†Type I: after obtaining w1 ; the s

†Type I: after obtaining w1 ; the second component is
found by adding a second linear neuron to the first layer.
However, making w1 fixed during the training, training
only w2 and the weights of the other layers. In this case,
the input continues to be x as the components are not
independent. The objective in this case is to find the
second discrimination component best suited to work in
cooperation with the first. The procedure is similar to
obtain the third, fourth and mth component keeping
w2 ; w3 ; …; wm21 fixed. One way to accelerate the process
is to use x as the input of the first neuron and xj21 as
the input of the jth linear neuron of the first layer.
This is possible because, at the input of each neuron
of the hyperbolic tangent type of the second layer,
the excitation is a linear combination of inputs of the
network.
† Type II: the two components can also be obtained by
training simultaneously, that is to say, the two cooperate
between themselves during the network training. In a
similar way the same can be done for 3, 4 or m
components. In this case, a base for the space of the
reduced and optimized input for the classification is made.
In a set of data with various dimensions, it is difficult to
show the size of the class separation problem; however,
through the use of two principal nonlinear discrimination
components, it is possible to have an excellent visual of the
layout of the pattern classes. In this way, resorting to the two
PCD in independent action to see the separation graphs of
four and five classes treated together. These components
were obtained from a neural network as shown in Fig. 2,
trained using backpropagation error, instant and variable
learning rate [20,21].
The component p1 ; as with the ðp1 þ p2 Þ independents
and the two components obtained by the two types of
training with cooperative action, were used as nonlinear
classifier input vectors to evaluate performance

ผลลัพธ์ (ไทย) 1:

†Type i:หลังจากได้รับ w1 ส่วนประกอบที่สองคือ พบ โดยการเพิ่มเซลล์ประสาทเส้นสองชั้น first อย่างไรก็ตาม ทำให้ w1 fixed ในระหว่างการฝึกอบรม ฝึกอบรม เฉพาะ w2 และน้ำหนักของชั้นอื่น ๆ ในกรณีนี้ การป้อนข้อมูลยังคงเป็น x เป็นส่วนประกอบไม่ อิสระ วัตถุประสงค์ในกรณีนี้คือ find ส่วนอย่างที่สองสุดเหมาะในการทำงานใน ความร่วมมือกับ first ขั้นตอนจะคล้ายกับ รับเก็บคอมโพเนนต์ที่สาม สี่ และเดือน w2 w3 …; wm21 fixed วิธีหนึ่งในการเร่งการ จะใช้ x เป็นค่าป้อนในเซลล์ประสาท first และ xj21 เป็น ป้อนข้อมูลของเซลล์ประสาทเส้นของ jth ของชั้น first นี้เป็นเพราะ ที่ป้อนข้อมูลของเซลล์ประสาทแต่ละ ชั้นที่สอง สัมผัสชนิดไฮเพอร์โบลิในการกระตุ้นที่เป็นการรวมเชิงเส้นของปัจจัยการผลิตของการ เครือข่าย† ชนิด II: คอมโพเนนต์ที่สองยังได้ด้วย ฝึกอบรมพร้อมกัน กล่าวคือ สองมือ ระหว่างระหว่างฝึกอบรมเครือข่ายตัวเอง ในการ ฉันเดียวกันสามารถทำได้ 3, 4 หรือ m คอมโพเนนต์ ในกรณีนี้ ฐานเป็นพื้นที่ของการ ป้อน classification ลดลง และเพิ่มประสิทธิภาพได้ในชุดของข้อมูลที่มีขนาดต่าง ๆ เป็น difficult ไปแสดงขนาดของปัญหาแยกชั้น อย่างไรก็ตามโดยใช้แบ่งแยกไม่เชิงเส้นหลักสองส่วนประกอบ จำเป็นต้องมี visual ยอดเยี่ยมของการโครงร่างของการสอนรูปแบบ ด้วยวิธีนี้ พยายามมากทั้งสองกรมควบคุมมลพิษในการดำเนินการเป็นอิสระเมื่อต้องการดูกราฟแยกของ4 และ five เรียนปฏิบัติร่วมกัน ส่วนประกอบเหล่านี้ได้รับจากเครือข่ายประสาทมาก Fig. 2ข้อผิดพลาด backpropagation ทันที และตัวแปรโดยใช้การฝึกอบรมอัตราการเรียนรู้ [20,21] คอมโพเนนต์ p1 เช่นเดียวกับ ðp1 þ p 2 Þ independentsและส่วนสองได้ โดยสองชนิดฝึกอบรมการดำเนินการแบบมีส่วนร่วม ใช้เป็นไม่เชิงเส้นclassifier เวกเตอร์อินพุตเพื่อประเมินประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

†ประเภท: หลังจากได้รับ w1; ส่วนที่สองจะ
พบโดยการเพิ่มเซลล์ประสาทเชิงเส้นสองชั้นแรกสาย.
แต่ทำให้ไฟ w1 xed ระหว่างการฝึกอบรม, การฝึกอบรม
เพียง w2 และน้ำหนักของชั้นอื่น ๆ ในกรณีนี้
การป้อนข้อมูลยังคงเป็น x เป็นส่วนประกอบที่ไม่
เป็นอิสระ วัตถุประสงค์ในกรณีนี้คือการ fi ครั้ง
องค์ประกอบการเลือกปฏิบัติที่สองเหมาะที่สุดที่จะทำงานใน
ความร่วมมือกับสายแรก ขั้นตอนคล้ายกับ
ได้รับที่สามสี่และองค์ประกอบการรักษาเดือน
w2; w3; ... ; WM21 คงที่ วิธีหนึ่งในการเร่งกระบวนการ
คือการใช้ x เป็น input ของสายเซลล์ประสาทแรกและ xj21 เป็น
เข้าของเซลล์ประสาทเชิงเส้นที่ j ของชั้นแรก Fi.
นี้เป็นไปได้เพราะที่ใส่ของเซลล์ประสาทแต่ละ
ประเภทสัมผัสการผ่อนชำระของ ชั้นที่สอง,
การกระตุ้นคือการรวมกันเชิงเส้นของปัจจัยการผลิตของ
เครือข่าย.
† Type II: ทั้งสองส่วนยังสามารถได้รับจาก
การฝึกอบรมพร้อมกันกล่าวคือทั้งสองร่วมมือกัน
ระหว่างตัวเองระหว่างการฝึกอบรมเครือข่าย ใน
ลักษณะที่คล้ายกันเดียวกันสามารถทำได้สำหรับ 3, 4 หรือม.
ส่วนประกอบ ในกรณีนี้ฐานสำหรับพื้นที่
. ป้อนข้อมูลลดลงและเหมาะสำหรับจัดประเภทไอออนบวกจะทำ
ในชุดของข้อมูลที่มีขนาดต่าง ๆ มันเป็นเรื่องยากที่จะ
แสดงขนาดของปัญหาการแยกชั้น; แต่
ผ่านการใช้งานของทั้งสองเลือกปฏิบัติไม่เป็นเชิงเส้นหลัก
ส่วนประกอบก็เป็นไปได้ที่จะมียอดเยี่ยมภาพของ
รูปแบบของการเรียนรูปแบบ ด้วยวิธีนี้หันไปทั้งสอง
กรมควบคุมมลพิษในการดำเนินการเป็นอิสระเพื่อดูกราฟแยกของ
สี่สายและการเรียนได้รับการปฏิบัติร่วมกัน ส่วนประกอบเหล่านี้
ที่ได้รับจากเครือข่ายประสาทดังแสดงในรูป 2,
การฝึกอบรมการใช้ข้อผิดพลาดแพร่กระจายย้อนกลับทันทีและตัวแปร
อัตราการเรียนรู้ [20,21].
องค์ประกอบ p1; เช่นเดียวกับ DP1 þ p2 ปรึกษาÞ
และทั้งสองส่วนที่ได้รับจากทั้งสองประเภทของ
การฝึกอบรมที่มีการดำเนินการสหกรณ์ถูกนำมาใช้เป็นเชิงเส้น
คลาสสิกเวกเตอร์อินพุตเอ้อ Fi เพื่อประเมินผลการทำงาน

ผลลัพธ์ (ไทย) 3:

ภีษมะประเภท : หลังจากที่ได้รับ W1 ; ส่วนที่สองคือ
พบโดยการเพิ่มสองเส้นประสาทไปจึงตัดสินใจเดินทางชั้น .
แต่ทำให้ W1 จึง xed ในระหว่างการฝึกอบรมเฉพาะ W2
และน้ำหนักของชั้นอื่น ๆ ในกรณีนี้
ใส่ยังคงเป็น X เป็นส่วนประกอบไม่
อิสระ วัตถุประสงค์ในกรณีนี้คือการถ่ายทอด
ครั้งองค์ประกอบจำแนกที่สองที่ดีที่สุดเหมาะที่จะทำงานในความร่วมมือกับ
จึงตัดสินใจเดินทาง . ขั้นตอนจะคล้ายกับ
ขอรับ ที่สาม ที่สี่ และเดือน ส่วนการรักษา W2 W3
; ; . . . ; wm21 จึง xed . วิธีหนึ่งในการเร่งกระบวนการ
คือใช้ X เป็นอินพุตของจึงตัดสินใจเดินทางไปเป็นเซลล์ประสาท และ xj21
ใส่ของ jth เส้นประสาทของจึงตัดสินใจเดินทางชั้น .
นี้เป็นไปได้เพราะที่ใส่ของแต่ละเซลล์ประสาท
ของไฮเพอร์โบลิกแทนเจนต์ประเภทชั้นที่สอง ,
i รวมกันเชิงเส้นของอินพุตของโครงข่าย
.
ภีษมะชนิดที่ 2 : องค์ประกอบทั้งสองยังสามารถได้รับโดย
ฝึกพร้อมกัน กล่าวคือ ทั้งสองร่วมมือกัน
ระหว่างตัวเองในระหว่างการฝึกอบรมเครือข่าย ใน
ลักษณะเดียวกันสามารถทำสำหรับ 3 , 4 หรือ M
ส่วนประกอบ ในกรณีนี้เป็นฐานในพื้นที่ของ