จากตารางที่ 1 อธิบายสรุปขั้นตอนวิธี

จากตารางที่ 1 อธิบายสรุปขั้นตอนวิธีการแทนที่แบบ NNPCR ให้ผลลัพท์ที่ใกล้เคียงกับค่า Optimal โดยเมื่อเปรียบเทียบแล้วค่า HR มีสัดส่วนอยู่ที่ 86.60% และค่า BHR สัดส่วนอยู่ที่ 93.36% ข้อดี : ใช้ผลลัพธ์ที่ได้จากโครงข่ายประสาทเทียมมาเป็นตัวแปรในการพิจารณาเลือกแทนที่ข้อมูลแคชมีความแม่นยำสูง
ข้อจำกัด : BPNN ใช้เวลาในการสอนตัวแบบนานและใช้ทรัพยากรการประมวลผลสูง

ผลลัพธ์ (อังกฤษ) 1:

From table 1, the summary describes step by step how to replace the NNPCR, results that are close to the Optimal values by comparing the values then there is HR at 86.60% and the value is the proportion of the BHR 93.36% advantage: using results obtained from artificial neural network comes as variables to consider, instead of caching data in high accuracy. Restriction: take time to teach the BPNN model long used high-processing resources.

ผลลัพธ์ (อังกฤษ) 2:

Table 1 describes summary algorithm replaces NNPCR a result similar to the Optimal By comparison, the HR ratio was 86.60% and the BHR ratio stood at 93.36% Advantages: Using the results. the neural network is a variable to consider replacing the cached data with high accuracy
limitations: BPNN take a long time to teach the use of resources and highly processed.

ผลลัพธ์ (อังกฤษ) 3:

From the table 1 explain conclusion replacement algorithms yield a NNPCR ลัพ end close to the Optimal by when compared to the HR. The proportion in 86.60% and the BHR proportion in 93.36% advantages: using the results from the artificial neural network to variable selection replaced cache information is accurate.Limitations: BPNN takes on a teaching model for resource processing and high.