µ¦¦oµ äÁ ¨ ε µ¥°´ ¦µ µ¦Ä o¡¨´ µ °  Á °¦ ¸É¤ºoÁ ... ·...
TRANSCRIPT
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