The initial values of C and D are c

The initial values of C and D are chosen at the center of
the normalized vector space. Then they are allowed to
change slightly in the vicinity of the original reference
vector. For each combination of vector C and D, the speed
error is noted and the combination that generates the least
error shall be declared the winner and takes over as the
reference vector pair for the next cycle of learning. The
new cycle of learning will be exactly the same as the
previous cycle. Learning shall stop when the speed error
has reached a tolerable value. The weights of the neural
network shall be taken from the final values of C and D.
111 THE FUZZY LOGIC MODEL
The fuzzy logic model proposed uses the speed error,
e(k), as a direct input and from this information, the rate
of change of error de(k), which is the derived input, is
computed. Fig. 3 shows the fuzzification process.

ผลลัพธ์ (ไทย) 1:

มีเลือกค่าเริ่มต้นของ C และ D ที่พื้นที่มาตรฐานของเวกเตอร์ แล้วที่อนุญาตให้เปลี่ยนแปลงเล็กน้อยตั้งอ้างอิงต้นฉบับเวกเตอร์ สำหรับแต่ละชุดของเวกเตอร์ C และ D ความเร็วบันทึกข้อผิดพลาด และการผสมผสานที่สร้างน้อยที่สุดข้อผิดพลาดจะมีประกาศผู้ชนะและจะผ่านเป็นอ้างอิงคู่เวกเตอร์สำหรับรอบถัดไปของการเรียนรู้ ที่รอบใหม่ของการเรียนรู้จะตรงเหมือนกับรอบก่อนหน้านี้ เรียนรู้จะหยุดเมื่อข้อผิดพลาดความเร็วได้ถึงค่า tolerable น้ำหนักของตัวประสาทเครือข่ายจะนำมาจากค่าสุดท้ายของ C และ d111 ตรรกศาสตร์แบบนำเสนอแบบตรรกศาสตร์ใช้ข้อผิดพลาดความเร็วe(k) ป้อนข้อมูลโดยตรง และ จาก ข้อมูลนี้ อัตราการเปลี่ยนแปลงของข้อผิดพลาด de(k) ซึ่งเป็นการป้อนข้อมูลที่ได้รับ มีคำนวณ Fig. 3 แสดงการ fuzzification

ผลลัพธ์ (ไทย) 2:

ค่าเริ่มต้นของ C และ D ได้รับการแต่งตั้งเป็นศูนย์กลางของ
ปริภูมิเวกเตอร์ปกติ แล้วพวกเขาจะได้รับอนุญาตให้
มีการเปลี่ยนแปลงเล็กน้อยในบริเวณใกล้เคียงของเดิมอ้างอิง
เวกเตอร์ สำหรับการรวมกันของเวกเตอร์ C และ D แต่ละความเร็ว
ผิดพลาดถูกตั้งข้อสังเกตและการรวมกันที่สร้างน้อย
ข้อผิดพลาดจะได้รับการประกาศผู้ชนะและจะใช้เวลามากกว่าเป็น
คู่เวกเตอร์อ้างอิงสำหรับรอบถัดไปของการเรียนรู้
รอบใหม่ของการเรียนรู้ที่จะเป็นเหมือนกับ
รอบก่อนหน้านี้ การเรียนรู้จะหยุดเมื่อเกิดข้อผิดพลาดความเร็ว
ได้ถึงค่าพอประมาณ น้ำหนักของประสาท
เครือข่ายจะถูกนำมาจากค่าสุดท้ายของ C และ D
111 ตรรกศาสตร์รุ่น
รุ่นตรรกศาสตร์เสนอใช้ข้อผิดพลาดความเร็ว
อี (k) เช่นการป้อนข้อมูลโดยตรงและจากข้อมูลนี้อัตรา
ของ การเปลี่ยนแปลงของข้อผิดพลาด (k) ซึ่งเป็นการป้อนข้อมูลที่ได้มาจะถูก
คำนวณ มะเดื่อ 3 แสดงให้เห็นถึงกระบวนการ fuzzification

ผลลัพธ์ (ไทย) 3:

การเริ่มต้นค่าของ C และ D จะเลือกที่ศูนย์ของ
ค่าเวกเตอร์พื้นที่ แล้วพวกเขาจะได้รับอนุญาตที่จะ
เปลี่ยนเล็กน้อยในบริเวณใกล้เคียงของเวกเตอร์อ้างอิง
ต้นฉบับ สำหรับแต่ละชุดของเวกเตอร์ C และ D ความเร็ว
ข้อผิดพลาดไว้และการรวมกันที่สร้างน้อยที่สุด
ข้อผิดพลาดจะเป็นผู้ชนะและจะใช้เวลามากกว่าเป็น
คู่เวกเตอร์อ้างอิงสำหรับรอบต่อไปของการเรียนรู้
วัฏจักรใหม่ของการเรียนรู้จะเหมือนกับ
รอบก่อน การเรียนรู้จะหยุดเมื่อความเร็วข้อผิดพลาด
ได้ถึงค่าได้ น้ำหนักของโครงข่ายประสาทเทียม
จะถูกพรากไปจากค่าสุดท้ายของ C และ D .
0
แบบตรรกศาสตร์ฟัซซี่แบบเสนอใช้ความเร็วข้อผิดพลาด ,
e ( k ) เป็นข้อมูลโดยตรง และจากข้อมูลนี้ อัตรา
เปลี่ยนข้อผิดพลาด de ( K )ซึ่งได้เข้าเป็น
คํานวณ รูปที่ 3 แสดงกระบวนการฟัซซีฟิเคชั่น .