4. Summary and discussionVarious me

4. Summary and discussion
Various methods of initialization of adaptive parameters in MLP networks
have been briefly discussed. Initialization of MLPs is still
done more often by randomizing weights [8], although initialization
by prototypes based on initial clusterization presented in [5] and
network construction based on discriminant techniques should give
much better results enabling solutions to complex, real life problems.
Introduction of this methods of network construction should
allow for creation of robust neural systems requiring little optimization
in further training stages. However, for problems requiring
sharp decision borders MLPs trained with the gradient-based techniques
may not be the best models.

ผลลัพธ์ (ไทย) 1:

4. สรุปและอภิปรายวิธีการต่าง ๆ ของการเริ่มต้นของพารามิเตอร์ในเครือข่าย MLP แบบอะแดปทีฟได้รับสั้น ๆ กล่าวถึงการ เป็นการเริ่มต้นของ MLPsทำบ่อย โดย randomizing น้ำหนัก [8], แม้ว่าการเริ่มต้นโดยต้นแบบที่ใช้ clusterization เริ่มต้นที่นำเสนอใน [5] และงานสร้างเครือข่ายตามเทคนิค discriminant ควรให้ผลดีมากเปิดใช้งานการแก้ไขปัญหาชีวิตที่ซับซ้อน จริงควรแนะนำวิธีนี้การสร้างเครือข่ายอนุญาตให้สำหรับการสร้างระบบประสาทแข็งแรงต้องปรับเล็กน้อยในการฝึกขั้นต่อไป อย่างไรก็ตาม สำหรับปัญหาที่ต้องการตัดสินใจขอบ MLPs ฝึกฝน ด้วยเทคนิคใช้การไล่ระดับสีมีความคมไม่ได้รุ่นดีที่สุด

ผลลัพธ์ (ไทย) 2:

4.
สรุปและอภิปรายวิธีการต่างๆของการเริ่มต้นของพารามิเตอร์การปรับตัวในเครือข่ายMLP
ได้รับการกล่าวถึงในเวลาสั้น ๆ การเริ่มต้นของ MLPs
ยังคงทำบ่อยขึ้นโดยสุ่มน้ำหนัก[8]
แม้ว่าจะเริ่มต้นโดยต้นแบบขึ้นอยู่กับclusterization เริ่มต้นที่นำเสนอใน [5] และการสร้างเครือข่ายขึ้นอยู่กับเทคนิคจำแนกควรจะให้ผลลัพธ์ที่ดีกว่ามากที่ช่วยให้การแก้ปัญหาที่ซับซ้อนปัญหาชีวิตจริง. บทนำ วิธีการสร้างเครือข่ายนี้ควรอนุญาตให้มีการสร้างระบบประสาทที่มีประสิทธิภาพต้องมีการเพิ่มประสิทธิภาพของเล็กๆ น้อย ๆในขั้นตอนการฝึกอบรมเพิ่มเติม อย่างไรก็ตามสำหรับปัญหาที่ต้องใช้เส้นขอบที่คมชัด MLPs ตัดสินใจผ่านการฝึกอบรมด้วยเทคนิคการไล่ระดับสีที่ใช้อาจจะไม่เป็นรุ่นที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

4 . สรุปและอภิปรายวิธีการต่างๆของการเริ่มต้นของค่า

มีการปรับตัวใน MLP เครือข่ายสั้น ๆที่กล่าวถึง การเริ่มต้นของ MLPs ยังคง
ทำบ่อย โดยข้อมูลน้ำหนัก [ 8 ] ถึงแม้เริ่มต้น
โดยต้นแบบเบื้องต้น clusterization นำเสนอใน [ 5 ] และสร้างเครือข่ายตามเทคนิคการจำแนก

ควรให้กว่าผลช่วยให้โซลูชั่นที่ซับซ้อน ปัญหาชีวิตจริง .
แนะนำนี้วิธีการสร้างเครือข่าย เพื่อสร้างเสถียรภาพให้

ที่ต้องการเพิ่มประสิทธิภาพระบบประสาทน้อยในขั้นตอนการฝึกอบรมเพิ่มเติม อย่างไรก็ตาม สำหรับปัญหาที่ต้องตัดสินใจ
ขอบคม MLPs ฝึกด้วยการใช้เทคนิค
อาจไม่ได้เป็นแบบที่ดีที่สุด