stance, Lippmann (1987) provides an

stance, Lippmann (1987) provides an excellent overview of
neural networks for the signal processing community. There


1. INTRODUCTION
Neural networks have recently received a great deal of at­ tention in many fields of study. The excitement stems from the fact that these networks are attempts to model the capa­ bilities of the human brain. People are naturally attracted by attempts to create human-like machines, a Frankenstein ob­ session, if you will. On a practical level the human brain has many features that are desirable in an electronic computer. The human brain has the ability to generalize from abstract ideas, recognize patterns in the presence of noise, quickly recall memories, and withstand localized damage. From a statistical perspective neural networks are interesting be­ cause of their potential use in prediction and classification problems.
Neural networks have been used for a wide variety of applications where statistical methods are traditionally em­ ployed. They have been used in classification problems such as identifying underwater sonar contacts (Gorman and Se-

are also a number of good introductory books on neural networks, with Hertz, Krogh, and Palmer (1991) providing
a good mathematical description, Smith (1993) explaining backpropagation in an applied setting, and Freeman (1994) using examples and code to explain neural networks. There have also been papers relating neural networks and statisti­ cal methods (Buntine and Weigend 1991; Ripley 1992; Sarle 1994; Werbos 1991). One of the best for a general overview is Ripley (1993).
This article intends to provide a short, basic introduc­tion of neural networks to scientists, statisticians, engineers, and professionals with a mathematical and statistical back­ ground. We achieve this by contrasting regression models with the most popular neural network tool, a feedforward multilayered network trained using backpropagation. This paper provides an easy to understand introduction to neural networks, avoiding the overwhelming complexities of many other papers comparing these techniques.
Section 2 discusses the history of neural networks. Sec­tion 3 explains the nomenclature unique to the neural net­work community, and provides a detailed derivation of the backpropagation learning algorithm. Section 4 shows an equivalence between regression and neural networks. It demonstrates the methods on three examples. Two exam­ples are simulated data where the underlying functions are known, and the third is on data from the Department of Veterans Affairs Continuous Improvement in Cardiac Surgery Program (Hammermeister, Johnson, Marshall, and Grover 1994). These examples demonstrate the ideas in the paper, and clarify when one method would be preferred over the other.

ผลลัพธ์ (ไทย) 2:

ท่าทางแมนน์ (1987) ให้ภาพรวมที่ดีของ
เครือข่ายประสาทสำหรับชุมชนในการประมวลผลสัญญาณ มี1 บทนำโครงข่ายประสาทเทียมเพิ่งได้รับการจัดการที่ดีของที่ tention ในหลายสาขาวิชา ความตื่นเต้นที่เกิดขึ้นจากความจริงที่ว่าเครือข่ายเหล่านี้พยายามที่จะจำลอง bilities CAPA ของสมองมนุษย์ คนสนใจตามธรรมชาติโดยพยายามที่จะสร้างเครื่องเหมือนมนุษย์เซสชั่น OB Frankenstein ถ้าคุณจะ ในระดับการปฏิบัติสมองของมนุษย์มีคุณสมบัติมากมายที่เป็นที่พึงประสงค์ในคอมพิวเตอร์อิเล็กทรอนิกส์ สมองของมนุษย์มีความสามารถในการพูดคุยจากความคิดนามธรรมรู้รูปแบบในการแสดงตนของเสียงได้อย่างรวดเร็วเรียกคืนความทรงจำและทนต่อความเสียหายที่มีการแปล จากมุมมองทางสถิติเครือข่ายประสาทมีความน่าสนใจเป็นสาเหตุของการใช้ศักยภาพของพวกเขาในการคาดการณ์ปัญหาและการจำแนก. โครงข่ายประสาทเทียมมีการใช้ความหลากหลายของการใช้งานที่วิธีการทางสถิติเป็นประเพณี em ployed พวกเขาได้ถูกนำมาใช้ในการจัดหมวดหมู่ปัญหาเช่นการระบุรายชื่อโซนาร์ใต้น้ำ (กอร์แมนและซีเอ็ดนี้ยังมีจำนวนของหนังสือที่ดีในเบื้องต้นเครือข่ายประสาทกับเฮิรตซ์ Krogh และพาลเมอร์ (1991) การให้คำอธิบายทางคณิตศาสตร์ดีสมิ ธ (1993) อธิบายแพร่กระจายย้อนกลับในการตั้งค่านำไปใช้และฟรีแมน (1994) โดยใช้ตัวอย่างและรหัสที่จะอธิบายเครือข่ายประสาทมีนอกจากนี้ยังได้รับเอกสารที่เกี่ยวข้องกับเครือข่ายประสาทและวิธีการ Cal statisti (Buntine และ Weigend 1991; Ripley 1992 Sarle ปี 1994 Werbos 1991).. หนึ่ง สิ่งที่ดีที่สุดสำหรับภาพรวมทั่วไปคือริปลีย์ (1993). บทความนี้ตั้งใจที่จะให้สั้นแนะนำขั้นพื้นฐานของเครือข่ายประสาทที่นักวิทยาศาสตร์นักสถิติ, วิศวกรและผู้เชี่ยวชาญด้านการกับคณิตศาสตร์และสถิติพื้นหลัง. เราบรรลุนี้โดยตัดกันแบบจำลองการถดถอย ด้วยเครื่องมือที่นิยมมากที่สุดเครือข่ายประสาทเครือข่ายพหุคราทผ่านการฝึกอบรมการใช้แพร่กระจายย้อนกลับ. กระดาษนี้ให้ง่ายต่อการเข้าใจเบื้องต้นเกี่ยวกับเครือข่ายประสาทหลีกเลี่ยงความซับซ้อนครอบงำของเอกสารอื่น ๆ อีกมากมายการเปรียบเทียบเทคนิคเหล่านี้. ส่วนที่ 2 กล่าวถึงความเป็นมาของเครือข่ายประสาท ส่วนที่ 3 อธิบายศัพท์ที่ไม่ซ้ำกันในชุมชนเครือข่ายประสาทและให้มีรากศัพท์รายละเอียดของขั้นตอนวิธีการเรียนรู้ที่แพร่กระจายย้อนกลับ หมวดที่ 4 การแสดงให้เห็นถึงความเท่าเทียมกันระหว่างการถดถอยและโครงข่ายประสาทเทียม มันแสดงให้เห็นวิธีการในสามตัวอย่าง ตัวอย่างที่สองข้อมูลจำลองที่ฟังก์ชั่นพื้นฐานที่เป็นที่รู้จักและคนที่สามอยู่บนข้อมูลจากกรมกิจการทหารผ่านศึกปรับปรุงอย่างต่อเนื่องในโครงการผ่าตัดหัวใจ (Hammermeister จอห์นสัน, มาร์แชลล์และโกรเวอร์ 1994) ตัวอย่างเหล่านี้แสดงให้เห็นถึงความคิดในกระดาษและชี้แจงเมื่อวิธีการหนึ่งที่จะเป็นที่ต้องการในช่วงอื่น ๆ

ผลลัพธ์ (ไทย) 3:

ท่าทาง ลิพพ์มานน์ ( 1987 ) ให้ภาพรวมของยอดเยี่ยมโครงข่ายประสาทเทียมเพื่อประมวลผลสัญญาณ ของชุมชน มี1 . แนะนำโครงข่ายประสาทเทียมที่เพิ่งได้รับมากองที่ tention ในหลายสาขาของการศึกษา ความตื่นเต้นเกิดขึ้นจากความจริงที่ว่าเครือข่ายเหล่านี้มีความพยายามที่จะแบบ Capa อง bilities ของสมองมนุษย์ คนธรรมชาติดึงดูดโดยพยายามที่จะสร้างมนุษย์เหมือนเครื่องจักร , Frankenstein OB องเซสชัน ถ้าคุณจะ ในระดับปฏิบัติ สมองของมนุษย์มีองค์ประกอบมากมายที่พึงปรารถนาในคอมพิวเตอร์อิเล็กทรอนิกส์ สมองของมนุษย์มีความสามารถในการอนุมานจาก แนวคิดที่เป็นนามธรรม จำรูปแบบในการแสดงเสียงได้อย่างรวดเร็วเรียกคืนความทรงจำ และทนต่อความเสียหายของถิ่น . จากมุมมองทางสถิติเครือข่ายประสาทเป็นที่น่าสนใจเป็นองสาเหตุของการใช้ศักยภาพของพวกเขาในปัญหาพยากรณ์และการจำแนกโครงข่ายประสาทเทียมถูกใช้สำหรับหลากหลายของการใช้งานที่สถิติที่เป็นผ้าเลยอง ployed . พวกเขาได้รับใช้ในการระบุปัญหา เช่นติดต่อโซนาร์ใต้น้ำ ( เซ - กอร์แมน และนอกจากนี้ยังมีจำนวนของหนังสือเบื้องต้นที่ดีบนเครือข่ายประสาทกับเฮิรตซ์ โคร และพาลเมอร์ ( 1991 ) ให้ที่ดีทางคณิตศาสตร์อธิบาย สมิธ ( 1993 ) ในการอธิบายแบบประยุกต์ และ ฟรีแมน ( 1994 ) การใช้ตัวอย่างและรหัสเพื่ออธิบายเครือข่ายประสาท นอกจากนี้ยังมีเอกสารที่เกี่ยวกับโครงข่ายประสาทเทียมและสถิติองแคลวิธี ( buntine weigend 1991 และ 1992 ; * ; sarle 1994 ; เวอร์โบส 1991 ) หนึ่งในดีที่สุดสำหรับภาพรวมทั่วไป * ( 1993 )บทความนี้ตั้งใจที่จะให้แนะนำสั้นขั้นพื้นฐาน องผ่านโครงข่ายนักวิทยาศาสตร์ , สถิติ , วิศวกรและผู้เชี่ยวชาญกับคณิตศาสตร์และสถิติองกลับพื้นดิน เราบรรลุนี้โดยตัดตัวแบบการถดถอยที่มีความนิยมมากที่สุดเครื่องมือเครือข่ายประสาท , มัลติเลเยอร์เครือข่ายโดยใช้แบบฝึกไปข้างหน้า . กระดาษนี้ให้ง่ายต่อการเข้าใจพื้นฐานโครงข่ายประสาทเทียมที่หลีกเลี่ยงความซับซ้อนยุ่งยากของหลาย ๆเอกสารเปรียบเทียบเทคนิคเหล่านี้ส่วนที่ 1 กล่าวถึงประวัติของโครงข่ายประสาทเทียม วินาที , 3 องอธิบายการเรียกชื่อซ้ำกับประสาทสุทธิองงานชุมชน และให้มีรายละเอียดของแบบการเรียนรู้ขั้นตอนวิธี ส่วนที่ 4 แสดงความสมดุลระหว่างการถดถอยและโครงข่ายประสาทเทียม จะแสดงวิธีการทั้งสามตัวอย่าง สอง ples องสอบเป็นข้อมูลจำลองที่ต้นแบบฟังก์ชันเป็นที่รู้จักกัน และอย่างที่สามคือ ข้อมูลจากกรมพัฒนาอย่างต่อเนื่องในโครงการผ่าตัดหัวใจ ( hammermeister จอห์นสัน มาร์แชล และโกรเวอร์ 1994 ) ตัวอย่างเหล่านี้แสดงให้เห็นถึงความคิดในกระดาษ และชี้แจงเมื่อวิธีการหนึ่งจะต้องผ่านอีก