The self-organizing map (SOM), as a

The self-organizing map (SOM), as a kind of unsupervised neural network, has been used for both static
data management and dynamic data analysis. To further exploit its search abilities, in this paper we
propose an SOM-based algorithm (SOMS) for optimization problems involving both static and dynamic
functions. Furthermore, a new SOM weight updating rule is proposed to enhance the learning efficiency;
this may dynamically adjust the neighborhood function for the SOM in learning system parameters. As
a demonstration, the proposed SOMS is applied to function optimization and also dynamic trajectory
prediction, and its performance compared with that of the genetic algorithm (GA) due to the similar

ผลลัพธ์ (ไทย) 1:

(ส้ม), แผนที่ตนเองจัดเป็นชนิดของข่ายประสาทขั่ว ใช้สำหรับทั้งสองสถิตการจัดการข้อมูลและการวิเคราะห์ข้อมูลแบบไดนามิก การใช้ประโยชน์เพิ่มเติม ความสามารถค้นหา ในกระดาษเราเสนอการส้มตามอัลกอริทึม (SOMS) ปัญหาเกี่ยวข้องกับไฟฟ้าสถิตและไดนามิกฟังก์ชัน นอกจากนี้ มีน้ำหนักส้มใหม่ปรับปรุงกฎจะเสนอให้เพิ่ม efficiency การเรียนรู้นี้แบบไดนามิกอาจปรับการทำงานย่านส้มในพารามิเตอร์ของระบบการเรียนรู้ เป็นสาธิต SOMS เสนอถูกนำไปใช้เพื่อเพิ่มประสิทธิภาพการทำงาน และวิถีแบบไดนามิกทำนาย และประสิทธิภาพเมื่อเทียบกับที่ของขั้นตอนวิธีพันธุกรรม (GA) เนื่องจากคล้ายกัน

ผลลัพธ์ (ไทย) 2:

แผนที่จัดการตนเอง (SOM) เป็นชนิดของเครือข่ายประสาทหากินได้ถูกนำมาใช้ทั้งแบบคงที่
การจัดการข้อมูลและการวิเคราะห์ข้อมูลแบบไดนามิก เพื่อเป็นการใช้ประโยชน์จากความสามารถในการค้นหาของในบทความนี้เรา
นำเสนออัลกอริทึม SOM-based (SOMS) สำหรับปัญหาการเพิ่มประสิทธิภาพเกี่ยวข้องทั้งแบบคงที่และแบบไดนามิก
ฟังก์ชั่น นอกจากนี้กฎน้ำหนัก SOM การปรับปรุงใหม่จะเสนอให้เพิ่มประสิทธิภาพในการเรียนรู้ E FFI ciency;
แบบนี้อาจปรับฟังก์ชั่นพื้นที่ใกล้เคียงสำหรับ SOM ในการเรียนรู้พารามิเตอร์ของระบบ ขณะที่
การสาธิตการ SOMS เสนอถูกนำไปใช้เพื่อเพิ่มประสิทธิภาพการทำงานและวิถีแบบไดนามิก
การทำนายและประสิทธิภาพการทำงานของมันเมื่อเทียบกับที่ของขั้นตอนวิธีพันธุกรรม (GA) เนื่องจากการที่คล้ายกัน

ผลลัพธ์ (ไทย) 3:

ที่บนแผนที่ ( SOM ) เป็นชนิดของโครงข่ายประสาทเทียม โดยขาดการควบคุม มีการใช้ทั้งแบบคงที่การจัดการข้อมูลและการวิเคราะห์ข้อมูลแบบไดนามิก ใช้ประโยชน์จากความสามารถในการค้นหาเพิ่มเติม ในกระดาษนี้เราเสนอซึ่งใช้ขั้นตอนวิธี ( บางครั้ง ) เพิ่มประสิทธิภาพปัญหาที่เกี่ยวข้องกับทั้งแบบคงที่และแบบไดนามิกฟังก์ชัน นอกจากนี้ ยังมีการปรับปรุงกฎใหม่ซมน้ำหนักเสนอเพื่อเพิ่มประสิทธิภาพการเรียนรู้ E ffi ;แบบไดนามิกนี้อาจปรับเปลี่ยนฟังก์ชั่นใกล้เคียงสำหรับส้มในพารามิเตอร์การเรียนรู้ระบบ เป็นการสาธิตที่เสนอ บางครั้งใช้ฟังก์ชันที่เหมาะสมและวิถีแบบไดนามิกทำนายและประสิทธิภาพเมื่อเทียบกับของขั้นตอนวิธีเชิงพันธุกรรม ( GA ) เนื่องจากการคล้ายคลึงกัน