The Neural Gas network is computati

The Neural Gas network is computationally expensive. The nodes all have to be ranked
and updated for each input vector. At low temperatures the size of the update for the
majority of the nodes is minuscule and will have no real influence over the network
although the computational requirements remain unchanged. In a previous study
[Butchart et al., 1995] we investigated three networks that used soft competition, the
Neural Gas network, the Generalised Learning Vector Quantisation (GLVQ) [Pal et al.,
1993] and the Deterministic Soft Competition Network (DSCN) [Yair et al., 1992]. We
concluded that of the three networks the Neural Gas network was by far the superior in
all round performance. It also performed better than standard competitive networks.
We showed that the Neural Gas network provided a reliably good SSE over many
different data types, and was resilient to initial starting positions and variations in
parameter settings. This is, however, gained at the expense of an increased
computational load and slower convergence rate, though it was able to produce fair
results even when given a limited time in which to converge. The dimensionality and
scale of the input space does not appear to unduly influence the performance of the
network.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทก๊าซเป็น computationally มีราคาแพง โหนดที่มีการจัดอันดับและปรับปรุงสำหรับแต่ละเวกเตอร์อินพุต อุณหภูมิต่ำขนาดของการปรับปรุงสำหรับการส่วนใหญ่ของโหน minuscule และจะมีอิทธิพลไม่จริงผ่านเครือข่ายแม้ว่าความต้องการคำนวณการเปลี่ยนแปลง ในการศึกษาก่อนหน้านี้[Butchart et al., 1995] เราตรวจสอบเครือข่ายที่สามที่ใช้แข่งขันนุ่มข่ายประสาทก๊าซ Generalised เรียนเวกเตอร์ Quantisation (GLVQ) [Pal et al.,1993] และเครือข่ายแข่งขัน Deterministic นุ่ม (DSCN) [Yair et al., 1992] เราสรุปว่า สามเครือข่ายที่แก๊สประสาทเครือข่ายได้โดยไกลห้องในประสิทธิภาพรอบทั้งหมด มันยังทำดีกว่าเครือข่ายแข่งขันมาตรฐานเราพบว่า เครือข่ายประสาทก๊าซให้ SSE ได้ดีกว่ามากชนิดข้อมูลต่าง ๆ และทนเริ่มต้นตำแหน่งเริ่มต้นและรูปแบบในการตั้งค่าพารามิเตอร์ นี่คือ อย่างไรก็ตาม ได้รับค่าใช้จ่ายที่เพิ่มขึ้นคำนวณโหลดและบรรจบกันช้าอัตรา แต่ก็สามารถผลิตยุติธรรมผลได้ต่อเมื่อกำหนดเวลาจำกัดซึ่งจะมาบรรจบกัน ที่ dimensionality และขนาดของพื้นที่อินพุตไม่ unduly มีอิทธิพลต่อประสิทธิภาพของการเครือข่าย

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทเทียมก๊าซแพงคอมพิวเตอร์
โหนดทั้งหมดต้องได้รับการจัดอันดับและมีการปรับปรุงสำหรับแต่ละเวกเตอร์การป้อนข้อมูล ที่อุณหภูมิต่ำขนาดของการปรับปรุงสำหรับในส่วนใหญ่ของโหนดเป็นจิ๋วและจะไม่มีอิทธิพลจริงผ่านเครือข่ายแม้ว่าความต้องการการคำนวณยังคงไม่เปลี่ยนแปลง ในการศึกษาก่อนหน้านี้[Butchart et al., 1995] ที่เราตรวจสอบสามเครือข่ายที่ใช้ในการแข่งขันนุ่มเครือข่ายก๊าซประสาท, การเรียนรู้ Generalised เวกเตอร์วอน (GLVQ) [Pal et al., 1993] และตายตัวซอฟท์การแข่งขันผ่านเครือข่าย (DSCN ) [Yair et al., 1992] เราได้ข้อสรุปว่าในสามของเครือข่ายเครือข่ายก๊าซประสาทคือโดยไกลที่เหนือกว่าในการปฏิบัติงานทุกรอบ นอกจากนี้ยังทำได้ดีกว่าเครือข่ายการแข่งขันมาตรฐาน. เราแสดงให้เห็นว่าเครือข่ายก๊าซประสาทให้ SSE ที่ดีน่าเชื่อถือมากกว่าหลายชนิดข้อมูลที่แตกต่างกันและมีความยืดหยุ่นที่จะเริ่มต้นในตำแหน่งเริ่มต้นและรูปแบบในการตั้งค่าพารามิเตอร์ นี้ แต่ได้รับค่าใช้จ่ายที่เพิ่มขึ้นของโหลดคำนวณและอัตราการบรรจบกันช้าแม้ว่ามันจะเป็นความสามารถในการผลิตที่เป็นธรรมผลแม้กระทั่งเมื่อได้รับระยะเวลาที่จำกัด ในการที่จะมาบรรจบกัน มิติและขนาดของพื้นที่ที่นำเข้าไม่ปรากฏที่เกินควรมีผลต่อประสิทธิภาพของเครือข่าย

ผลลัพธ์ (ไทย) 3:

เครือข่ายประสาท computationally ก๊าซแพง โหนดทั้งหมดต้องได้รับการจัดอันดับ
และการปรับปรุงสำหรับแต่ละอินพุตเวกเตอร์ ที่อุณหภูมิต่ำขนาดของการปรับปรุงสำหรับ
ส่วนใหญ่ของโหนดเป็นเพลง และจะต้องไม่มีอิทธิพลเหนือเครือข่าย
ถึงแม้ว่าความต้องการคอมพิวเตอร์ยังคงไม่เปลี่ยนแปลง ในการศึกษาก่อนหน้า
[ บัตเชิร์ต et al . ,1995 ] เราสืบสวน 3 เครือข่ายที่ใช้ในการแข่งขันนุ่ม
เครือข่ายก๊าซประสาท , สรุปการเรียนรู้ quantisation เวกเตอร์ ( glvq ) [ PAL et al . ,
1993 และ deterministic เครือข่ายการแข่งขันนุ่ม ( dscn ) [ Yair et al . , 1992 ) เรา
สรุปที่ 3 เครือข่ายเครือข่ายก๊าซประสาทคือโดยไกลที่เหนือกว่าใน
ตลอดการแสดงมันยังแสดงดีกว่าเครือข่ายแข่งขันมาตรฐาน เราพบว่า เครือข่าย
ก๊าซประสาทให้ SSE เชื่อถือที่ดีกว่าที่แตกต่างกันมากมาย
ประเภทข้อมูล และยืดหยุ่น เพื่อเริ่มต้นตำแหน่งและรูปแบบใน
การตั้งค่าพารามิเตอร์ นี้ , อย่างไรก็ตาม , ที่ได้รับในค่าใช้จ่ายของการเพิ่มขึ้นและอัตราการลู่เข้าช้า
คำนวณโหลด แต่มันก็สามารถที่จะผลิตงาน
ผลลัพธ์ที่ได้เมื่อได้รับการ จำกัด เวลาในการที่จะมาบรรจบกัน และขนาดของการ dimensionality
เข้าพื้นที่ไม่ได้ปรากฏมิชอบต่อการทำงานของ
เครือข่าย