CMAC neural network is a supervised

CMAC neural network is a supervised algorithm. It would
calculate the actual output and compare it with the expected
output after finishing learning every time. Then it corrects the
network weight-value and constantly trains samples until it
meets the demand. The purpose of the learning is to minimize
the D-value between the actual output and the expected output.
Through the learning of CMAC, behavioral decisions of
artificial fish can be determined. We can conclude from above
that the input of CMAC neural network is 4D (degree of fear,
degree of happiness, degree of sadness and distance between
artificial fish and food) and the output is 3D (hunting, escaping
and randomly swimming). Every dimension of input is divided
into five subspaces, which results in a total of 625 spaces. Each
space has its own input and each input corresponds to multiple
weight space addresses. In this way the generalization of
CMAC is formed.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาท CMAC เป็นอัลกอริทึมมี มันจะคำนวณผลผลิตจริง และเปรียบเทียบกับที่คาดไว้ผลหลังจากเสร็จสิ้นการเรียนรู้ทุกครั้ง แล้วก็แก้ไขเครือข่ายค่าน้ำหนักและตลอดเวลาตัวอย่างการรถไฟจนได้ตรงตามความต้องการ วัตถุประสงค์ของการเรียนรู้จะลดD-ค่าระหว่างการผลิตและผลผลิตที่คาดไว้ผ่านการเรียนรู้ของ CMAC พฤติกรรมการตัดสินใจของปลาเทียมสามารถระบุ เราสามารถสรุปจากข้างต้นว่าการป้อนข้อมูลของเครือข่ายประสาท CMAC 4D (องศาของความกลัวระดับของความสุข ความโศกเศร้าและระยะห่างระหว่างปลาเทียมและอาหาร) และการแสดงผล 3D (ล่า หลบหนีแล้วสุ่มว่ายน้ำ) ทุกมิติของการป้อนข้อมูลถูกแบ่งออกเป็น subspaces ห้า ซึ่งผลรวมของช่องว่างที่ 625 แต่ละพื้นที่มีป้อนข้อมูลของตนเอง และป้อนข้อมูลแต่ละสอดคล้องกับหลายน้ำหนักที่อยู่ในพื้นที่ ในวิธีนี้การ generalization ของCMAC จะเกิดขึ้น

ผลลัพธ์ (ไทย) 2:

CMAC เครือข่ายประสาทเป็นอัลกอริทึมภายใต้การดูแล มันจะ
คำนวณผลผลิตที่เกิดขึ้นจริงและเปรียบเทียบกับที่คาดว่าจะ
ส่งออกหลังจากจบการเรียนรู้ทุกครั้ง จากนั้นก็จะแก้ไข
เครือข่ายค่าน้ำหนักอย่างต่อเนื่องและรถไฟตัวอย่างจนกว่าจะ
มีคุณสมบัติตรงตามความต้องการ วัตถุประสงค์ของการเรียนรู้คือการลด
D-ค่าระหว่างผลผลิตที่เกิดขึ้นจริงและการส่งออกคาดว่า.
ผ่านการเรียนรู้ของ CMAC ตัดสินใจพฤติกรรมของ
ปลาเทียมสามารถกำหนด เราสามารถสรุปได้จากด้านบน
ที่ใส่ของเครือข่ายประสาท CMAC เป็น 4D (ระดับของความกลัว
ระดับของความสุขระดับของความโศกเศร้าและระยะห่างระหว่าง
ปลาเทียมและอาหาร) และส่งออกเป็น 3 มิติ (ล่าสัตว์หนี
และสุ่มว่ายน้ำ) มิติของท่านทุกคนจะถูกแบ่งออก
เป็นห้า subspaces ซึ่งส่งผลรวมของ 625 ช่องว่าง แต่ละ
พื้นที่มีการป้อนข้อมูลของตัวเองและการป้อนข้อมูลแต่ละสอดคล้องกับหลาย ๆ คน
ที่อยู่พื้นที่น้ำหนัก ด้วยวิธีนี้ทั่วไปของ
CMAC จะเกิดขึ้น

ผลลัพธ์ (ไทย) 3:

ที่อ้างรายงานของโครงข่ายประสาทเทียมเป็นแบบอัลกอริทึม มันจะ
คำนวณและเปรียบเทียบกับผลที่เกิดขึ้นจริง คาดว่าหลังจากเสร็จสิ้นการเรียน
ออกทุกครั้ง แล้วมันแก้ไข
เครือข่ายน้ำหนักค่าอย่างต่อเนื่องและรถไฟตัวอย่างจน
ตรงตามความต้องการ วัตถุประสงค์ของการเรียนจะลด
d-value ระหว่างผลผลิตจริง และคาดว่าการส่งออก ผ่านการเรียนรู้ของ CMAC
,พฤติกรรมการตัดสินใจของ
ปลาเทียมได้ เราสามารถสรุปได้จากข้างบน
ที่ใส่ของ CMAC นิวรอลเน็ตเวิร์ก 4D ( ระดับของความกลัว
ระดับของความสุข ระดับของความเศร้า และระยะห่างระหว่าง
เทียมปลาและอาหาร ) และการแสดงผลเป็น 3D ( ล่าหนี
สุ่มว่าย ) ทุกมิติของข้อมูลจะแบ่งออกเป็นห้า subspaces
, ซึ่งผลในการรวม 625 คันแต่ละพื้นที่ของตัวเอง
นำเข้าและปัจจัยแต่ละสอดคล้องกับที่อยู่พื้นที่น้ำหนักหลาย

ในวิธีนี้การแผ่ขยาย
ซีมักมีรูปแบบ .