3.2. Neural Classifier Configuratio

3.2. Neural Classifier Configuration
The classifiers chosen for the task of SPV and character classification was a feed-forward Multi-layered Perceptron (MLP) trained with the resilient backpropagation (BP) algorithm. For experimental purposes, the architectures were
modified varying the number of inputs, outputs and hidden units. The number of inputs to each network was associated with the size of the feature vector for each image. Various vector dimensions were investigated. The most uccessful
vector configurations were of size 80 for SPV and 120 for character classification (using MDF).

ผลลัพธ์ (ไทย) 2:

3.2 ประสาทการกำหนดค่าลักษณนาม
ลักษณนามเลือกสำหรับการทำงานของเอสพีวีและการจัดตัวอักษรเป็นฟีดไปข้างหน้าหลายชั้น Perceptron (MLP) การฝึกอบรมที่มีความยืดหยุ่น backpropagation (BP) อัลกอริทึม เพื่อวัตถุประสงค์ในการทดลองสถาปัตยกรรมที่ถูก
ปรับเปลี่ยนที่แตกต่างกันจำนวนของปัจจัยการผลิตผลผลิตและหน่วยงานที่ซ่อน จำนวนของปัจจัยการผลิตให้กับแต่ละเครือข่ายที่มีความสัมพันธ์กับขนาดของเวกเตอร์คุณลักษณะแต่ละภาพ มิติเวกเตอร์ต่าง ๆ การตรวจสอบ ส่วนใหญ่ uccessful
การกำหนดค่าเวกเตอร์มีขนาด 80 SPV และ 120 สำหรับการจำแนกตัวอักษร (โดยใช้ไม้ MDF)

ผลลัพธ์ (ไทย) 3:

3.2 . คำลักษณนามประสาทค่า
เลือกสำหรับงานที่เกี่ยวข้องกับการจำแนกอักษรเป็น feed-forward เพอร์เซปตรอนหลายชั้น ( MLP ) กับการฝึกแบบยืดหยุ่น ( BP ) ขั้นตอนวิธี เพื่อทดลอง มีการเปลี่ยนแปลงสถาปัตยกรรม
จำนวนปัจจัยการผลิต ผลผลิต และซ่อนหน่วยจำนวนของปัจจัยการผลิตแต่ละเครือข่ายมีความสัมพันธ์กับขนาดของเวกเตอร์คุณลักษณะในแต่ละภาพ มิติเวกเตอร์ต่าง ๆ คือ การตั้งค่าเวกเตอร์ที่ประสบความสำเร็จมากที่สุด คือ ขนาด 80
รายได้และ 120 ในการจำแนกตัวอักษร ( ใช้ MDF ) .