The CNN algorithm based on the -mea

The CNN algorithm based on the -means clustering algorithm
is proposed. The proposed CNN algorithm has a strong
connection with some of the conventional unsupervised learning
algorithms. In order to obtain lower energy, the CNN dynamically
allocates the synaptic weights to the clusters with high energy.
Even though the CNN algorithm is not new when we consider
the -means algorithm, the CNN provides us with a new
interpretation of the -means algorithm and the relationships
with some of the conventional algorithms. While applying the
CNN algorithm to several problems, the CNN successfully converges
converges
to suboptimal solutions. Any undesirable local minimum
problem was not observed in our CNN experiments performed
with many different data sets. The CNN algorithm is applied to
several problems such as simple 2-D data problems and image
compression problems. When compared with conventional clustering
algorithms such as Kohonen’s self-organizing map and
Kosko’s differential competitive learning on these problems, the
proposed CNN algorithm produces comparable results with less
computational effort and is free of the optimum parameter selection
problem

ผลลัพธ์ (ไทย) 1:

อัลกอริทึม CNN ตามวิธีอัลกอริทึมคลัสเตอร์มีเสนอ อัลกอริทึม CNN นำเสนอมีความแข็งแรงเชื่อมต่อกับบางส่วนของการเรียนรู้ unsupervised ธรรมดาอัลกอริทึมการ เพื่อให้ได้พลังงาน ซีเอ็นเอ็นแบบไดนามิกจัดสรรน้ำหนัก synaptic ไปคลัสเตอร์ที่มีพลังงานสูงถึงแม้ว่าอัลกอริทึม CNN ไม่ใหม่เมื่อเราพิจารณา-หมายถึงอัลกอริทึม ซีเอ็นเอ็นให้เราใหม่การตีความหมายถึงอัลกอริทึมและความสัมพันธ์มีบางส่วนของอัลกอริทึมแบบเดิม ขณะใช้การอัลกอริทึม CNN หลายปัญหา ซีเอ็นเอ็นสำเร็จ convergesconvergesการแก้ไขปัญหาสภาพ ใด ๆ อย่างน้อยภายในผลปัญหาไม่ได้สังเกตในการทดลองของซีเอ็นเอ็นทำมีหลายข้อมูลชุดต่าง ๆ มีใช้อัลกอริทึมซีเอ็นเอ็นปัญหาหลายปัญหาอย่างง่าย 2 มิติข้อมูลและรูปภาพปัญหาการบีบอัด เมื่อเปรียบเทียบกับคลัสเตอร์ทั่วไปอัลกอริทึมเช่นแผนที่การจัดการตนเองของ Kohonen และแข่งขันในปัญหาเหล่านี้ การเรียนรู้แตกต่างกันของ Koskoซีเอ็นเอ็นนำเสนออัลกอริทึมให้ผลลัพธ์เทียบกับน้อยพยายามคำนวณ และไม่เลือกพารามิเตอร์ที่เหมาะสมปัญหา

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมของซีเอ็นเอ็นขึ้นอยู่กับขั้นตอนวิธีการจัดกลุ่ม -means
เสนอ ที่นำเสนอขั้นตอนวิธีการของซีเอ็นเอ็นที่แข็งแกร่งมีการเชื่อมต่อกับบางส่วนของการเรียนรู้ใกล้ชิดธรรมดาอัลกอริทึม เพื่อให้ได้พลังงานที่ต่ำกว่าซีเอ็นเอ็นแบบไดนามิกจัดสรรน้ำหนักการ synaptic กลุ่มที่มีพลังงานสูง. ถึงแม้ว่าขั้นตอนวิธีการของซีเอ็นเอ็นจะไม่ใหม่เมื่อเราพิจารณาขั้นตอนวิธี -means ที่ซีเอ็นเอ็นให้เรามีใหม่การตีความของอัลกอริทึม-means และความสัมพันธ์กับบางส่วนของขั้นตอนวิธีการแบบเดิม ในขณะที่การใช้อัลกอริทึมของซีเอ็นเอ็นปัญหาหลายซีเอ็นเอ็นที่ประสบความสำเร็จลู่ลู่เพื่อแก้ปัญหาการก่อให้เกิดผลลัพธ์ ขั้นต่ำที่ไม่พึงประสงค์ใด ๆ ในท้องถิ่นปัญหาก็ไม่เห็นในการทดลองของซีเอ็นเอ็นของเราดำเนินการกับชุดข้อมูลที่แตกต่างกัน อัลกอริทึมของซีเอ็นเอ็นนำมาใช้กับปัญหาหลายประการเช่นปัญหาข้อมูล 2 มิติภาพที่เรียบง่ายและปัญหาการบีบอัด เมื่อเทียบกับการจัดกลุ่มการชุมนุมขั้นตอนวิธีการเช่นแผนที่ Kohonen ของการจัดระเบียบในตนเองและความแตกต่างของการเรียนรู้Kosko แข่งขันในปัญหาเหล่านี้ที่นำเสนอขั้นตอนวิธีการของซีเอ็นเอ็นก่อให้เกิดผลลัพธ์เทียบเคียงกับน้อยความพยายามในการคำนวณและมีอิสระในการเลือกพารามิเตอร์ที่เหมาะสมปัญหา

ผลลัพธ์ (ไทย) 3:

ซีเอ็นเอ็นโดยอยู่บนพื้นฐานหมายถึง การจัดกลุ่มขั้นตอนวิธี
เสนอ . ซีเอ็นเอ็นเสนอขั้นตอนวิธีมีการเชื่อมต่อที่แข็งแกร่งกับของเดิม

unsupervised การเรียนรู้ขั้นตอนวิธี เพื่อที่จะได้รับพลังงานลดลง , CNN แบบไดนามิก
จัดสรรน้ำหนักโปรแกรมกลุ่มที่มีพลังงานสูง
แม้ว่าซีเอ็นเอ็นนี้ไม่ได้ใหม่เมื่อเราพิจารณา
- หมายถึง ขั้นตอนวิธีซีเอ็นเอ็นให้เรา ด้วยการตีความใหม่
ของหมายถึง ขั้นตอนวิธีและความสัมพันธ์
กับบางส่วนของขั้นตอนวิธีแบบดั้งเดิม ในขณะที่การใช้
ซีเอ็นเอ็นขั้นตอนวิธีปัญหาหลาย ๆ
-
) เรียบร้อยแล้วเพื่อ suboptimal โซลูชั่น ที่ไม่พึงประสงค์ใด ๆ ท้องถิ่นต่ำสุด
ปัญหาไม่ได้อยู่ที่พบในการทดลองของเรา CNN
แตกต่างกับหลายชุดข้อมูลซีเอ็นเอ็นใช้ขั้นตอนวิธีหลายปัญหาเช่นง่าย

2 มิติข้อมูลและปัญหาการบีบอัดภาพ

เมื่อเทียบกับแบบเดิม เช่น การเป็นขั้นตอนวิธีการจัดกลุ่ม

kosko บนแผนที่และความแตกต่างในการเรียนรู้ของการแข่งขันปัญหาเหล่านี้
เสนอขั้นตอนวิธีสร้างผลลัพธ์ที่เทียบเท่ากับซีเอ็นเอ็นน้อย
การคำนวณแรงและฟรีการเลือกพารามิเตอร์ที่เหมาะสม
ปัญหา