The performance of the pattern clas

The performance of the pattern classifier depends very much on the relevance of the features used in the input vector. There are various methods to investigate how relevant a feature is for the discrimination of a class, all of them seeking to eliminate irrelevant information in the input vector, consequently reducing the size of the system and the number of calculations involved in the process. This work presents new results obtained using the criteria of relevance described in Ref. [12]. This criterion is based on the search for changes in the answers given by the network when a feature used is substituted by its average value. The larger the difference between the replies given by the network, the larger the relevance of the feature [22]. In our previous works [14,15], this criterion was used to evaluate six features initially
employed, but then the classifiers were linear, implemented only with a neuron of the hyperbolic tangent type. Note that the criteria of relevance is calculated using the equation [14,22]:

ผลลัพธ์ (ไทย) 1:

ประสิทธิภาพของ classifier รูปแบบมากขึ้นในความสำคัญของคุณลักษณะในเวกเตอร์อินพุต มีวิธีการต่าง ๆ เพื่อตรวจสอบว่าเกี่ยวข้องคุณลักษณะเป็นการแบ่งแยกของคลา ทั้งหมดของพวกเขาแสวงหาเพื่อกำจัดข้อมูลที่ไม่เกี่ยวข้องในเวกเตอร์อินพุต ดังนั้นการลดขนาดของระบบและหมายเลขของการคำนวณที่เกี่ยวข้องในกระบวนการ งานนี้แสดงผลลัพธ์ใหม่ได้โดยใช้เกณฑ์ความเกี่ยวข้องในอ้างอิง [12] เกณฑ์นี้จะขึ้นอยู่กับการค้นหาการเปลี่ยนแปลงในคำตอบที่กำหนด โดยเครือข่ายเมื่อคุณลักษณะที่ใช้เป็นสิ่งทดแทนสำหรับค่าเฉลี่ย ใหญ่มากความแตกต่างระหว่างการตอบที่กำหนด โดยเครือข่าย ใหญ่ความสำคัญของคุณลักษณะ [22] ในผลงานก่อนหน้านี้ของเรา [14,15], เงื่อนไขนี้ถูกใช้เพื่อประเมินคุณลักษณะ 6 เริ่มลูกจ้าง แต่แล้ว classifiers เชิงเส้น นำไปใช้กับเซลล์ประสาทสัมผัสชนิดไฮเพอร์โบลิเท่านั้น หมายเหตุเกณฑ์ความเกี่ยวข้องจะถูกคำนวณโดยใช้สมการ [14,22]:

ผลลัพธ์ (ไทย) 2:

ประสิทธิภาพการทำงานของรูปแบบคลาสสิกเอ้อ Fi ขึ้นอยู่มากในความเกี่ยวข้องของคุณสมบัติที่ใช้ในการป้อนข้อมูลเวกเตอร์ มีวิธีการต่างๆในการตรวจสอบความเกี่ยวข้องคุณสมบัติสำหรับการเลือกปฏิบัติของชั้นที่มีทั้งหมดของพวกเขากำลังมองหาที่จะกำจัดข้อมูลที่ไม่เกี่ยวข้องในการป้อนข้อมูลเวกเตอร์ดังนั้นการลดขนาดของระบบและจำนวนของการคำนวณส่วนร่วมในกระบวนการ งานนี้นำเสนอผลใหม่ได้โดยใช้เกณฑ์ความที่อธิบายไว้ในการอ้างอิง [12] เกณฑ์นี้จะขึ้นอยู่กับการค้นหาสำหรับการเปลี่ยนแปลงในคำตอบที่ได้รับจากเครือข่ายเมื่อลักษณะการใช้ถูกแทนที่ด้วยค่าเฉลี่ยของ ที่มีขนาดใหญ่ความแตกต่างระหว่างคำตอบที่ได้รับจากเครือข่ายที่มีขนาดใหญ่ความเกี่ยวข้องของคุณลักษณะ [22] ในการทำงานของเราก่อนหน้า [14,15] เกณฑ์นี้ถูกนำมาใช้ในการประเมินคุณสมบัติขั้นต้นหก
ลูกจ้าง แต่แล้ว ERS คลาสสิกไฟเป็นเชิงเส้นดำเนินการเฉพาะกับเซลล์ประสาทของชนิดสัมผัสการผ่อนชำระ โปรดทราบว่าเกณฑ์ของความเกี่ยวข้องที่มีการคำนวณโดยใช้สมการ [14,22]:

ผลลัพธ์ (ไทย) 3:

ประสิทธิภาพของรูปแบบ classi เอ้อจึงขึ้นอยู่กับความเกี่ยวข้องของคุณสมบัติที่ใช้ในการป้อนข้อมูลเวกเตอร์ มีวิธีการต่างๆเพื่อตรวจสอบวิธีการที่เกี่ยวข้องคุณสมบัติสำหรับการเลือกปฏิบัติในชั้นเรียนทั้งหมดของพวกเขาแสวงหาเพื่อขจัดข้อมูลที่ไม่เกี่ยวข้องในการป้อนข้อมูลเวกเตอร์จึงลดขนาดของระบบ และจำนวนของการคำนวณที่เกี่ยวข้องในกระบวนการงานนี้นำเสนอผลลัพธ์ที่ได้ใหม่ โดยใช้เกณฑ์ของความเกี่ยวข้องที่อธิบายไว้ในอ้างอิง [ 12 ] เกณฑ์นี้จะขึ้นอยู่กับการเปลี่ยนแปลงในคำตอบที่ได้รับจากเครือข่ายเมื่อคุณลักษณะที่ใช้ทดแทน โดยเฉลี่ยมูลค่าของมัน มีความแตกต่างระหว่างการตอบกลับที่ได้รับจากเครือข่ายขนาดใหญ่ความเกี่ยวข้องคุณลักษณะ [ 22 ] ในก่อนหน้านี้ของเราทำงาน [ 14,15 ]เกณฑ์นี้ใช้ประเมินคุณสมบัติเบื้องต้น 6
) แต่แล้วจึง classi ERS เป็นเส้นตรง ที่ใช้เฉพาะกับเซลล์ประสาทชนิด hyperbolic tangent . ทราบว่าหลักเกณฑ์ที่เกี่ยวข้องคำนวณโดยใช้สมการ [ 14,22 ] :