The deﬁnition of the formulas (5)–(

The deﬁnition of the formulas (5)–(8) variables is So (stream-ﬂow observed records), Sp (stream-ﬂow predicted records). So and Sp are the mean values. N is the number of the data set. It is even worth to brief the formation structure of the modeling before proceeding with the discussion of the results. Since neural networks topology affects the complexity of the computational models and most importantly the level of the accuracies. Remarkably, RBFNN algorithm has been observed to be quite simple compared with the others (i.e. FFNN or MLP). The most signiﬁcant parameters that should be obtained (as described in Sect. 2) are the spread values and the number of radial basis function. The spread values and the number of RBF are achieved by using trail-and-error procedure until the desired accuracies aim (MSE) is accomplished. This is for the reason that there is no general methodology or guideline to obtain them. The optimum spread values were established (0.35, 0.6, and 0.8) for daily, weekly, and monthly time scale,

The deﬁnition of the formulas (5)–(8) variables is So (stream-ﬂow observed records), Sp (stream-ﬂow predicted records).  So and  Sp are the mean values. N is the number of the data set. It is even worth to brief the formation structure of the modeling before proceeding with the discussion of the results. Since neural networks topology affects the complexity of the computational models and most importantly the level of the accuracies. Remarkably, RBFNN algorithm has been observed to be quite simple compared with the others (i.e. FFNN or MLP). The most signiﬁcant parameters that should be obtained (as described in Sect. 2) are the spread values and the number of radial basis function. The spread values and the number of RBF are achieved by using trail-and-error procedure until the desired accuracies aim (MSE) is accomplished. This is for the reason that there is no general methodology or guideline to obtain them. The optimum spread values were established (0.35, 0.6, and 0.8) for daily, weekly, and monthly time scale,

0/5000

源语言: -

目标语言: -

结果 (简体中文) 1: [复制]

复制成功！

公式（5）-（8）的变量定义为So（流流量观测记录），Sp（流流量预测记录）。？那么呢？Sp是平均值。N是数据集的编号。在进行结果讨论之前，甚至值得简要介绍一下模型的形成结构。由于神经网络拓扑会影响计算模型的复杂性，最重要的是会影响准确性的水平。值得注意的是，与其他算法（即FFNN或MLP）相比，RBFNN算法非常简单。应该获得的最重要的参数（如第2节中所述）是散布值和径向基函数的数量。扩展值和RBF的数量是通过使用跟踪和误差过程来实现的，直到实现所需的精度目标（MSE）。这是因为没有通用的方法或指南来获取它们。为每日，每周和每月的时间范围确定了最佳的价差值（0.35、0.6和0.8），

正在翻译中..

结果 (简体中文) 2:[复制]

复制成功！

公式（5） - （8）变量的定义为 So （流流观察记录）、Sp （流流预测记录）。因此，Sp是平均值。N 是数据集的编号。在继续讨论结果之前，甚至值得先简要介绍建模的形成结构。由于神经网络拓扑影响计算模型的复杂性，最重要的是计算模型的累积水平。值得注意的是，与其他算法（即 FFNN 或 MLP）相比，RBFNN 算法非常简单。应获得的最重要参数（如第 2 教派中所述）是点差值和径向基础函数数。点差值和 RBF 数是通过使用跟踪和错误程序实现的，直到达到预期的累积目标（MSE）。这是因为没有一般方法或准则来获得它们。为每日、每周和每月时间尺度建立了最佳点差值（0.35、0.6 和 0.8），

正在翻译中..

结果 (简体中文) 3:[复制]

复制成功！

公式（5）–（8）变量的定义为So（水流观测记录），Sp（水流预测记录）。So和Sp是平均值。N是数据集的编号。在对结果进行讨论之前，甚至有必要简要说明建模的形成结构。由于神经网络的拓扑结构影响计算模型的复杂性，最重要的是影响计算精度的高低。值得注意的是，RBFNN算法与其他算法（即FFNN或MLP）相比非常简单。应获得的最重要参数（如第。2）是径向基函数的展开值和个数。在达到期望的精度目标（MSE）之前，采用试错法得到扩展值和RBF的个数。这是因为没有一般的方法或准则来获得它们。确定了日、周、月时间尺度的最佳扩散值（0.35、0.6和0.8），<br>

正在翻译中..

其它语言

本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.