งานวิจัยนี้มีวัตถุประสงค์ (1) เพื่อศึกษาประสิทธิภาพของเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลู ชัน (Convolutional Neural Network: CNN) ในการวิเคราะห์และจำแนกรูปภาพตัวเลขลายมือเขียน และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับเทคนิคพื้นฐาน ในการวิเคราะห์รูปภาพตัวเลข โดยใช้ ชุดข้อมูล Digit-MNIST ซึ่งเป็นชุดข้อมูลมาตรฐานที่ประกอบด้วยภาพตัวเลขลายมือเขียนตั้งแต่เลข 0 ถึง 9 เป็นข้อมูลในการทดลอง การสร้างโมเดลสำหรับการจำแนกรูปภาพด้วยเทคนิค CNN และเทคนิคพื้นฐาน ผล การศึกษาพบว่า (1) เทคนิค CNN ให้ประสิทธิภาพในการจำแนกรูปภาพตัวเลข คิดเป็น 98.64% และ (2) เทคนิค CNN มีประสิทธิภาพสูงกว่าเทคนิคพื้นฐาน คือ HOG + SVM มีประสิทธิภาพ 95.75% และ LBP + kNN มีประสิทธิภาพ 35.32% ตามลำดับ แสดงให้เห็นว่าเทคนิค CNN มีความเหมาะสมและมีประสิทธิภาพสูง สำหรับการประมวลผลและวิเคราะห์รูปภาพตัวเลข และสามารถนำไปประยุกต์ใช้กับงานด้านการรู้จำรูปภาพ ในด้านอื่น ๆ ได้อย่างมีประสิทธิภาพ

The rapid dissemination of fake news through online news platforms and social media has become a major challenge, significantly influencing public opinion, political decision-making, and social stability. Recent fake news detection methods have achieved promising performance using deep contextual language models such as Bidirectional Encoder Representations from Transformers (BERT). However, most existing approaches process news articles independently and primarily focus on textual semantics while overlooking structural relationships among related news articles. Consequently, valuable graph-based information, including semantic similarity, shared entities, common publishers, and topical relationships, remains underutilized. This paper proposes GraphBERT4FakeNews, a graph transformer framework that jointly learns contextual semantic representations and graph structural information for English fake news detection. First, BERT generates contextualized embeddings from news articles. A news graph is then constructed by connecting semantically related articles according to contextual similarity. Subsequently, a GraphBERT encoder performs graph-aware self-attention to capture both local and long-range structural dependencies without relying on conventional graph convolution operations. Finally, a classification layer predicts whether a news article is genuine or fake. The proposed framework is evaluated on the publicly available FakeNewsNet benchmark, including the GossipCop and PolitiFact datasets. Experimental results demonstrate that GraphBERT4FakeNews effectively integrates semantic understanding with graph structural reasoning, leading to improved fake news detection performance compared with conventional language models and graph neural network approaches.

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อวิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB ด้วยโครงข่ายประสาท เทียมแบบ GRU และ (2) เพื่อเปรียบเทียบประสิทธิภาพจากชุดข้อมูล IMDB ด้วยโครงโครงข่ายประสาทเทียม ด้วย GRU กับเทคนิคพื้นฐาน โดยใช้ข้อมูลรีวิวภาพยนตร์ภาษาอังกฤษจำนวนทั้งสิ้น 50,000 รีวิว ประกอบด้วย รีวิวเชิงบวก (Positive) จำนวน 25,000 รีวิว และรีวิวเชิงลบ (Negative) จำนวน 25,000 รีวิว แบ่งข้อมูล ออกเป็นชุดฝึกสอนร้อยละ 80 (40,000 รีวิว) และชุดทดสอบร้อยละ 20 (10,000 รีวิว) ผลการวิจัยพบว่า (1) แบบจำลองโครงข่ายประสาทเทียมแบบ GRU ให้ประสิทธิภาพสูงที่สุด โดยมีค่าความถูกต้อง (Accuracy) เท่ากับ 0.8705 ค่า Precision เท่ากับ 0.8653 ค่า Recall เท่ากับ 0.8762 และค่า F1-Score เท่ากับ 0.8707 ตามลำดับ และ (2) ผลการเปรียบเทียบแบบจำลองโครงข่ายประสาทเทียมแบบ GRU มีประสิทธิภาพดีที่สุด เมื่อเทียบกับ Random Forest (Accuracy = 0.8525) และ Decision Tree (Accuracy = 0.7266) ตามลำดับ ผลการวิจัยดังกล่าวแสดงให้เห็นถึงประสิทธิภาพของแบบจำลอง GRU ในการวิเคราะห์ความรู้สึก จากชุดข้อมูลข้อความขนาดใหญ่

งานวิจัยนี้มีวัตถุประสงค์หลักเพื่อ (1) วิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB Large Movie Review Dataset ด้วยโครงข่ายประสาทเทียมแบบ Long Short-Term Memory (LSTM) และ (2) เปรียบเทียบ ประสิทธิภาพการวิเคราะห์ความรู้สึกระหว่างโมเดล LSTM กับเทคนิคพื้นฐาน ได้แก่ Decision Tree และ Random Forest โดยดำเนินการเก็บข้อมูลจาก IMDB Large Movie Review Dataset ซึ่งเป็นชุดข้อมูลรีวิว ภาพยนตร์ภาษาอังกฤษ และประยุกต์ใช้เทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบ LSTM สามารถจำแนกความรู้สึกจากรีวิวภาพยนตร์ที่มีความ ซับซ้อนเชิงบริบทได้อย่างมีประสิทธิภาพ โดยสามารถจัดกลุ่มความคิดเห็นเชิงบวกและเชิงลบได้อย่างเป็นระบบ และ (2) จากการเปรียบเทียบประสิทธิภาพพบว่า โมเดล LSTM ให้ประสิทธิภาพสูงสุด โดยมีค่าความถูกต้อง แม่นยำ (Accuracy) เท่ากับ 0.8945 รองลงมา คือ Random Forest (Accuracy = 0.8519) และ Decision Tree (Accuracy = 0.7226) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่ายประสาทเทียมที่สามารถเรียนรู้ ความสัมพันธ์เชิงลำดับ (Sequential Data) เช่น LSTM มีความเหมาะสมในการวิเคราะห์ข้อมูลข้อความที่มีความ ยาวและบริบทต่อเนื่องมากกว่าเทคนิคพื้นฐาน ซึ่งสามารถนำไปต่อยอดในการพัฒนาระบบแนะนำภาพยนตร์และ เครื่องมือวิเคราะห์ทัศนคติผู้บริโภคในอุตสาหกรรมสื่อดิจิทัลต่อไป

บทความนี้เสนอชุดทดสอบ (Testbench) สำหรับศึกษาค่าพารามิเตอร์วงจรสมมูลของโหลดแบบเหนี่ยวนำ (Induction load equivalent circuit) ในระบบเตาแม่เหล็กไฟฟ้าในครัวเรือน โดยใช้วงจรแปลงผันกำลังไฟฟ้ากระแสสลับเป็นกระแสสลับโดยตรงแบบเรโซแนนท์คลาสอี ซึ่งช่วยลดความซับซ้อนของระบบแปลงพลังงานแบบเดิม โดยทั่วไปพารามิเตอร์ตัวเหนี่ยวนำสมมูล และความต้านทานสมมูล จะ วัดด้วยเครื่องวัดแอลซีอาร์มิเตอร์ (LCR meter) ภายใต้สัญญาณกระตุ้น ขนาดเล็ก (Small-signal) ซึ่งจะทำให้เกิดผลคลาดเคลื่อนเมื่อใช้งานที่ ระดับกำลังไฟฟ้าสูง บทความนี้จึงนำเสนอวิธีการศึกษาค่าพารามิเตอร์ ภายใต้สภาวะการทำงานจริง โดยใช้เงื่อนไขการสวิตช์ที่แรงดันเป็นศูนย์ (ZVS) และการสวิตช์ที่อัตราการเปลี่ยนแปลงแรงดันเป็นศูนย์ (ZVDS) ร่วมกับโครงข่ายภาระแบบขนาน (Parallel load network) ที่ระดับหนึ่งในสี่ของกำลังไฟฟ้าของพิกัดสูงสุด วิธีการที่นำเสนอนี้ให้การวิเคราะห์ที่เป็นระบบและคุณลักษณะทางไฟฟ้าของโหลดได้แม่นยำกว่าวิธีดั้งเดิม ผลการทดสอบยืนยันว่าพารามิเตอร์ที่ได้จากการนำเสนอนี้มีความสอดคล้องกับผลการทดลองในวงจรต้นแบบมากกว่าการวัดด้วยเครื่องมือวัดทั่วไปอย่างมีนัยสำคัญ

บทความนี้มีวัตถุประสงค์เพื่อออกแบบและสร้างระบบผลิตไฟฟ้าจากหม้อไอน้ำขนาดเล็ก เพื่อศึกษาหาตัวแปรที่มีผลต่อสมรรถนะของระบบ โดยระบบประกอบด้วยอุปกรณ์หลัก 2 ส่วน คือ 1) หม้อไอน้ำชนิดท่อไฟขนาด 120 กิโลกรัมต่อชั่วโมง ใช้ LPG เป็นเชื้อเพลิง หัวเผาชนิด Gun Type ติดตั้งอุปกรณ์อุ่นน้า ป้อนบริเวณปล่องไอเสีย 2) ชุดผลิตไฟฟ้ากังหันไอน้าแบบ Root Blow ขนาด 1500 วัตต์ ต่อตรงกับเครื่องกำเนิดไฟฟ้ากระแสตรงขนาด 500 วัตต์พร้อมระบบ การทดลองปรับตั้งความดันผลิตไอน้า 1 บาร์ และ 2 บาร์ อัตราการผลิตไอน้า 120 กิโลกรัมต่อชั่วโมง อุณหภูมิน้ำป้อนที่ 30, 45, 60 องศาเซลเซียส ทั้งกรณีไหลผ่านและไม่ผ่านอุปกรณ์อุ่นน้ำป้อน จากผลการทดลองพบว่า ที่อุณหภูมิน้ำป้อนที่ 60 องศาเซลเซียส กรณีน้ำไหลผ่านอุปกรณ์อุ่นน้ำป้อน มีประสิทธิภาพหม้อไอน้ำสูงสุด ร้อยละ 84.25 มีประสิทธิภาพกังหันไอน้ำสูงสุดและประสิทธิภาพเครื่องกำเนิดไฟฟ้าสูงสุดเท่ากับร้อยละ 87.50 และ 75.50 ตามลำดับ

บทความวิจัยฉบับนี้นำเสนอการออกแบบและพัฒนาโคมไฟฟ้าฉุกเฉินที่สามารถทดสอบการทำงาน บันทึกผล และส่งข้อมูลผ่านระบบวายฟายได้โดยอัตโนมัติ เพื่อช่วยลดภาระในการตรวจสอบและบันทึกผลด้วยบุคลากร โดยเฉพาะในกรณีที่ติดตั้งโคมไฟในตำแหน่งสูงหรือมีจำนวนหลายจุดภายในอาคาร ระบบที่พัฒนาขึ้นใช้แหล่งจ่ายไฟฟ้ากระแสสลับ 220 โวลต์ ร่วมกับวงจรประจุแบตเตอรี่แบบกระแสคงที่และแรงดันคงที่ มีไมโครคอนโทรลเลอร์ STM32F030F4P6TR ทำหน้าที่ควบคุมการประจุแบตเตอรี่ ตรวจสอบสถานะการทำงาน และสั่งการทดสอบโคมไฟฉุกเฉินที่ใช้หลอดแอลอีดี MR16 ขนาด 3 วัตต์ จำนวน 2 หลอด ข้อมูลผลการทดสอบถูกส่งผ่านไมโครคอนโทรลเลอร์ ESP32-WROOM-32U ไปจัดเก็บบน Google Sheets แบบอัตโนมัติผ่านระบบวายฟาย การทดสอบระบบอ้างอิงตามมาตรฐานผลิตภัณฑ์อุตสาหกรรมการติดตั้งระบบการให้แสงสว่างฉุกเฉิน (มอก. 2690-2558) ครอบคลุมการทดสอบแบบติดตั้งใหม่ การทดสอบตามระยะเวลา และการทดสอบกรณีไม่ผ่านเกณฑ์ ผลการทดลองพบว่าระบบสามารถบันทึกวัน เวลา ระยะเวลาทดสอบ และสถานะผลการทดสอบได้ถูกต้อง ทั้งในกรณีผ่านและไม่ผ่านเกณฑ์ พร้อมทั้งสามารถส่งข้อมูลขึ้นระบบออนไลน์ได้โดยอัตโนมัติ นอกจากนี้ เมื่อเกิดความขัดข้องของแหล่งจ่ายไฟฟ้าปกติ โคมไฟฉุกเฉินสามารถส่องสว่างได้ตามเงื่อนไขที่กำหนด แสดงให้เห็นว่า ระบบที่พัฒนาขึ้นมีความเหมาะสมสาหรับประยุกต์ใช้กับการตรวจสอบ โคมไฟฟ้าฉุกเฉินในอาคารอย่างมีประสิทธิภาพ

This study aims to (1) examine the effectiveness of the Convolutional Gated Recurrent Network for Fake News Detection (CGRN4FakeNews) model in fake news classification and (2) compare its performance with baseline methods across different datasets. The model was evaluated using the PolitiFact and GossipCop subsets of the FakeNewsNet dataset. The research process involved text preprocessing and data cleaning, including word tokenization, lowercasing, the removal of URLs, HTML tags, numerical values, punctuation marks, and redundant whitespace, as well as stopword handling. The processed text data were then transformed into vector representations using a word embedding technique for model training and evaluation. The model performance was assessed based on Accuracy, Precision, Recall, F1-score, and Confusion Matrix metrics. The experimental results indicate that the proposed CGRN4FakeNews model effectively distinguishes between real and fake news articles, achieving classification accuracies of 95.75% on the PolitiFact dataset and 91.12% on the GossipCop dataset. These findings demonstrate the effectiveness and suitability of the CGRN4FakeNews model for fake news detection tasks.

This study proposes BERTGRU4Sentiment, a deep learning model that combines fine-tuned Bidirectional Encoder Representations from Transformers (BERT) with a Gated Recurrent Unit (GRU) for multilingual sentiment analysis. The proposed model is evaluated on four benchmark datasets: Wongnai (Thai), Amazon Reviews (English), Twitter/X (English), and IMDB (English), covering both three-class (negative, neutral, positive) and two-class (negative, positive) classification tasks. To address class imbalance, a mixed over- and under-sampling strategy is applied to all datasets. Results demonstrate that BERTGRU4Sentiment consistently outperforms traditional baseline models including Decision Tree, Random Forest, XGBoost, and LSTM across all datasets, achieving accuracy of 69.49% on Wongnai, 93.67% on Amazon Reviews, 71.73% on Twitter, and 83.97% on IMDB. The findings confirm that BERTGRU4Sentiment enables richer contextual feature extraction, and the proposed architecture is effective for multilingual sentiment classification tasks.

งานวิจัยนี้มีวัตถุประสงค์ดังนี้(1) เพื่อศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) สำหรับการจำแนกภาพจากชุดข้อมูล CIFAR-10 และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) กับเทคนิคพื้นฐาน สำหรับการ จำแนกภาพจากชุดข้อมูล CIFAR-10 โดยวิธีการเรียนรู้เชิงลึก (Deep Learning) ผ่านการออกแบบสถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน ประกอบด้วย ชั้นคอนโวลูชัน ชั้นพูลลิง และชั้นเชื่อมต่อเต็มรูปแบบ พร้อม ทั้งใช้เทคนิคการปรับปรุงประสิทธิภาพของโมเดล เช่น การใช้ฟังก์ชันกระตุ้น การลดปัญหา overfitting และการ ปรับพารามิเตอร์ของโมเดล วิเคราะห์ข้อมูลด้วยการวัดค่าความแม่นยำ (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัย พบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถเรียนรู้คุณลักษณะของภาพจากชุด ข้อมูล CIFAR-10 ได้อย่างมีประสิทธิภาพ และ (2) ผลการเปรียบเทียบประสิทธิภาพ พบว่าโครงข่ายประสาทเทียม แบบคอนโวลูชัน มีประสิทธิภาพสูงสุด ด้วยค่าความถูกต้องแม่นยำ เท่ากับ 0.7015 รองลงมา คือ HOG + SVM (Accuracy = 0.6208) และ LBP + k-NN (Accuracy = 0.1012) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่าย ประสาทเทียมแบบคอนโวลูชัน มีศักยภาพในการนำไปประยุกต์ใช้กับงานด้านการประมวลผลภาพจริง