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

127

14.ชดขอมลท 14

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 75 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

128

15.ชดขอมลท 15

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = -0.0699x + 100.29 R² = 0.4196

98.2 98.4 98.6 98.8

99 99.2 99.4 99.6 99.8 100

100.2 100.4

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

129

16. ชดขอมลท 16

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = -0.1119x + 100.06 R² = 0.6713

98

98.5

99

99.5

100

100.5

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

130

17. ชดขอมลท 17

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

131

18. ชดขอมลท 18

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 100 0 0

y = 100 R² = #N/A

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

132

19. ชดขอมลท 19

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 100 0 0

y = -0.2028x + 100.82 R² = 0.5346

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

133

20. ชดขอมลท 20

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = -0.2972x + 101.18 R² = 0.5677

93

94

95

96

97

98

99

100

101

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

134

ตวอยางการเกบขอมลจากสถานะ Video 21. ชดขอมลท 21

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = -1.3986x + 101.59 R² = 0.9954

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

135

22. ชดขอมลท 22

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = -1.0944x + 101.86 R² = 0.9718

82 84 86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

136

23. ชดขอมลท 23

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = -1.6224x + 103.71 R² = 0.976

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

137

24. ชดขอมลท 24

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = -1.6154x + 103.33 R² = 0.9726

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

138

25. ชดขอมลท 25

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = -1.479x + 103.36 R² = 0.9707

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

139

26. ชดขอมลท 26

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = -1.7762x + 103.88 R² = 0.9794

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

140

27. ชดขอมลท 27

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = -2.0035x + 104.77 R² = 0.9725

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

141

28. ชดขอมลท 28

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = -1.2867x + 103.36 R² = 0.9547

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

142

29. ชดขอมลท 29

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = -1.4755x + 103.09 R² = 0.9821

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

143

30. ชดขอมลท 30

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = -1.472x + 102.82 R² = 0.986

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

144

ตวอยางการเกบขอมลจากสถานะ Web browser 31. ชดขอมลท 31

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = -0.4161x + 101.45 R² = 0.7677

91 92 93 94 95 96 97 98 99

100 101 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

145

32. ชดขอมลท 32

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = -0.3846x + 101.5 R² = 0.6222

91 92 93 94 95 96 97 98 99

100 101 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

146

33. ชดขอมลท 33

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = -0.4301x + 101.38 R² = 0.8555

93

94

95

96

97

98

99

100

101

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

147

34. ชดขอมลท 34

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = -0.8357x + 101.85 R² = 0.9518

84

86

88

90

92

94

96

98

100

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

148

35. ชดขอมลท 35

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = -0.958x + 101.39 R² = 0.9819

84

86

88

90

92

94

96

98

100

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

149

36.ชดขอมลท 36

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = -0.7902x + 102.47 R² = 0.887

86

88

90

92

94

96

98

100

102

104

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

150

37.ชดขอมลท 37

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = -1.1923x + 102.17 R² = 0.9731

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

151

38.ชดขอมลท 38

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = -1.4685x + 103.05 R² = 0.979

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

152

39.ชดขอมลท 39

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = -1.0874x + 102.48 R² = 0.9451

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

153

40.ชดขอมลท 40

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = -1.3077x + 100.5 R² = 0.9478

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Linear (battery level)

154

ชดขอมลทเกบแบบสมการ Polynomial Regression

ตวอยางการเกบขอมลจากสถานะ Standby 1. ชดขอมลท 1

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

155

2. ชดขอมลท 2 CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = -0.0093x3 + 0.1279x2 - 0.4852x + 100.45 R² = 0.9793

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

156

3.ชดขอมลท 3

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 0 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

157

4.ชดขอมลท 4

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 0 0 0

y = -0.0057x3 + 0.1271x2 - 1.0607x + 101.23 R² = 0.9169

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

158

5.ชดขอมลท 5

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 25 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

159

6.ชดขอมลท 6

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 25 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

160

7.ชดขอมลท 7

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

161

8.ชดขอมลท 8

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = 0.0076x3 - 0.1577x2 + 0.4826x + 99.616 R² = 0.9716

93

94

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

162

9.ชดขอมลท 9

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

163

10.ชดขอมลท 10

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

164

11.ชดขอมลท 11

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 50 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

165

12.ชดขอมลท 12

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 50 0 0

y = 0.0021x3 - 0.0564x2 + 0.3145x + 99.626 R² = 0.8178

98.2 98.4 98.6 98.8

99 99.2 99.4 99.6 99.8 100

100.2 100.4

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

166

13.ชดขอมลท 13

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 75 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

167

14.ชดขอมลท 14

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 75 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

168

15.ชดขอมลท 15

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = -0.0039x3 + 0.0558x2 - 0.2201x + 100.21 R² = 0.8442

98.2 98.4 98.6 98.8

99 99.2 99.4 99.6 99.8 100

100.2

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

169

16. ชดขอมลท 16

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = 0.0021x3 - 0.0244x2 - 0.1011x + 100.26 R² = 0.8178

98.2 98.4 98.6 98.8

99 99.2 99.4 99.6 99.8 100

100.2 100.4

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

170

17. ชดขอมลท 17

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

171

18. ชดขอมลท 18

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 100 0 0

y = -1E-14x3 - 2E-13x2 + 100 R² = #N/A

100 100 100 100 100 100 100 100 100 100 100

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

172

19. ชดขอมลท 19

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 100 0 0

y = -0.0093x3 + 0.1279x2 - 0.4852x + 100.45 R² = 0.9793

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

173

20. ชดขอมลท 20

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = -0.0105x3 + 0.1304x2 - 0.4396x + 100.36 R² = 0.955

93

94

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

174

ตวอยางการเกบขอมลจากสถานะ Video 21. ชดขอมลท 21

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = 0.0016x3 - 0.0228x2 - 1.3321x + 101.61

R² = 0.9958

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

175

22. ชดขอมลท 22

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = 0.0082x3 - 0.1479x2 - 0.3798x + 101.09 R² = 0.9771

82 84 86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

176

23. ชดขอมลท 23

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = 0.0161x3 - 0.3756x2 + 0.8834x + 99.626 R² = 0.9972

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

177

24. ชดขอมลท 24

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = -0.0013x3 - 0.0472x2 - 0.8104x + 101.31 R² = 0.9909

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

178

25. ชดขอมลท 25

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = 0.0157x3 - 0.3483x2 + 0.7293x + 99.929 R² = 0.9871

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

179

26. ชดขอมลท 26

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = 0.0155x3 - 0.359x2 + 0.5905x + 100.06 R² = 0.9945

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

180

27. ชดขอมลท 27

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = 0.0206x3 - 0.4892x2 + 1.3084x + 99.303 R² = 0.9982

0

20

40

60

80

100

120

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

181

28. ชดขอมลท 28

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = 0.015x3 - 0.3649x2 + 1.2332x + 99.131 R² = 0.993

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

182

29. ชดขอมลท 29

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = 0.0088x3 - 0.2257x2 + 0.1548x + 100.25 R² = 0.9972

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

183

30. ชดขอมลท 30

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = 0.0089x3 - 0.208x2 - 0.091x + 100.58 R² = 0.9938

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

184

ตวอยางการเกบขอมลจากสถานะ Web browser 31. ชดขอมลท 31

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 0 0 0

y = -0.0045x3 + 0.0187x2 + 0.0116x + 99.96

R² = 0.976

92 93 94 95 96 97 98 99

100 101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

185

32. ชดขอมลท 32

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 0 0 0

y = -0.0111x3 + 0.1273x2 - 0.3907x + 100.29

R² = 0.9818

91 92 93 94 95 96 97 98 99

100 101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

186

33. ชดขอมลท 33

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 25 0 0

y = 0.0082x3 - 0.2038x2 + 1.0118x + 98.909 R² = 0.9667

93

94

95

96

97

98

99

100

101

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

187

34. ชดขอมลท 34

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 25 0 0

y = -0.0012x3 - 0.0135x2 - 0.4878x + 100.91 R² = 0.9687

86

88

90

92

94

96

98

100

102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

188

35. ชดขอมลท 35

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 50 0 0

y = 0.0034x3 - 0.0562x2 - 0.7262x + 101.22

R² = 0.9838

84 86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

189

36.ชดขอมลท 36

CPU wifi 3G Bluetooth brightness sync gps 368 0 1 0 50 0 0

y = 0.0085x3 - 0.2496x2 + 1.1894x + 98.788

R² = 0.9866

86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

190

37.ชดขอมลท 37

CPU wifi 3G Bluetooth brightness sync gps 768 0 1 0 75 0 0

y = 0.0141x3 - 0.2665x2 + 0.1832x + 100.51 R² = 0.9846

80 82 84 86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

191

38.ชดขอมลท 38

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 75 0 0

y = 0.0132x3 - 0.2995x2 + 0.4705x + 99.97 R² = 0.9929

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

192

39.ชดขอมลท 39

CPU wifi 3G Bluetooth brightness sync gps 245 0 1 0 100 0 0

y = -0.0038x3 + 0.013x2 - 0.7012x + 101.17 R² = 0.973

80 82 84 86 88 90 92 94 96 98

100 102

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

193

40.ชดขอมลท 40

CPU wifi 3G Bluetooth brightness sync gps 1024 0 1 0 100 0 0

y = -0.014x3 + 0.3192x2 - 3.3871x + 103.82

R² = 0.9678

75

80

85

90

95

100

105

5 10 15 20 25 30 35 40 45 50 55 60

battery level

battery level

Poly. (battery level)

ภาคผนวก ค คาความคลาดเคลอนในแตละลกษณะการทางาน

195

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.0633 0.0937 0.1 0.3 3 1000 0.0622 0.0986 0.1 0.3 4 500 0.0666 0.0972 0.1 0.3 4 1000 0.0674 0.0978 0.1 0.3 5 500 0.0615 0.0974 0.1 0.3 5 1000 0.0615 0.0974 0.1 0.2 3 500 0.0576 0.092 0.1 0.2 3 1000 0.0583 0.0926 0.1 0.2 4 500 0.0646 0.0961 0.1 0.2 4 1000 0.0664 0.0978 0.1 0.2 5 500 0.0619 0.0963 0.1 0.2 5 1000 0.0625 0.097 0.1 0.1 3 500 0.058 0.0919 0.1 0.1 3 1000 0.0589 0.0925 0.1 0.1 4 500 0.0623 0.094 0.1 0.1 4 1000 0.0626 0.0939 0.1 0.1 5 500 0.0622 0.0946 0.1 0.1 5 1000 0.0627 0.0959 0.1 0.05 3 500 0.0573 0.0913 0.1 0.05 3 1000 0.0581 0.0917 0.1 0.05 4 500 0.0617 0.0944 0.1 0.05 4 1000 0.0621 0.095

196

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 5 500 0.0606 0.0913 0.1 0.05 5 1000 0.0607 0.0932 0.1 0.01 3 500 0.0718 0.1014 0.1 0.01 3 1000 0.0718 0.1053 0.1 0.01 4 500 0.0637 0.0945 0.1 0.01 4 1000 0.0652 0.0978 0.1 0.01 5 500 0.0664 0.0983 0.1 0.01 5 1000 0.0669 0.0996

0.05 0.3 3 500 0.0517 0.0841 0.05 0.3 3 1000 0.0522 0.0854 0.05 0.3 4 500 0.0573 0.0885 0.05 0.3 4 1000 0.0577 0.0898 0.05 0.3 5 500 0.0555 0.0873 0.05 0.3 5 1000 0.0563 0.0884 0.05 0.2 3 500 0.0532 0.0857 0.05 0.2 3 1000 0.0537 0.0873 0.05 0.2 4 500 0.0556 0.0851 0.05 0.2 4 1000 0.0563 0.0872 0.05 0.2 5 500 0.0556 0.0876 0.05 0.2 5 1000 0.0559 0.0878 0.05 0.1 3 500 0.0523 0.0854 0.05 0.1 3 1000 0.0526 0.0868

197

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 4 500 0.0558 0.0859 0.05 0.1 4 1000 0.0545 0.0852 0.05 0.1 5 500 0.0548 0.0862 0.05 0.1 5 1000 0.0539 0.0874 0.05 0.05 3 500 0.0512 0.0843 0.05 0.05 3 1000 0.0511 0.0854 0.05 0.05 4 500 0.0547 0.0855 0.05 0.05 4 1000 0.0554 0.0882 0.05 0.05 5 500 0.0562 0.0882 0.05 0.05 5 1000 0.0581 0.0902 0.05 0.01 3 500 0.0511 0.0842 0.05 0.01 3 1000 0.0511 0.0851 0.05 0.01 4 500 0.0553 0.0858 0.05 0.01 4 1000 0.0563 0.09 0.05 0.01 5 500 0.0565 0.0881 0.05 0.01 5 1000 0.0582 0.0909

0.025 0.3 3 500 0.0507 0.0813 0.025 0.3 3 1000 0.05 0.082 0.025 0.3 4 500 0.0539 0.0823 0.025 0.3 4 1000 0.0555 0.0824 0.025 0.3 5 500 0.0526 0.0797 0.025 0.3 5 1000 0.0531 0.0809

198

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.2 3 1000 0.0499 0.0818 0.025 0.2 4 500 0.0534 0.0825 0.025 0.2 4 1000 0.0526 0.0783 0.025 0.2 5 500 0.0515 0.0793 0.025 0.2 5 1000 0.0521 0.0797 0.025 0.1 3 500 0.051 0.081 0.025 0.1 3 1000 0.0495 0.0783 0.025 0.1 4 500 0.0539 0.0838 0.025 0.1 4 1000 0.0525 0.0785 0.025 0.1 5 500 0.0525 0.0808 0.025 0.1 5 1000 0.052 0.0802 0.025 0.05 3 500 0.0511 0.0811 0.025 0.05 3 1000 0.0494 0.078 0.025 0.05 4 500 0.0542 0.0843 0.025 0.05 4 1000 0.0523 0.079 0.025 0.05 5 500 0.0528 0.0814 0.025 0.05 5 1000 0.0517 0.0798 0.025 0.01 3 500 0.0512 0.0811 0.025 0.01 3 1000 0.0494 0.0779 0.025 0.01 4 500 0.0545 0.0848 0.025 0.01 4 1000 0.0515 0.0787 0.025 0.01 5 500 0.053 0.0818

199

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.3 4 500 0.0568 0.0876 0.01 0.3 4 1000 0.0493 0.078 0.01 0.3 5 500 0.0548 0.085 0.01 0.3 5 1000 0.0501 0.0788 0.01 0.2 3 500 0.0549 0.0856 0.01 0.2 3 1000 0.0499 0.0786 0.01 0.2 4 500 0.0568 0.0883 0.01 0.2 4 1000 0.053 0.0813 0.01 0.2 5 500 0.0553 0.0863 0.01 0.2 5 1000 0.05 0.0778 0.01 0.1 3 500 0.0553 0.0864 0.01 0.1 3 1000 0.0509 0.0796 0.01 0.1 4 500 0.0574 0.089 0.01 0.1 4 1000 0.0544 0.0827 0.01 0.1 5 500 0.0559 0.0872 0.01 0.1 5 1000 0.0511 0.0796 0.01 0.05 3 500 0.0555 0.0868 0.01 0.05 3 1000 0.0515 0.0802 0.01 0.05 4 500 0.0578 0.0894 0.01 0.05 4 1000 0.0551 0.0836 0.01 0.05 5 500 0.0561 0.0876 0.01 0.05 5 1000 0.0519 0.0802

200

ตารางท 47 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.01 3 500 0.0557 0.087 0.01 0.01 3 1000 0.0521 0.0807 0.01 0.01 4 500 0.0582 0.0897 0.01 0.01 4 1000 0.0557 0.0843 0.01 0.01 5 500 0.0562 0.0878 0.01 0.01 5 1000 0.0524 0.0807

201

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.31 0.4114 0.1 0.3 3 1000 0.3075 0.4118 0.1 0.3 4 500 0.3035 0.4046 0.1 0.3 4 1000 0.3006 0.3993 0.1 0.3 5 500 0.312 0.4109 0.1 0.3 5 1000 0.3091 0.4111 0.1 0.2 3 500 0.3118 0.4111 0.1 0.2 3 1000 0.3089 0.4089 0.1 0.2 4 500 0.2999 0.396 0.1 0.2 4 1000 0.3021 0.4004 0.1 0.2 5 500 0.303 0.4027 0.1 0.2 5 1000 0.3022 0.4044 0.1 0.1 3 500 0.3143 0.4116 0.1 0.1 3 1000 0.3169 0.4121 0.1 0.1 4 500 0.2909 0.3865 0.1 0.1 4 1000 0.2946 0.3915 0.1 0.1 5 500 0.3011 0.4035 0.1 0.1 5 1000 0.3034 0.4082 0.1 0.05 3 500 0.3109 0.4082 0.1 0.05 3 1000 0.3141 0.4085 0.1 0.05 4 500 0.2922 0.388 0.1 0.05 4 1000 0.2931 0.3886

202

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.01 3 500 0.3014 0.3994 0.1 0.01 3 1000 0.3044 0.4004 0.1 0.01 4 500 0.2914 0.3871 0.1 0.01 4 1000 0.292 0.3884 0.1 0.01 5 500 0.3076 0.4037 0.1 0.01 5 1000 0.3027 0.4018

0.05 0.3 3 500 0.279 0.3689 0.05 0.3 3 1000 0.2822 0.3738 0.05 0.3 4 500 0.2882 0.3796 0.05 0.3 4 1000 0.286 0.3779 0.05 0.3 5 500 0.2964 0.3867 0.05 0.3 5 1000 0.3028 0.3955 0.05 0.2 3 500 0.275 0.366 0.05 0.2 3 1000 0.2768 0.3701 0.05 0.2 4 500 0.2875 0.3821 0.05 0.2 4 1000 0.2856 0.3805 0.05 0.2 5 500 0.2896 0.3787 0.05 0.2 5 1000 0.2981 0.3898 0.05 0.1 3 500 0.2733 0.3634 0.05 0.1 3 1000 0.275 0.3661 0.05 0.1 4 500 0.2861 0.3808 0.05 0.1 4 1000 0.2854 0.3806

203

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.05 3 500 0.2733 0.364 0.05 0.05 3 1000 0.2741 0.3642 0.05 0.05 4 500 0.2869 0.3814 0.05 0.05 4 1000 0.2876 0.3848 0.05 0.05 5 500 0.2865 0.3749 0.05 0.05 5 1000 0.2916 0.383 0.05 0.01 3 500 0.2723 0.3628 0.05 0.01 3 1000 0.2732 0.3632 0.05 0.01 4 500 0.2861 0.3802 0.05 0.01 4 1000 0.2865 0.3843 0.05 0.01 5 500 0.2855 0.3741 0.05 0.01 5 1000 0.2893 0.3815

0.025 0.3 3 500 0.2625 0.3519 0.025 0.3 3 1000 0.2667 0.3571 0.025 0.3 4 500 0.2723 0.3628 0.025 0.3 4 1000 0.2741 0.3723 0.025 0.3 5 500 0.2685 0.3589 0.025 0.3 5 1000 0.2726 0.3624 0.025 0.2 3 500 0.2608 0.3498 0.025 0.2 3 1000 0.2642 0.3549 0.025 0.2 4 500 0.2675 0.3535

204

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.2 4 1000 0.2692 0.3628 0.025 0.2 5 500 0.2669 0.3577 0.025 0.2 5 1000 0.2698 0.3626 0.025 0.1 3 500 0.2596 0.348 0.025 0.1 3 1000 0.2623 0.3533 0.025 0.1 4 500 0.2657 0.3509 0.025 0.1 4 1000 0.2701 0.3637 0.025 0.1 5 500 0.2652 0.3541 0.025 0.1 5 1000 0.2688 0.3606 0.025 0.05 3 500 0.2591 0.3472 0.025 0.05 3 1000 0.2615 0.3525 0.025 0.05 4 500 0.2651 0.3497 0.025 0.05 4 1000 0.2698 0.3635 0.025 0.05 5 500 0.2633 0.352 0.025 0.05 5 1000 0.2677 0.3598 0.025 0.01 3 500 0.2588 0.3466 0.025 0.01 3 1000 0.2608 0.3519 0.025 0.01 4 500 0.2644 0.3488 0.025 0.01 4 1000 0.2675 0.3616 0.025 0.01 5 500 0.2622 0.3505 0.025 0.01 5 1000 0.2689 0.3619 0.01 0.3 3 500 0.2583 0.3417

205

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.3 3 1000 0.2543 0.341 0.01 0.3 4 500 0.2648 0.3445 0.01 0.3 4 1000 0.2584 0.3446 0.01 0.3 5 500 0.2633 0.3439 0.01 0.3 5 1000 0.2592 0.3467 0.01 0.2 3 500 0.2598 0.342 0.01 0.2 3 1000 0.255 0.3408 0.01 0.2 4 500 0.2671 0.3469 0.01 0.2 4 1000 0.2573 0.3418 0.01 0.2 5 500 0.2673 0.3482 0.01 0.2 5 1000 0.2595 0.3452 0.01 0.1 3 500 0.2605 0.343 0.01 0.1 3 1000 0.2561 0.3415 0.01 0.1 4 500 0.2687 0.3504 0.01 0.1 4 1000 0.256 0.3391 0.01 0.1 5 500 0.2698 0.3516 0.01 0.1 5 1000 0.2593 0.3439 0.01 0.05 3 500 0.2612 0.344 0.01 0.05 3 1000 0.2569 0.3419 0.01 0.05 4 500 0.2696 0.3516 0.01 0.05 4 1000 0.2559 0.3382 0.01 0.05 5 500 0.2706 0.3527

206

ตารางท 48 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.05 5 1000 0.2589 0.343 0.01 0.01 3 500 0.2621 0.3448 0.01 0.01 3 1000 0.2576 0.3421 0.01 0.01 4 500 0.2701 0.3522 0.01 0.01 4 1000 0.2562 0.338 0.01 0.01 5 500 0.2711 0.3534 0.01 0.01 5 1000 0.2593 0.3422

207

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.2586 0.3397 0.1 0.3 3 1000 0.2633 0.3444 0.1 0.3 4 500 0.2618 0.3369 0.1 0.3 4 1000 0.2638 0.3379 0.1 0.3 5 500 0.2593 0.3397 0.1 0.3 5 1000 0.2594 0.3353 0.1 0.2 3 500 0.2378 0.311 0.1 0.2 3 1000 0.2365 0.3109 0.1 0.2 4 500 0.2604 0.3354 0.1 0.2 4 1000 0.2641 0.3379 0.1 0.2 5 500 0.2618 0.3408 0.1 0.2 5 1000 0.2638 0.3393 0.1 0.1 3 500 0.2586 0.3397 0.1 0.1 3 1000 0.2365 0.3109 0.1 0.1 4 500 0.2551 0.3284 0.1 0.1 4 1000 0.2594 0.333 0.1 0.1 5 500 0.247 0.3271 0.1 0.1 5 1000 0.2479 0.3277 0.1 0.05 3 500 0.2351 0.3092 0.1 0.05 3 1000 0.2346 0.3092 0.1 0.05 4 500 0.2538 0.3271

208

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.2582 0.3319 0.1 0.05 5 500 0.2423 0.319 0.1 0.05 5 1000 0.2442 0.3214 0.1 0.01 3 500 0.2376 0.3111 0.1 0.01 3 1000 0.2385 0.3134 0.1 0.01 4 500 0.2527 0.3262 0.1 0.01 4 1000 0.2574 0.3312 0.1 0.01 5 500 0.2414 0.318 0.1 0.01 5 1000 0.2385 0.3182

0.05 0.3 3 500 0.2297 0.3034 0.05 0.3 3 1000 0.234 0.3077 0.05 0.3 4 500 0.24 0.3135 0.05 0.3 4 1000 0.2446 0.321 0.05 0.3 5 500 0.2364 0.3104 0.05 0.3 5 1000 0.239 0.316 0.05 0.2 3 500 0.2277 0.3011 0.05 0.2 3 1000 0.2315 0.3053 0.05 0.2 4 500 0.236 0.3101 0.05 0.2 4 1000 0.2414 0.3168 0.05 0.2 5 500 0.2311 0.3058 0.05 0.2 5 1000 0.2338 0.3109

209

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.226 0.2992 0.05 0.1 3 1000 0.229 0.3026 0.05 0.1 4 500 0.2366 0.3089 0.05 0.1 4 1000 0.2411 0.3151 0.05 0.1 5 500 0.2322 0.3067 0.05 0.1 5 1000 0.2363 0.3106 0.05 0.05 3 500 0.2252 0.2984 0.05 0.05 3 1000 0.2281 0.3106 0.05 0.05 4 500 0.2353 0.3078 0.05 0.05 4 1000 0.2399 0.3138 0.05 0.05 5 500 0.2311 0.3056 0.05 0.05 5 1000 0.2359 0.3097 0.05 0.01 3 500 0.2248 0.2978 0.05 0.01 3 1000 0.2278 0.3013 0.05 0.01 4 500 0.236 0.3079 0.05 0.01 4 1000 0.2402 0.3132 0.05 0.01 5 500 0.2305 0.305 0.05 0.01 5 1000 0.2348 0.3085

0.025 0.3 3 500 0.2356 0.3109 0.025 0.3 3 1000 0.2459 0.3244 0.025 0.3 4 500 0.2292 0.2993 0.025 0.3 4 1000 0.2307 0.3002

210

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 5 500 0.2288 0.3012 0.025 0.3 5 1000 0.232 0.3057 0.025 0.2 3 500 0.2188 0.2905 0.025 0.2 3 1000 0.2214 0.2934 0.025 0.2 4 500 0.2271 0.296 0.025 0.2 4 1000 0.2275 0.2953 0.025 0.2 5 500 0.2268 0.2983 0.025 0.2 5 1000 0.2335 0.3075 0.025 0.1 3 500 0.2174 0.2887 0.025 0.1 3 1000 0.2188 0.2898 0.025 0.1 4 500 0.2243 0.294 0.025 0.1 4 1000 0.2265 0.2948 0.025 0.1 5 500 0.2248 0.2966 0.025 0.1 5 1000 0.2293 0.3052 0.025 0.05 3 500 0.2167 0.2878 0.025 0.05 3 1000 0.2173 0.2882 0.025 0.05 4 500 0.2238 0.2938 0.025 0.05 4 1000 0.2258 0.2942 0.025 0.05 5 500 0.2243 0.296 0.025 0.05 5 1000 0.2251 0.3017 0.025 0.01 3 500 0.2162 0.2872 0.025 0.01 3 1000 0.2151 0.286

211

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 4 500 0.2229 0.2932 0.025 0.01 4 1000 0.2253 0.2935 0.025 0.01 5 500 0.223 0.2956 0.025 0.01 5 1000 0.2253 0.2985 0.01 0.3 3 500 0.2094 0.2802 0.01 0.3 3 1000 0.206 0.2771 0.01 0.3 4 500 0.2109 0.2826 0.01 0.3 4 1000 0.2166 0.2889 0.01 0.3 5 500 0.2133 0.2854 0.01 0.3 5 1000 0.2266 0.2905 0.01 0.2 3 500 0.208 0.2789 0.01 0.2 3 1000 0.2085 0.2789 0.01 0.2 4 500 0.209 0.2807 0.01 0.2 4 1000 0.2154 0.2866 0.01 0.2 5 500 0.2115 0.2832 0.01 0.2 5 1000 0.2245 2954 0.01 0.1 3 500 0.2069 0.2779 0.01 0.1 3 1000 0.2081 0.2786 0.01 0.1 4 500 0.2075 0.2792 0.01 0.1 4 1000 0.2139 0.2846 0.01 0.1 5 500 0.2101 0.282

212

ตารางท 49 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 5 1000 0.2222 0.2934 0.01 0.05 3 500 0.2064 0.2774 0.01 0.05 3 1000 0.208 0.2785 0.01 0.05 4 500 0.2068 0.2785 0.01 0.05 4 1000 0.2131 0.2838 0.01 0.05 5 500 0.2095 0.2815 0.01 0.05 5 1000 0.221 0.2922 0.01 0.01 3 500 0.206 0.2771 0.01 0.01 3 1000 0.2078 0.2784 0.01 0.01 4 500 0.2063 0.278 0.01 0.01 4 1000 0.2124 0.2833 0.01 0.01 5 500 0.209 0.2811 0.01 0.01 5 1000 0.22 0.2913

213

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.0016 0.0028 0.1 0.3 3 1000 0.0018 0.0033 0.1 0.3 4 500 0.0013 0.0026 0.1 0.3 4 1000 0.0013 0.0003 0.1 0.3 5 500 0.0013 0.0025 0.1 0.3 5 1000 0.0014 0.0029 0.1 0.2 3 500 0.0011 0.0024 0.1 0.2 3 1000 0.0012 0.0027 0.1 0.2 4 500 0.0013 0.0025 0.1 0.2 4 1000 0.0013 0.0029 0.1 0.2 5 500 0.0013 0.0026 0.1 0.2 5 1000 0.0014 0.003 0.1 0.1 3 500 0.0011 0.0024 0.1 0.1 3 1000 0.0011 0.0025 0.1 0.1 4 500 0.0013 0.0028 0.1 0.1 4 1000 0.0013 0.003 0.1 0.1 5 500 0.0015 0.0025 0.1 0.1 5 1000 0.0014 0.003 0.1 0.05 3 500 0.0011 0.0024 0.1 0.05 3 1000 0.0011 0.0027 0.1 0.05 4 500 0.0013 0.0028

214

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.0012 0.0028 0.1 0.05 5 500 0.0012 0.0024 0.1 0.05 5 1000 0.0013 0.0028 0.1 0.01 3 500 0.0011 0.0025 0.1 0.01 3 1000 0.0012 0.0029 0.1 0.01 4 500 0.0013 0.0029 0.1 0.01 4 1000 0.0013 0.0029 0.1 0.01 5 500 0.0012 0.0024 0.1 0.01 5 1000 0.0012 0.0027

0.05 0.3 3 500 0.001 0.0024 0.05 0.3 3 1000 0.001 0.0027 0.05 0.3 4 500 0.0011 0.0026 0.05 0.3 4 1000 0.0011 0.0028 0.05 0.3 5 500 0.0012 0.0023 0.05 0.3 5 1000 0.0012 0.0026 0.05 0.2 3 500 0.0011 0.0025 0.05 0.2 3 1000 0.0011 0.0029 0.05 0.2 4 500 0.0011 0.0025 0.05 0.2 4 1000 0.0011 0.0027 0.05 0.2 5 500 0.0013 0.0024 0.05 0.2 5 1000 0.0013 0.0028

215

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.001 0.0025 0.05 0.1 3 1000 0.0011 0.0029 0.05 0.1 4 500 0.0011 0.0025 0.05 0.1 4 1000 0.0011 0.0028 0.05 0.1 5 500 0.0012 0.0023 0.05 0.1 5 1000 0.0014 0.0029 0.05 0.05 3 500 0.001 0.0025 0.05 0.05 3 1000 0.0011 0.0029 0.05 0.05 4 500 0.0011 0.0025 0.05 0.05 4 1000 0.0011 0.0029 0.05 0.05 5 500 0.0011 0.0023 0.05 0.05 5 1000 0.0013 0.0028 0.05 0.01 3 500 0.001 0.0024 0.05 0.01 3 1000 0.0011 0.0029 0.05 0.01 4 500 0.0011 0.0025 0.05 0.01 4 1000 0.0012 0.0031 0.05 0.01 5 500 0.0012 0.0023 0.05 0.01 5 1000 0.0011 0.0027

0.025 0.3 3 500 0.0009 0.0022 0.025 0.3 3 1000 0.0009 0.0024 0.025 0.3 4 500 0.001 0.0023

216

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.0012 0.0028 0.025 0.3 5 500 0.0011 0.0023 0.025 0.3 5 1000 0.0012 0.0029 0.025 0.2 3 500 0.0009 0.0021 0.025 0.2 3 1000 0.0009 0.0023 0.025 0.2 4 500 0.001 0.0023 0.025 0.2 4 1000 0.0011 0.0027 0.025 0.2 5 500 0.001 0.0023 0.025 0.2 5 1000 0.0011 0.0026 0.025 0.1 3 500 0.0009 0.0021 0.025 0.1 3 1000 0.0009 0.0022 0.025 0.1 4 500 0.0009 0.0021 0.025 0.1 4 1000 0.001 0.0026 0.025 0.1 5 500 0.001 0.0022 0.025 0.1 5 1000 0.0011 0.0026 0.025 0.05 3 500 0.0009 0.0021 0.025 0.05 3 1000 0.009 0.0023 0.025 0.05 4 500 0.009 0.0021 0.025 0.05 4 1000 0.001 0.0026 0.025 0.05 5 500 0.0009 0.0022 0.025 0.05 5 1000 0.0011 0.0026

217

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.0009 0.0021 0.025 0.01 3 1000 0.0009 0.0023 0.025 0.01 4 500 0.0009 0.0021 0.025 0.01 4 1000 0.01 0.0025 0.025 0.01 5 500 0.0009 0.0022 0.025 0.01 5 1000 0.0011 0.0025 0.01 0.3 3 500 0.0008 0.002 0.01 0.3 3 1000 0.0009 0.0021 0.01 0.3 4 500 0.0008 0.002 0.01 0.3 4 1000 0.0009 0.0021 0.01 0.3 5 500 0.0008 0.002 0.01 0.3 5 1000 0.0009 0.0021 0.01 0.2 3 500 0.0008 0.0019 0.01 0.2 3 1000 0.0009 0.0021 0.01 0.2 4 500 0.0009 0.0021 0.01 0.2 4 1000 0.0009 0.0021 0.01 0.2 5 500 0.0008 0.0019 0.01 0.2 5 1000 0.0009 0.0021 0.01 0.1 3 500 0.0008 0.0019 0.01 0.1 3 1000 0.0008 0.002 0.01 0.1 4 500 0.0008 0.0019

218

ตารางท 50 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.0009 0.0021 0.01 0.1 5 500 0.0008 0.0019 0.01 0.1 5 1000 0.0008 0.002 0.01 0.05 3 500 0.0007 0.001 0.01 0.05 3 1000 0.0008 0.0019 0.01 0.05 4 500 0.0008 0.0019 0.01 0.05 4 1000 0.0009 0.0021 0.01 0.05 5 500 0.0008 0.0019 0.01 0.05 5 1000 0.0008 0.002 0.01 0.01 3 500 0.0008 0.0019 0.01 0.01 3 1000 0.0008 0.002 0.01 0.01 4 500 0.0008 0.0019 0.01 0.01 4 1000 0.0009 0.002 0.01 0.01 5 500 0.0008 0.0019 0.01 0.01 5 1000 0.0008 0.002

219

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.057 0.0984 0.1 0.3 3 1000 0.0619 0.1041 0.1 0.3 4 500 0.0603 0.1017 0.1 0.3 4 1000 0.0617 0.1071 0.1 0.3 5 500 0.064 0.1036 0.1 0.3 5 1000 0.0695 0.1032 0.1 0.2 3 500 0.0563 0.097 0.1 0.2 3 1000 0.0615 0.1042 0.1 0.2 4 500 0.0602 0.1002 0.1 0.2 4 1000 0.0629 0.1055 0.1 0.2 5 500 0.0628 0.1019 0.1 0.2 5 1000 0.0691 0.1122 0.1 0.1 3 500 0.0562 0.0966 0.1 0.1 3 1000 0.0615 0.1043 0.1 0.1 4 500 0.059 0.0985 0.1 0.1 4 1000 0.0601 0.1029 0.1 0.1 5 500 0.062 0.1016 0.1 0.1 5 1000 0.0658 0.1064 0.1 0.05 3 500 0.056 0.0962 0.1 0.05 3 1000 0.0612 0.1034 0.1 0.05 4 500 0.0592 0.0982

220

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.0592 0.1019 0.1 0.05 5 500 0.0619 0.1019 0.1 0.05 5 1000 0.0662 0.1063 0.1 0.01 3 500 0.0559 0.0959 0.1 0.01 3 1000 0.0608 0.1028 0.1 0.01 4 500 0.0589 0.0979 0.1 0.01 4 1000 0.0592 0.1015 0.1 0.01 5 500 0.0619 0.1017 0.1 0.01 5 1000 0.0655 0.105

0.05 0.3 3 500 0.0568 0.0955 0.05 0.3 3 1000 0.0595 0.0993 0.05 0.3 4 500 0.0548 0.0928 0.05 0.3 4 1000 0.0579 0.096 0.05 0.3 5 500 0.0585 0.0969 0.05 0.3 5 1000 0.0622 0.1005 0.05 0.2 3 500 0.0563 0.0949 0.05 0.2 3 1000 0.0585 0.0969 0.05 0.2 4 500 0.0545 0.0925 0.05 0.2 4 1000 0.0583 0.0971 0.05 0.2 5 500 0.0561 0.0944 0.05 0.2 5 1000 0.0621 0.1

221

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.0553 0.0943 0.05 0.1 3 1000 0.0571 0.0981 0.05 0.1 4 500 0.0536 0.0921 0.05 0.1 4 1000 0.0569 0.0967 0.05 0.1 5 500 0.0554 0.0936 0.05 0.1 5 1000 0.0603 0.0972 0.05 0.05 3 500 0.0549 0.0939 0.05 0.05 3 1000 0.0565 0.0975 0.05 0.05 4 500 0.0532 0.0918 0.05 0.05 4 1000 0.0572 0.096 0.05 0.05 5 500 0.0553 0.0935 0.05 0.05 5 1000 0.0604 0.0975 0.05 0.01 3 500 0.0545 0.0935 0.05 0.01 3 1000 0.0563 0.0972 0.05 0.01 4 500 0.0528 0.0916 0.05 0.01 4 1000 0.0572 0.0958 0.05 0.01 5 500 0.0552 0.0933 0.05 0.01 5 1000 0.06 0.0971

0.025 0.3 3 500 0.0524 0.0905 0.025 0.3 3 1000 0.0559 0.0961 0.025 0.3 4 500 0.0505 0.0894

222

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.0559 0.096 0.025 0.3 5 500 0.0521 0.0899 0.025 0.3 5 1000 0.0589 0.0971 0.025 0.2 3 500 0.0511 0.0892 0.025 0.2 3 1000 0.0549 0.0945 0.025 0.2 4 500 0.0499 0.0884 0.025 0.2 4 1000 0.0552 0.0957 0.025 0.2 5 500 0.0505 0.0883 0.025 0.2 5 1000 0.0576 0.096 0.025 0.1 3 500 0.0495 0.0877 0.025 0.1 3 1000 0.0532 0.0926 0.025 0.1 4 500 0.0495 0.0878 0.025 0.1 4 1000 0.0543 0.0948 0.025 0.1 5 500 0.0493 0.0871 0.025 0.1 5 1000 0.0563 0.0949 0.025 0.05 3 500 0.0489 0.0873 0.025 0.05 3 1000 0.0528 0.0921 0.025 0.05 4 500 0.0493 0.0876 0.025 0.05 4 1000 0.0535 0.094 0.025 0.05 5 500 0.0489 0.0868 0.025 0.05 5 1000 0.0557 0.0943

223

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.0486 0.087 0.025 0.01 3 1000 0.0528 0.0918 0.025 0.01 4 500 0.0491 0.0874 0.025 0.01 4 1000 0.0529 0.0933 0.025 0.01 5 500 0.0487 0.0866 0.025 0.01 5 1000 0.0552 0.0937 0.01 0.3 3 500 0.0477 0.0861 0.01 0.3 3 1000 0.048 0.087 0.01 0.3 4 500 0.0479 0.0861 0.01 0.3 4 1000 0.0485 0.0874 0.01 0.3 5 500 0.048 0.0861 0.01 0.3 5 1000 0.0481 0.0865 0.01 0.2 3 500 0.0475 0.086 0.01 0.2 3 1000 0.0476 0.0865 0.01 0.2 4 500 0.0477 0.086 0.01 0.2 4 1000 0.0481 0.0869 0.01 0.2 5 500 0.0478 0.086 0.01 0.2 5 1000 0.0477 0.0862 0.01 0.1 3 500 0.0474 0.086 0.01 0.1 3 1000 0.0474 0.0863 0.01 0.1 4 500 0.0475 0.086

224

ตารางท 51 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.0478 0.0866 0.01 0.1 5 500 0.0476 0.086 0.01 0.1 5 1000 0.0476 0.0861 0.01 0.05 3 500 0.0473 0.086 0.01 0.05 3 1000 0.0473 0.0862 0.01 0.05 4 500 0.0475 0.086 0.01 0.05 4 1000 0.0477 0.0865 0.01 0.05 5 500 0.0476 0.086 0.01 0.05 5 1000 0.0475 0.086 0.01 0.01 3 500 0.0473 0.086 0.01 0.01 3 1000 0.0473 0.0862 0.01 0.01 4 500 0.0474 0.086 0.01 0.01 4 1000 0.0476 0.0864 0.01 0.01 5 500 0.0475 0.086 0.01 0.01 5 1000 0.0475 0.086

225

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.2175 0.3125 0.1 0.3 3 1000 0.2152 0.317 0.1 0.3 4 500 0.2135 0.317 0.1 0.3 4 1000 0.2215 0.3276 0.1 0.3 5 500 0.2379 0.3326 0.1 0.3 5 1000 0.2353 0.3394 0.1 0.2 3 500 0.2105 0.3093 0.1 0.2 3 1000 0.2093 0.3121 0.1 0.2 4 500 0.2103 0.3036 0.1 0.2 4 1000 0.2205 0.3275 0.1 0.2 5 500 0.238 0.3339 0.1 0.2 5 1000 0.2405 0.3466 0.1 0.1 3 500 0.2067 0.2993 0.1 0.1 3 1000 0.2086 0.3024 0.1 0.1 4 500 0.2027 0.2964 0.1 0.1 4 1000 0.2097 0.3129 0.1 0.1 5 500 0.226 0.3285 0.1 0.1 5 1000 0.2288 0.3376 0.1 0.05 3 500 0.2066 0.3 0.1 0.05 3 1000 0.209 0.3029 0.1 0.05 4 500 0.2025 0.2973

226

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.2109 0.3162 0.1 0.05 5 500 0.2212 0.3185 0.1 0.05 5 1000 0.222 0.3223 0.1 0.01 3 500 0.2052 0.2984 0.1 0.01 3 1000 0.2079 0.3007 0.1 0.01 4 500 0.2018 0.2953 0.1 0.01 4 1000 0.2104 0.3124 0.1 0.01 5 500 0.2235 0.3207 0.1 0.01 5 1000 0.2286 0.3352

0.05 0.3 3 500 0.2035 0.2953 0.05 0.3 3 1000 0.2968 0.3007 0.05 0.3 4 500 0.2178 0.3126 0.05 0.3 4 1000 0.225 0.3339 0.05 0.3 5 500 0.2232 0.3174 0.05 0.3 5 1000 0.2333 0.339 0.05 0.2 3 500 0.2017 0.2919 0.05 0.2 3 1000 0.207 0.2977 0.05 0.2 4 500 0.2166 0.3117 0.05 0.2 4 1000 0.2243 0.3303 0.05 0.2 5 500 0.2178 0.3089 0.05 0.2 5 1000 0.2367 0.3399

227

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.1986 0.288 0.05 0.1 3 1000 0.1996 0.291 0.05 0.1 4 500 0.2107 0.304 0.05 0.1 4 1000 0.2134 0.3117 0.05 0.1 5 500 0.2097 0.3007 0.05 0.1 5 1000 0.2202 0.32 0.05 0.05 3 500 0.1978 0.2872 0.05 0.05 3 1000 0.1988 0.29 0.05 0.05 4 500 0.2101 0.303 0.05 0.05 4 1000 0.2144 0.3188 0.05 0.05 5 500 0.2109 0.3016 0.05 0.05 5 1000 0.2168 0.318 0.05 0.01 3 500 0.1972 0.2865 0.05 0.01 3 1000 0.1978 0.289 0.05 0.01 4 500 0.2065 0.299 0.05 0.01 4 1000 0.2137 0.3137 0.05 0.01 5 500 0.2107 0.3012 0.05 0.01 5 1000 0.2167 0.3209

0.025 0.3 3 500 0.193 0.2806 0.025 0.3 3 1000 0.1859 0.2793 0.025 0.3 4 500 0.2018 0.2843

228

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.2067 0.2955 0.025 0.3 5 500 0.2008 0.2921 0.025 0.3 5 1000 0.2125 0.3114 0.025 0.2 3 500 0.189 0.2782 0.025 0.2 3 1000 0.1879 0.2771 0.025 0.2 4 500 0.1953 0.2802 0.025 0.2 4 1000 0.2058 0.288 0.025 0.2 5 500 0.1985 0.2881 0.025 0.2 5 1000 0.2026 0.2984 0.025 0.1 3 500 0.1891 0.2769 0.025 0.1 3 1000 0.1882 0.2787 0.025 0.1 4 500 0.1905 0.2784 0.025 0.1 4 1000 0.2054 0.285 0.025 0.1 5 500 0.1972 0.2851 0.025 0.1 5 1000 0.2012 0.2934 0.025 0.05 3 500 0.1894 0.2764 0.025 0.05 3 1000 0.1886 0.2786 0.025 0.05 4 500 0.1886 0.2778 0.025 0.05 4 1000 0.2044 0.2843 0.025 0.05 5 500 0.1964 0.2832 0.025 0.05 5 1000 0.2011 0.2931

229

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.1904 0.2768 0.025 0.01 3 1000 0.1898 0.2798 0.025 0.01 4 500 0.1876 0.2771 0.025 0.01 4 1000 0.2038 0.2834 0.025 0.01 5 500 0.1956 0.2817 0.025 0.01 5 1000 0.2005 0.2928 0.01 0.3 3 500 0.184 0.2687 0.01 0.3 3 1000 0.1933 0.2794 0.01 0.3 4 500 0.1861 0.2718 0.01 0.3 4 1000 0.1906 0.276 0.01 0.3 5 500 0.1834 0.2685 0.01 0.3 5 1000 0.1977 0.2851 0.01 0.2 3 500 0.1826 0.2676 0.01 0.2 3 1000 0.1915 0.2771 0.01 0.2 4 500 0.1852 0.2703 0.01 0.2 4 1000 0.1894 0.2757 0.01 0.2 5 500 0.1825 0.2681 0.01 0.2 5 1000 0.1942 0.2806 0.01 0.1 3 500 0.1826 0.2673 0.01 0.1 3 1000 0.1873 0.273 0.01 0.1 4 500 0.1846 0.2693

230

ตารางท 52 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Standby จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.1882 0.2758 0.01 0.1 5 500 0.1827 0.2686 0.01 0.1 5 1000 0.1908 0.2773 0.01 0.05 3 500 0.1824 0.2669 0.01 0.05 3 1000 0.1875 0.275 0.01 0.05 4 500 0.1843 0.2688 0.01 0.05 4 1000 0.1874 0.2755 0.01 0.05 5 500 0.1828 0.2686 0.01 0.05 5 1000 0.1898 0.276 0.01 0.01 3 500 0.1824 0.2669 0.01 0.01 3 1000 0.1874 0.2748 0.01 0.01 4 500 0.1841 0.2684 0.01 0.01 4 1000 0.1868 0.2751 0.01 0.01 5 500 0.1828 0.2685 0.01 0.01 5 1000 0.189 0.2751

231

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.0216 0.0052 0.1 0.3 3 1000 0.0224 0.0735 0.1 0.3 4 500 0.0224 0.0593 0.1 0.3 4 1000 0.018 0.0654 0.1 0.3 5 500 0.0217 0.058 0.1 0.3 5 1000 0.019 0.0659 0.1 0.2 3 500 0.0203 0.0537 0.1 0.2 3 1000 0.0223 0.0695 0.1 0.2 4 500 0.0213 0.056 0.1 0.2 4 1000 0.0178 0.0632 0.1 0.2 5 500 0.0207 0.0558 0.1 0.2 5 1000 0.0186 0.0657 0.1 0.1 3 500 0.019 0.0528 0.1 0.1 3 1000 0.0216 0.0678 0.1 0.1 4 500 0.0199 0.0538 0.1 0.1 4 1000 0.0188 0.0641 0.1 0.1 5 500 0.0191 0.0538 0.1 0.1 5 1000 0.0191 0.0662 0.1 0.05 3 500 0.0184 0.0524 0.1 0.05 3 1000 0.0209 0.0667 0.1 0.05 4 500 0.0191 0.053

232

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.0193 0.0643 0.1 0.05 5 500 0.0184 0.0529 0.1 0.05 5 1000 0.0196 0.0665 0.1 0.01 3 500 0.018 0.052 0.1 0.01 3 1000 0.0219 0.0662 0.1 0.01 4 500 0.0187 0.0524 0.1 0.01 4 1000 0.0196 0.0644 0.1 0.01 5 500 0.0178 0.0522 0.1 0.01 5 1000 0.0208 0.0672

0.05 0.3 3 500 0.0151 0.0497 0.05 0.3 3 1000 0.0194 0.0542 0.05 0.3 4 500 0.0157 0.05 0.05 0.3 4 1000 0.0206 0.0587 0.05 0.3 5 500 0.0156 0.0501 0.05 0.3 5 1000 0.0205 0.0602 0.05 0.2 3 500 0.0146 0.0493 0.05 0.2 3 1000 0.0174 0.0521 0.05 0.2 4 500 0.0148 0.0494 0.05 0.2 4 1000 0.0189 0.0547 0.05 0.2 5 500 0.0148 0.0495 0.05 0.2 5 1000 0.0188 0.0551

233

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.0143 0.0491 0.05 0.1 3 1000 0.0164 0.0507 0.05 0.1 4 500 0.0143 0.0491 0.05 0.1 4 1000 0.0171 0.0519 0.05 0.1 5 500 0.0145 0.0493 0.05 0.1 5 1000 0.0174 0.0523 0.05 0.05 3 500 0.0141 0.049 0.05 0.05 3 1000 0.0158 0.0501 0.05 0.05 4 500 0.0142 0.049 0.05 0.05 4 1000 0.0166 0.0512 0.05 0.05 5 500 0.0144 0.0492 0.05 0.05 5 1000 0.0166 0.0512 0.05 0.01 3 500 0.014 0.0489 0.05 0.01 3 1000 0.0151 0.0496 0.05 0.01 4 500 0.0154 0.0498 0.05 0.01 4 1000 0.0162 0.0507 0.05 0.01 5 500 0.0143 0.0491 0.05 0.01 5 1000 0.0159 0.0505

0.025 0.3 3 500 0.0136 0.0486 0.025 0.3 3 1000 0.0134 0.0485 0.025 0.3 4 500 0.0138 0.0487

234

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.0134 0.0484 0.025 0.3 5 500 0.0141 0.0489 0.025 0.3 5 1000 0.0135 0.0486 0.025 0.2 3 500 0.0133 0.0484 0.025 0.2 3 1000 0.0131 0.0483 0.025 0.2 4 500 0.0135 0.0485 0.025 0.2 4 1000 0.0131 0.0483 0.025 0.2 5 500 0.0138 0.0487 0.025 0.2 5 1000 0.0133 0.0485 0.025 0.1 3 500 0.013 0.0483 0.025 0.1 3 1000 0.0129 0.0482 0.025 0.1 4 500 0.0132 0.0484 0.025 0.1 4 1000 0.0129 0.0482 0.025 0.1 5 500 0.0135 0.0486 0.025 0.1 5 1000 0.0131 0.0484 0.025 0.05 3 500 0.0129 0.0482 0.025 0.05 3 1000 0.0127 0.0481 0.025 0.05 4 500 0.0131 0.0483 0.025 0.05 4 1000 0.0128 0.0482 0.025 0.05 5 500 0.0134 0.0485 0.025 0.05 5 1000 0.0131 0.0483

235

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.0128 0.0482 0.025 0.01 3 1000 0.0127 0.0481 0.025 0.01 4 500 0.013 0.0483 0.025 0.01 4 1000 0.0127 0.0481 0.025 0.01 5 500 0.0133 0.0484 0.025 0.01 5 1000 0.013 0.0483 0.01 0.3 3 500 0.0118 0.0477 0.01 0.3 3 1000 0.0118 0.0477 0.01 0.3 4 500 0.012 0.0478 0.01 0.3 4 1000 0.0119 0.0478 0.01 0.3 5 500 0.0122 0.0479 0.01 0.3 5 1000 0.0122 0.0479 0.01 0.2 3 500 0.0116 0.0477 0.01 0.2 3 1000 0.0116 0.0477 0.01 0.2 4 500 0.0117 0.0477 0.01 0.2 4 1000 0.0117 0.0477 0.01 0.2 5 500 0.012 0.0478 0.01 0.2 5 1000 0.0119 0.0478 0.01 0.1 3 500 0.0114 0.0476 0.01 0.1 3 1000 0.0114 0.0476 0.01 0.1 4 500 0.0116 0.0477

236

ตารางท 53 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.0115 0.0477 0.01 0.1 5 500 0.0118 0.0477 0.01 0.1 5 1000 0.0117 0.0477 0.01 0.05 3 500 0.0114 0.0476 0.01 0.05 3 1000 0.0114 0.0476 0.01 0.05 4 500 0.0115 0.0476 0.01 0.05 4 1000 0.0115 0.0476 0.01 0.05 5 500 0.0117 0.0477 0.01 0.05 5 1000 0.0117 0.0477 0.01 0.01 3 500 0.0113 0.0476 0.01 0.01 3 1000 0.0113 0.0476 0.01 0.01 4 500 0.0114 0.0476 0.01 0.01 4 1000 0.0114 0.0476 0.01 0.01 5 500 0.0116 0.0477 0.01 0.01 5 1000 0.0116 0.0477

237

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.1561 0.2676 0.1 0.3 3 1000 0.157 0.2679 0.1 0.3 4 500 0.1631 0.2734 0.1 0.3 4 1000 0.1717 0.2996 0.1 0.3 5 500 0.1676 0.283 0.1 0.3 5 1000 0.1698 0.3166 0.1 0.2 3 500 0.154 0.2648 0.1 0.2 3 1000 0.1604 0.2972 0.1 0.2 4 500 0.1573 0.268 0.1 0.2 4 1000 0.1641 0.3032 0.1 0.2 5 500 0.1596 0.2702 0.1 0.2 5 1000 0.1568 0.3014 0.1 0.1 3 500 0.1487 0.2556 0.1 0.1 3 1000 0.1582 0.2855 0.1 0.1 4 500 0.1539 0.2614 0.1 0.1 4 1000 0.1616 0.2927 0.1 0.1 5 500 0.1545 0.2628 0.1 0.1 5 1000 0.1536 0.2896 0.1 0.05 3 500 0.147 0.2528 0.1 0.05 3 1000 0.1564 0.2789 0.1 0.05 4 500 0.1513 0.2581

238

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.1588 0.2881 0.1 0.05 5 500 0.1529 0.2617 0.1 0.05 5 1000 0.1541 0.2853 0.1 0.01 3 500 0.1457 0.2508 0.1 0.01 3 1000 0.1538 0.2699 0.1 0.01 4 500 0.15 0.2563 0.1 0.01 4 1000 0.1538 0.2699 0.1 0.01 5 500 0.1519 0.2602 0.1 0.01 5 1000 0.1551 0.2829

0.05 0.3 3 500 0.1394 0.241 0.05 0.3 3 1000 0.1423 0.2484 0.05 0.3 4 500 0.1406 0.2418 0.05 0.3 4 1000 0.1464 0.2509 0.05 0.3 5 500 0.1413 0.2447 0.05 0.3 5 1000 0.1507 0.2661 0.05 0.2 3 500 0.1366 0.2367 0.05 0.2 3 1000 0.1389 0.2401 0.05 0.2 4 500 0.1366 0.2361 0.05 0.2 4 1000 0.1424 0.2419 0.05 0.2 5 500 0.1389 0.2411 0.05 0.2 5 1000 0.1471 0.2558

239

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.1311 0.2385 0.05 0.1 3 1000 0.1353 0.2433 0.05 0.1 4 500 0.1326 0.2342 0.05 0.1 4 1000 0.1378 0.2392 0.05 0.1 5 500 0.1352 0.2375 0.05 0.1 5 1000 0.1441 0.2509 0.05 0.05 3 500 0.1325 0.2374 0.05 0.05 3 1000 0.1344 0.2422 0.05 0.05 4 500 0.1316 0.2302 0.05 0.05 4 1000 0.1373 0.2351 0.05 0.05 5 500 0.1334 0.2355 0.05 0.05 5 1000 0.1416 0.2481 0.05 0.01 3 500 0.1321 0.2365 0.05 0.01 3 1000 0.1338 0.2414 0.05 0.01 4 500 0.1321 0.2301 0.05 0.01 4 1000 0.1375 0.238 0.05 0.01 5 500 0.1333 0.2345 0.05 0.01 5 1000 0.1406 0.2442

0.025 0.3 3 500 0.13 0.2294 0.025 0.3 3 1000 0.1271 0.2276 0.025 0.3 4 500 0.1307 0.2311

240

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.127 0.2271 0.025 0.3 5 500 0.1319 0.2324 0.025 0.3 5 1000 0.1291 0.2314 0.025 0.2 3 500 0.1279 0.2277 0.025 0.2 3 1000 0.125 0.226 0.025 0.2 4 500 0.1294 0.2298 0.025 0.2 4 1000 0.1259 0.2269 0.025 0.2 5 500 0.1313 0.2315 0.025 0.2 5 1000 0.126 0.2284 0.025 0.1 3 500 0.1268 0.2267 0.025 0.1 3 1000 0.1257 0.2259 0.025 0.1 4 500 0.1302 0.2301 0.025 0.1 4 1000 0.1287 0.2306 0.025 0.1 5 500 0.1303 0.2302 0.025 0.1 5 1000 0.1273 0.2289 0.025 0.05 3 500 0.1263 0.2263 0.025 0.05 3 1000 0.1255 0.2256 0.025 0.05 4 500 0.1296 0.2297 0.025 0.05 4 1000 0.1285 0.2303 0.025 0.05 5 500 0.1296 0.2295 0.025 0.05 5 1000 0.1268 0.2274

241

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.1259 0.226 0.025 0.01 3 1000 0.1253 0.2254 0.025 0.01 4 500 0.1291 0.2293 0.025 0.01 4 1000 0.1283 0.2301 0.025 0.01 5 500 0.1295 0.2287 0.025 0.01 5 1000 0.1271 0.2277 0.01 0.3 3 500 0.123 0.2236 0.01 0.3 3 1000 0.1241 0.2241 0.01 0.3 4 500 0.1236 0.2245 0.01 0.3 4 1000 0.1242 0.2247 0.01 0.3 5 500 0.1241 0.2239 0.01 0.3 5 1000 0.1225 0.2262 0.01 0.2 3 500 0.1227 0.2236 0.01 0.2 3 1000 0.1235 0.2238 0.01 0.2 4 500 0.123 0.2241 0.01 0.2 4 1000 0.1238 0.2241 0.01 0.2 5 500 0.1237 0.2242 0.01 0.2 5 1000 0.125 0.2254 0.01 0.1 3 500 0.1224 0.2235 0.01 0.1 3 1000 0.123 0.2236 0.01 0.1 4 500 0.1227 0.2238

242

ตารางท 54 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.1233 0.2237 0.01 0.1 5 500 0.1234 0.2242 0.01 0.1 5 1000 0.1244 0.2245 0.01 0.05 3 500 0.1223 0.2234 0.01 0.05 3 1000 0.1228 0.2234 0.01 0.05 4 500 0.1226 0.2237 0.01 0.05 4 1000 0.1231 0.2235 0.01 0.05 5 500 0.1232 0.2242 0.01 0.05 5 1000 0.1238 0.2237 0.01 0.01 3 500 0.1222 0.2234 0.01 0.01 3 1000 0.1277 0.2232 0.01 0.01 4 500 0.1255 0.2237 0.01 0.01 4 1000 0.1229 0.2233 0.01 0.01 5 500 0.1231 0.2242 0.01 0.01 5 1000 0.1231 0.223

243

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.856 1.3088 0.1 0.3 3 1000 0.9339 1.6542 0.1 0.3 4 500 0.8278 1.2622 0.1 0.3 4 1000 0.808 1.3191 0.1 0.3 5 500 0.8577 1.3424 0.1 0.3 5 1000 0.8733 1.4629 0.1 0.2 3 500 0.8724 1.2813 0.1 0.2 3 1000 0.8852 1.6065 0.1 0.2 4 500 0.8143 1.2409 0.1 0.2 4 1000 0.8046 1.295 0.1 0.2 5 500 0.827 1.2745 0.1 0.2 5 1000 0.8745 1.4795 0.1 0.1 3 500 0.815 12472 0.1 0.1 3 1000 0.855 1.5222 0.1 0.1 4 500 0.8217 1.2489 0.1 0.1 4 1000 0.7976 1.2594 0.1 0.1 5 500 0.8064 1.2426 0.1 0.1 5 1000 0.8517 1.4377 0.1 0.05 3 500 0.8056 1.2364 0.1 0.05 3 1000 0.8455 1.4913 0.1 0.05 4 500 0.8169 1.2388

244

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.8032 1.2542 0.1 0.05 5 500 0.7943 1.2278 0.1 0.05 5 1000 0.8481 1.4033 0.1 0.01 3 500 0.7979 1.226 0.1 0.01 3 1000 0.834 1.4635 0.1 0.01 4 500 0.808 1.2284 0.1 0.01 4 1000 0.8125 1.2598 0.1 0.01 5 500 0.788 1.2225 0.1 0.01 5 1000 0.8378 1.3761

0.05 0.3 3 500 0.7746 1.2361 0.05 0.3 3 1000 0.8263 1.4535 0.05 0.3 4 500 0.7549 1.1653 0.05 0.3 4 1000 0.7824 1.2254 0.05 0.3 5 500 0.7889 1.2602 0.05 0.3 5 1000 0.839 1.3783 0.05 0.2 3 500 0.7551 1.1965 0.05 0.2 3 1000 0.8299 1.4455 0.05 0.2 4 500 0.727 1.1366 0.05 0.2 4 1000 0.7761 1.2051 0.05 0.2 5 500 0.7966 1.2529 0.05 0.2 5 1000 0.7916 1.4318

245

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.754 1.1741 0.05 0.1 3 1000 0.7923 1.4163 0.05 0.1 4 500 0.7045 1.1165 0.05 0.1 4 1000 0.7558 1.1719 0.05 0.1 5 500 0.7638 1.2169 0.05 0.1 5 1000 0.7871 1.4802 0.05 0.05 3 500 0.7497 1.1654 0.05 0.05 3 1000 0.7681 1.3946 0.05 0.05 4 500 0.6971 1.1104 0.05 0.05 4 1000 0.7463 1.1578 0.05 0.05 5 500 0.7606 1.2054 0.05 0.05 5 1000 0.7953 1.5035 0.05 0.01 3 500 0.7426 1.1602 0.05 0.01 3 1000 0.7683 1.4024 0.05 0.01 4 500 0.6935 1.1072 0.05 0.01 4 1000 0.7397 1.15 0.05 0.01 5 500 0.7488 1.1969 0.05 0.01 5 1000 0.7805 1.4892

0.025 0.3 3 500 0.6971 1.1025 0.025 0.3 3 1000 0.7677 1.3238 0.025 0.3 4 500 0.6894 1.0942

246

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.6971 1.1368 0.025 0.3 5 500 0.7315 1.1566 0.025 0.3 5 1000 0.7697 1.3946 0.025 0.2 3 500 0.6865 1.0903 0.025 0.2 3 1000 0.7493 1.2617 0.025 0.2 4 500 0.6845 1.0953 0.025 0.2 4 1000 0.6877 1.1146 0.025 0.2 5 500 0.7619 1.1349 0.025 0.2 5 1000 0.7567 1.3415 0.025 0.1 3 500 0.6795 1.0846 0.025 0.1 3 1000 0.7271 1.2026 0.025 0.1 4 500 0.6824 1.1013 0.025 0.1 4 1000 0.6851 1.1258 0.025 0.1 5 500 0.7053 1.1185 0.025 0.1 5 1000 0.7382 1.2714 0.025 0.05 3 500 0.677 1.0833 0.025 0.05 3 1000 0.7176 1.1785 0.025 0.05 4 500 0.6822 1.0986 0.025 0.05 4 1000 0.7968 1.1048 0.025 0.05 5 500 0.6994 1.1105 0.025 0.05 5 1000 0.7335 1.2498

247

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.6753 1.0828 0.025 0.01 3 1000 0.7106 1.1614 0.025 0.01 4 500 0.6799 1.0962 0.025 0.01 4 1000 0.6815 1.0876 0.025 0.01 5 500 0.6953 1.1052 0.025 0.01 5 1000 0.733 1.2357 0.01 0.3 3 500 0.649 1.074 0.01 0.3 3 1000 0.6487 1.068 0.01 0.3 4 500 0.6508 1.0758 0.01 0.3 4 1000 0.6535 1.082 0.01 0.3 5 500 0.655 1.0781 0.01 0.3 5 1000 0.6621 1.0709 0.01 0.2 3 500 0.6518 1.0761 0.01 0.2 3 1000 0.6532 1.0714 0.01 0.2 4 500 0.6538 1.0764 0.01 0.2 4 1000 0.6583 1.0797 0.01 0.2 5 500 0.6582 1.8084 0.01 0.2 5 1000 0.6669 1.0767 0.01 0.1 3 500 0.6545 1.0784 0.01 0.1 3 1000 0.6666 1.097 0.01 0.1 4 500 0.6573 1.0778

248

ตารางท 55 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Video จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.6591 1.0736 0.01 0.1 5 500 0.6633 1.0821 0.01 0.1 5 1000 0.6845 1.0961 0.01 0.05 3 500 0.6476 1.0732 0.01 0.05 3 1000 0.6466 1.0684 0.01 0.05 4 500 0.6496 1.0758 0.01 0.05 4 1000 0.6508 1.082 0.01 0.05 5 500 0.6537 1.0769 0.01 0.05 5 1000 0.6602 1.0698 0.01 0.01 3 500 0.6451 1.0689 0.01 0.01 3 1000 0.6451 1.0689 0.01 0.01 4 500 0.6486 1.0759 0.01 0.01 4 1000 0.6489 1.0804 0.01 0.01 5 500 0.6526 1.0761 0.01 0.01 5 1000 0.6989 1.0698

249

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.0056 0.0087 0.1 0.3 3 1000 0.0059 0.0103 0.1 0.3 4 500 0.006 0.0101 0.1 0.3 4 1000 0.0066 0.0135 0.1 0.3 5 500 0.0058 0.009 0.1 0.3 5 1000 0.0064 0.0122 0.1 0.2 3 500 0.0055 0.0083 0.1 0.2 3 1000 0.0058 0.0102 0.1 0.2 4 500 0.0058 0.0095 0.1 0.2 4 1000 0.0065 0.0131 0.1 0.2 5 500 0.0056 0.0086 0.1 0.2 5 1000 0.0062 0.0116 0.1 0.1 3 500 0.0054 0.0082 0.1 0.1 3 1000 0.0058 0.0101 0.1 0.1 4 500 0.0055 0.0087 0.1 0.1 4 1000 0.0063 0.0124 0.1 0.1 5 500 0.0054 0.0084 0.1 0.1 5 1000 0.0059 0.0097 0.1 0.05 3 500 0.0053 0.0082 0.1 0.05 3 1000 0.0057 0.0101 0.1 0.05 4 500 0.0055 0.0085

250

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.0062 0.119 0.1 0.05 5 500 0.0054 0.0084 0.1 0.05 5 1000 0.0059 0.0097 0.1 0.01 3 500 0.0053 0.0081 0.1 0.01 3 1000 0.0057 0.01 0.1 0.01 4 500 0.0054 0.0084 0.1 0.01 4 1000 0.0061 0.0109 0.1 0.01 5 500 0.0054 0.0084 0.1 0.01 5 1000 0.006 0.0097

0.05 0.3 3 500 0.0051 0.008 0.05 0.3 3 1000 0.0053 0.0087 0.05 0.3 4 500 0.0052 0.0081 0.05 0.3 4 1000 0.0056 0.0089 0.05 0.3 5 500 0.0053 0.0082 0.05 0.3 5 1000 0.0057 0.0096 0.05 0.2 3 500 0.005 0.0079 0.05 0.2 3 1000 0.0052 0.0082 0.05 0.2 4 500 0.0052 0.0081 0.05 0.2 4 1000 0.0054 0.0085 0.05 0.2 5 500 0.0052 0.0081 0.05 0.2 5 1000 0.0057 0.0091

251

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.005 0.0079 0.05 0.1 3 1000 0.0051 0.0081 0.05 0.1 4 500 0.0051 0.008 0.05 0.1 4 1000 0.0053 0.0085 0.05 0.1 5 500 0.0051 0.008 0.05 0.1 5 1000 0.0057 0.0089 0.05 0.05 3 500 0.005 0.0079 0.05 0.05 3 1000 0.0051 0.0081 0.05 0.05 4 500 0.0051 0.008 0.05 0.05 4 1000 0.0053 0.0084 0.05 0.05 5 500 0.0051 0.008 0.05 0.05 5 1000 0.0057 0.0089 0.05 0.01 3 500 0.005 0.0079 0.05 0.01 3 1000 0.0051 0.0081 0.05 0.01 4 500 0.0051 0.0079 0.05 0.01 4 1000 0.0054 0.0085 0.05 0.01 5 500 0.0051 0.0079 0.05 0.01 5 1000 0.0496 0.0088

0.025 0.3 3 500 0.005 0.0078 0.025 0.3 3 1000 0.005 0.0079 0.025 0.3 4 500 0.0051 0.0078

252

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.0052 0.0082 0.025 0.3 5 500 0.0051 0.0078 0.025 0.3 5 1000 0.0053 0.0083 0.025 0.2 3 500 0.0051 0.0078 0.025 0.2 3 1000 0.0051 0.0079 0.025 0.2 4 500 0.0051 0.0077 0.025 0.2 4 1000 0.0052 0.0081 0.025 0.2 5 500 0.0051 0.0077 0.025 0.2 5 1000 0.0052 0.0081 0.025 0.1 3 500 0.0051 0.0078 0.025 0.1 3 1000 0.0051 0.0079 0.025 0.1 4 500 0.0051 0.0077 0.025 0.1 4 1000 0.0051 0.008 0.025 0.1 5 500 0.0051 0.0077 0.025 0.1 5 1000 0.0051 0.008 0.025 0.05 3 500 0.0051 0.0078 0.025 0.05 3 1000 0.0051 0.0079 0.025 0.05 4 500 0.0051 0.0077 0.025 0.05 4 1000 0.0051 0.008 0.025 0.05 5 500 0.0051 0.0077 0.025 0.05 5 1000 0.0051 0.008

253

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.0051 0.0078 0.025 0.01 3 1000 0.0051 0.0079 0.025 0.01 4 500 0.0051 0.0077 0.025 0.01 4 1000 0.0051 0.0079 0.025 0.01 5 500 0.0051 0.0077 0.025 0.01 5 1000 0.0051 0.0079 0.01 0.3 3 500 0.0051 0.0077 0.01 0.3 3 1000 0.0051 0.0077 0.01 0.3 4 500 0.0051 0.0077 0.01 0.3 4 1000 0.0051 0.0077 0.01 0.3 5 500 0.0051 0.0077 0.01 0.3 5 1000 0.0051 0.0077 0.01 0.2 3 500 0.0051 0.0077 0.01 0.2 3 1000 0.0051 0.0077 0.01 0.2 4 500 0.0051 0.0077 0.01 0.2 4 1000 0.0051 0.0077 0.01 0.2 5 500 0.0051 0.0077 0.01 0.2 5 1000 0.0051 0.0077 0.01 0.1 3 500 0.0051 0.0077 0.01 0.1 3 1000 0.0051 0.0077 0.01 0.1 4 500 0.0051 0.0077

254

ตารางท 56 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 1) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.0051 0.0077 0.01 0.1 5 500 0.0051 0.0077 0.01 0.1 5 1000 0.0051 0.0077 0.01 0.05 3 500 0.0051 0.0077 0.01 0.05 3 1000 0.0051 0.0077 0.01 0.05 4 500 0.0051 0.0077 0.01 0.05 4 1000 0.0051 0.0077 0.01 0.05 5 500 0.0051 0.0077 0.01 0.05 5 1000 0.0051 0.0077 0.01 0.01 3 500 0.0051 0.0077 0.01 0.01 3 1000 0.0051 0.0077 0.01 0.01 4 500 0.0051 0.0077 0.01 0.01 4 1000 0.0051 0.0077 0.01 0.01 5 500 0.0051 0.0077 0.01 0.01 5 1000 0.0051 0.0077

255

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.1029 0.1317 0.1 0.3 3 1000 0.1039 0.1326 0.1 0.3 4 500 0.1084 0.1427 0.1 0.3 4 1000 0.1111 0.1489 0.1 0.3 5 500 0.1149 0.1481 0.1 0.3 5 1000 0.1158 0.1476 0.1 0.2 3 500 0.1036 0.1329 0.1 0.2 3 1000 0.105 0.1347 0.1 0.2 4 500 0.1069 0.1412 0.1 0.2 4 1000 0.1103 0.1489 0.1 0.2 5 500 0.1105 0.1427 0.1 0.2 5 1000 0.1103 0.1447 0.1 0.1 3 500 0.1018 0.1313 0.1 0.1 3 1000 0.1034 1.336 0.1 0.1 4 500 0.1081 0.1407 0.1 0.1 4 1000 0.1104 0.1481 0.1 0.1 5 500 0.1054 0.1373 0.1 0.1 5 1000 0.1058 0.1374 0.1 0.05 3 500 0.1016 0.1309 0.1 0.05 3 1000 0.1035 0.1337 0.1 0.05 4 500 0.1107 0.1431

256

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.1122 0.146 0.1 0.05 5 500 0.1057 0.1364 0.1 0.05 5 1000 0.1056 0.1361 0.1 0.01 3 500 0.1011 0.1301 0.1 0.01 3 1000 0.1025 0.1322 0.1 0.01 4 500 0.1103 0.1417 0.1 0.01 4 1000 0.1131 0.144 0.1 0.01 5 500 0.1059 0..3178 0.1 0.01 5 1000 0.1084 0.1399

0.05 0.3 3 500 0.0989 0.1282 0.05 0.3 3 1000 0.0999 0.1293 0.05 0.3 4 500 0.1014 0.1297 0.05 0.3 4 1000 0.1059 0.136 0.05 0.3 5 500 0.1042 0.1353 0.05 0.3 5 1000 0.1086 0.1399 0.05 0.2 3 500 0.0987 0.1278 0.05 0.2 3 1000 0.0997 0.1288 0.05 0.2 4 500 0.0989 0.1282 0.05 0.2 4 1000 0.1043 0.1355 0.05 0.2 5 500 0.0999 0.1325 0.05 0.2 5 1000 0.106 0.1388

257

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.0984 0.1273 0.05 0.1 3 1000 0.0996 0.1284 0.05 0.1 4 500 0.0994 0.1284 0.05 0.1 4 1000 0.1033 0.1342 0.05 0.1 5 500 0.1015 0.1339 0.05 0.1 5 1000 0.106 0.138 0.05 0.05 3 500 0.0982 0.1271 0.05 0.05 3 1000 0.0995 0.1283 0.05 0.05 4 500 0.1003 0.1286 0.05 0.05 4 1000 0.1017 0.1304 0.05 0.05 5 500 0.101 0.1326 0.05 0.05 5 1000 0.1046 0.1327 0.05 0.01 3 500 0.0982 0.127 0.05 0.01 3 1000 0.0989 0.1277 0.05 0.01 4 500 0.1004 0.129 0.05 0.01 4 1000 0.1014 0.13 0.05 0.01 5 500 0.0989 0.13 0.05 0.01 5 1000 0.1015 0.1338

0.025 0.3 3 500 0.0984 0.1269 0.025 0.3 3 1000 0.0992 0.1279 0.025 0.3 4 500 0.0966 0.1262

258

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.0992 0.1286 0.025 0.3 5 500 0.1015 0.1319 0.025 0.3 5 1000 0.1071 0.1385 0.025 0.2 3 500 0.0984 0.1269 0.025 0.2 3 1000 0.0992 0.1278 0.025 0.2 4 500 0.0966 0.1262 0.025 0.2 4 1000 0.0993 0.1279 0.025 0.2 5 500 0.1018 0.1323 0.025 0.2 5 1000 0.1062 0.1371 0.025 0.1 3 500 0.0984 0.1271 0.025 0.1 3 1000 0.0994 0.1279 0.025 0.1 4 500 0.0993 0.129 0.025 0.1 4 1000 0.1007 0.1299 0.025 0.1 5 500 0.1002 0.1306 0.025 0.1 5 1000 0.1099 0.1367 0.025 0.05 3 500 0.0984 0.127 0.025 0.05 3 1000 0.0994 0.1278 0.025 0.05 4 500 0.0998 0.1291 0.025 0.05 4 1000 0.1012 0.1306 0.025 0.05 5 500 0.1062 0.1371 0.025 0.05 5 1000 0.1063 0.1366

259

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.0984 0.127 0.025 0.01 3 1000 0.0994 0.1278 0.025 0.01 4 500 0.1003 0.1294 0.025 0.01 4 1000 0.1018 0.1319 0.025 0.01 5 500 0.1002 0.1305 0.025 0.01 5 1000 0.107 0.1373 0.01 0.3 3 500 0.0986 0.128 0.01 0.3 3 1000 0.0991 0.1282 0.01 0.3 4 500 0.1 0.1287 0.01 0.3 4 1000 0.1008 0.113 0.01 0.3 5 500 0.0981 0.1276 0.01 0.3 5 1000 0.1038 0.1334 0.01 0.2 3 500 0.0992 0.1287 0.01 0.2 3 1000 0.099 0.1282 0.01 0.2 4 500 0.0999 0.1291 0.01 0.2 4 1000 0.1006 0.1294 0.01 0.2 5 500 0.0982 0.1275 0.01 0.2 5 1000 0.1028 0.1328 0.01 0.1 3 500 0.0987 0.1284 0.01 0.1 3 1000 0.1002 0.1291 0.01 0.1 4 500 0.0998 0.1287

260

ตารางท 57 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 2) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.1009 0.1294 0.01 0.1 5 500 0.0981 0.1273 0.01 0.1 5 1000 0.1016 0.1309 0.01 0.05 3 500 0.0986 0.1283 0.01 0.05 3 1000 0.1006 0.1294 0.01 0.05 4 500 0.0998 0.1286 0.01 0.05 4 1000 0.1002 0.1288 0.01 0.05 5 500 0.0981 0.1274 0.01 0.05 5 1000 0.1012 0.1304 0.01 0.01 3 500 0.0988 0.1283 0.01 0.01 3 1000 0.1007 0.1296 0.01 0.01 4 500 0.0998 0.1287 0.01 0.01 4 1000 0.1003 0.129 0.01 0.01 5 500 0.0981 0.1274 0.01 0.01 5 1000 0.1008 0.1279

261

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.3 3 500 0.6284 0.873 0.1 0.3 3 1000 0.6683 0.9298 0.1 0.3 4 500 0.6381 0.8919 0.1 0.3 4 1000 0.6556 0.9269 0.1 0.3 5 500 0.6743 0.9387 0.1 0.3 5 1000 0.7107 1.0031 0.1 0.2 3 500 0.6245 0.8605 0.1 0.2 3 1000 0.6466 0.906 0.1 0.2 4 500 0.6478 0.8994 0.1 0.2 4 1000 0.6685 0.9367 0.1 0.2 5 500 0.6796 0.9271 0.1 0.2 5 1000 0.726 1.0079 0.1 0.1 3 500 0.6415 0.8937 0.1 0.1 3 1000 0.6579 0.9196 0.1 0.1 4 500 0.6412 0.8781 0.1 0.1 4 1000 0.6552 0.9207 0.1 0.1 5 500 0.6589 0.9004 0.1 0.1 5 1000 0.6718 0.9265 0.1 0.05 3 500 0.601 0.8397 0.1 0.05 3 1000 0.6185 0.8661 0.1 0.05 4 500 0.6485 0.883

262

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.1 0.05 4 1000 0.6584 0.9108 0.1 0.05 5 500 0.6644 0.9117 0.1 0.05 5 1000 0.6718 0.9371 0.1 0.01 3 500 0.6111 0.8566 0.1 0.01 3 1000 0.6259 0.8739 0.1 0.01 4 500 0.6348 0.8726 0.1 0.01 4 1000 0.6519 0.9043 0.1 0.01 5 500 0.6624 0.9121 0.1 0.01 5 1000 0.6728 0.9364

0.05 0.3 3 500 0.5677 0.8008 0.05 0.3 3 1000 0.5868 0.8159 0.05 0.3 4 500 0.5952 0.8251 0.05 0.3 4 1000 0.6109 0.8541 0.05 0.3 5 500 0.5925 0.8286 0.05 0.3 5 1000 0.6414 0.9166 0.05 0.2 3 500 0.58 0.8273 0.05 0.2 3 1000 0.6104 0.8727 0.05 0.2 4 500 0.5901 0.8207 0.05 0.2 4 1000 0.6137 0.8621 0.05 0.2 5 500 0.6084 0.8548 0.05 0.2 5 1000 0.6343 0.8868

263

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.05 0.1 3 500 0.5815 0.8262 0.05 0.1 3 1000 0.6147 0.8771 0.05 0.1 4 500 0.5644 0.7905 0.05 0.1 4 1000 0.6485 0.883 0.05 0.1 5 500 0.616 0.8454 0.05 0.1 5 1000 0.632 0.8814 0.05 0.05 3 500 0.5785 0.8265 0.05 0.05 3 1000 0.6105 0.8733 0.05 0.05 4 500 0.5785 0.8184 0.05 0.05 4 1000 0.607 0.8058 0.05 0.05 5 500 0.622 0.8501 0.05 0.05 5 1000 0.6481 0.8906 0.05 0.01 3 500 0.5763 0.8266 0.05 0.01 3 1000 0.6091 0.8708 0.05 0.01 4 500 0.5828 0.8246 0.05 0.01 4 1000 0.6039 0.8548 0.05 0.01 5 500 0.6098 0.8293 0.05 0.01 5 1000 0.6522 0.8929

0.025 0.3 3 500 0.5592 0.7948 0.025 0.3 3 1000 0.5575 0.7983 0.025 0.3 4 500 0.5805 0.8231

264

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.3 4 1000 0.5986 0.8504 0.025 0.3 5 500 0.6025 0.8465 0.025 0.3 5 1000 0.6191 0.868 0.025 0.2 3 500 0.5693 0.8128 0.025 0.2 3 1000 0.553 0.7891 0.025 0.2 4 500 0.5693 0.8128 0.025 0.2 4 1000 0.5944 0.8386 0.025 0.2 5 500 0.5851 0.8313 0.025 0.2 5 1000 0.6312 0.8931 0.025 0.1 3 500 0.5711 0.8159 0.025 0.1 3 1000 0.5509 0.7799 0.025 0.1 4 500 0.5691 0.812 0.025 0.1 4 1000 0.5842 0.817 0.025 0.1 5 500 0.5703 0.8218 0.025 0.1 5 1000 0.6226 0.8691 0.025 0.05 3 500 0.5707 0.8162 0.025 0.05 3 1000 0.5515 0.7808 0.025 0.05 4 500 0.567 0.8103 0.025 0.05 4 1000 0.5781 0.8086 0.025 0.05 5 500 0.5681 0.8211 0.025 0.05 5 1000 0.6125 0.8602

265

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.025 0.01 3 500 0.5694 0.8157 0.025 0.01 3 1000 0.5557 0.785 0.025 0.01 4 500 0.5658 0.8087 0.025 0.01 4 1000 0.5747 0.8037 0.025 0.01 5 500 0.5667 0.8203 0.025 0.01 5 1000 0.6071 0.8567 0.01 0.3 3 500 0.5526 0.7925 0.01 0.3 3 1000 0.5629 0.8049 0.01 0.3 4 500 0.55 0.789 0.01 0.3 4 1000 0.5596 0.808 0.01 0.3 5 500 0.5533 0.7947 0.01 0.3 5 1000 0.5842 0.83 0.01 0.2 3 500 0.5507 0.7789 0.01 0.2 3 1000 0.5633 0.8053 0.01 0.2 4 500 0.5482 0.7851 0.01 0.2 4 1000 0.5617 0.8058 0.01 0.2 5 500 0.5515 0.7908 0.01 0.2 5 1000 0.5768 0.8237 0.01 0.1 3 500 0.5491 0.7858 0.01 0.1 3 1000 0.5603 0.802 0.01 0.1 4 500 0.5469 0.782

266

ตารางท 58 แสดงคา MAE และ RMSE จากการปรบคาพารามเตอรในสถานะ Web browser จากสมการ Polynomial (คา Outputท 3) จานวน 120 กลมตวอยาง (ตอ)

คาพารามเตอร คาความคลาดเคลอน

Learning rate Momentum Hidden layer N MAE RMSE 0.01 0.1 4 1000 0.5596 0.8026 0.01 0.1 5 500 0.5501 0.7878 0.01 0.1 5 1000 0.5708 0.8161 0.01 0.05 3 500 0.5483 0.7842 0.01 0.05 3 1000 0.5583 0.7999 0.01 0.05 4 500 0.5464 0.7806 0.01 0.05 4 1000 0.5576 0.8003 0.01 0.05 5 500 0.5495 0.7865 0.01 0.05 5 1000 0.5691 0.8129 0.01 0.01 3 500 0.5476 0.783 0.01 0.01 3 1000 0.5572 0.7983 0.01 0.01 4 500 0.5461 0.7796 0.01 0.01 4 1000 0.556 0.7985 0.01 0.01 5 500 0.5491 0.7856 0.01 0.01 5 1000 0.5678 0.8104

267

ประวตผวจย

ชอ-สกล นางสาวเพยงฤทย หนสวสด ทอย 153 หม 5 ตาบล สทงหมอ อาเภอ สงหนคร จงหวดสงขลา 90280 ททางาน มหาวทยาลยเทคโนโลยราชมงคลรตนโกสนทร วทยาเขตวงไกลกงวล ประวตการศกษา พ.ศ. 2550 สาเรจการศกษาปรญญาบรหารธรกจบณฑต สาขาวชาระบบสารสนเทศ คณะบรหารธรกจ มหาวทยาลยเทคโนโลยราชมงคลรตนโกสนทร วทยาเขตวงไกลกงวล พ.ศ.2552 ศกษาตอระดบปรญญามหาบณฑต สาขาวทยาการคอมพวเตอรและ สารสนเทศ บณฑตวทยาลย มหาวทยาลยศลปากร ประวตการทางาน – ปจจบน นกวชาการคอมพวเตอร คณะบรหารธรกจ มหาวทยาลยเทคโนโลย ราชมงคลรตนโกสนทร วทยาเขตวงไกลกงวล