At present, neuro-fuzzy systems (NF

At present, neuro-fuzzy systems (NFS) of computational intelligence [1–4] are widely used to solve various problems of data mining, intelligent control, prediction, identification, emulation, etc. under uncertainty, nonlinearity, stochasticity, randomness, and various disturbances and perturbations owing to their universal approximation capabilities, ability to learn from data characterizing the functioning of the phenomenon or object being investigated, and also the linguistic interpretation of the obtained results. In case of the need for processing information in adaptive on-line mode, the problem of the rate of convergence of the learning process primarily arises and appreciably restricts the number of NFSs suitable for functioning under these conditions. In this connection, ANFIS and TSK systems [1, 2, 5] whose output signal linearly depends on tunable parameters (synaptic weights) are most efficient, which allows one to use many well-known linear learning algorithms [6] and methods of adaptive identification with fast response [7, 8] for learning.

ผลลัพธ์ (ไทย) 1:

ที่อยู่ เลือนประสาทระบบ (NFS) ของหนัก ๆ [1-4] ใช้เพื่อแก้ปัญหาต่าง ๆ ของการทำเหมืองข้อมูล ควบคุมอัจฉริยะ คาดเดา รหัส จำลอง ฯลฯ ภายใต้ความไม่แน่นอน nonlinearity, stochasticity สุ่ม ต่าง ๆ รบกวน และ perturbations เนื่องจากความสามารถสากลประมาณ ความสามารถในการเรียนรู้จากข้อมูลรายละเอียดการทำงานของปรากฏการณ์หรือวัตถุที่มีการตรวจสอบ และการตีความทางภาษาของได้รับผล ในกรณีที่ต้องการประมวลผลข้อมูลในโหมดออนไลน์ที่เหมาะสม ปัญหาของอัตราการลู่เข้าของกระบวนการเรียนรู้หลักการ และส่งจำกัดจำนวนของ NFSs เหมาะสำหรับการทำงานภายใต้เงื่อนไขเหล่านี้ ในการนี้ ANFIS ทีเอสเคระบบและ [1, 2, 5] ซึ่งมีสัญญาณเชิงเส้นขึ้นอยู่กับพารามิเตอร์ tunable (น้ำหนักผู้) มีประสิทธิภาพ ซึ่งทำให้ผู้ใช้หลายอัลกอริทึมการเรียนรู้เชิงเส้นรู้จัก [6] และวิธีการปรับเปลี่ยนรหัสกับการตอบสนองอย่างรวดเร็ว [7, 8] การเรียนรู้

ผลลัพธ์ (ไทย) 2:

ในปัจจุบันระบบประสาทเลือนระบบ (NFS) ของปัญญาคำนวณ [1-4] ใช้กันอย่างแพร่หลายในการแก้ปัญหาต่างๆของการทำเหมืองข้อมูล, การควบคุมความฉลาดทำนายบัตรประจำตัวการแข่งขัน ฯลฯ ภายใต้ความไม่แน่นอนไม่เป็นเชิงเส้น, stochasticity, สุ่มและ รบกวนต่างๆและเยี่ยงอย่างเนื่องจากความสามารถของพวกเขาประมาณสากล, ความสามารถในการเรียนรู้จากข้อมูลลักษณะการทำงานของปรากฏการณ์หรือวัตถุที่มีการตรวจสอบและการตีความภาษาของผลที่ได้รับ ในกรณีที่มีความจำเป็นในการประมวลผลข้อมูลในโหมดบนสายการปรับตัวปัญหาของอัตราการบรรจบกันของกระบวนการเรียนรู้ส่วนใหญ่เกิดขึ้นและประเมินค่าการ จำกัด จำนวน NFSs ที่เหมาะสมสำหรับการทำงานภายใต้เงื่อนไขเหล่านี้ ในการเชื่อมต่อนี้ ANFIS และ TSK ระบบ [1, 2, 5] ที่มีสัญญาณเชิงเส้นขึ้นอยู่กับพารามิเตอร์พริ้ง (น้ำหนัก synaptic) ที่มีประสิทธิภาพมากที่สุดซึ่งจะช่วยให้หนึ่งที่จะใช้จำนวนมากที่รู้จักกันดีขั้นตอนวิธีการเรียนรู้เชิงเส้น [6] และวิธีการของการปรับตัว บัตรประจำตัวที่มีการตอบสนองที่รวดเร็ว [7, 8] สำหรับการเรียนรู้

ผลลัพธ์ (ไทย) 3:

ปัจจุบัน ระบบประสาทฟัซซี่ ( NFS ) ของการคำนวณสติปัญญา [ 1 – 4 ] มีการใช้กันอย่างแพร่หลายเพื่อแก้ปัญหาต่างๆของข้อมูลเหมืองแร่ , การควบคุม , ทำนาย , ประชาชน , ทางฉลาด ฯลฯ ภายใต้ความไม่แน่นอน ความไม่มีแบบแผนการสุ่มค่า , , , และการรบกวนต่างๆ และได้เนื่องจากความสามารถประมาณสากล ความสามารถในการเรียนรู้ จากข้อมูล ลักษณะการทำงานของปรากฏการณ์หรือวัตถุที่ถูกตรวจสอบ และยัง ตีความ ภาษา ของ ผลการทดลอง ในกรณีที่ต้องการการประมวลผลข้อมูลในแบบออนไลน์ โหมด ปัญหาของอัตราการลู่เข้าของกระบวนการการเรียนรู้เกิดขึ้นได้เป็นหลัก และจำกัดจำนวน nfss เหมาะสำหรับการทำงานภายใต้เงื่อนไขเหล่านี้ ในการเชื่อมต่อนี้ anfis และระบบเชอะ [ 1 , 2 , 5 ] ที่มีสัญญาณเชิงเส้นขึ้นอยู่กับพารามิเตอร์พริ้ง ( น้ำหนัก Synaptic ) มีประสิทธิภาพมากที่สุดซึ่งจะช่วยให้หนึ่งที่จะใช้หลายรู้จักกันดี Linear อัลกอริทึมการเรียนรู้ [ 6 ] และวิธีการของการปรับตัวกับการตอบสนองอย่างรวดเร็ว [ 7 , 8 ] เพื่อการเรียนรู้