en stronger.The implementation of t

en stronger.
The implementation of the above algorithm is quite easy;
each weight vector Gi is randomly initialized, and then the
above two steps are iterated until the iteration converges or
freezes as the learning rate a, becomes zero or very small, or
until the number of iterations reaches a prespecified value.
For a data set D consisting of several clusters of samples
(e.g., three clusters as shown in Fig. l(a)), when the number
of units k is equal to the number of these clusters, the desired
results of implementing the above algorithm should be that the
weight vector of each unit is moved to the center of one of
the clusters (Fig. l(a)) regardless of the initial values of these
weight vectors. However, the actual results highly depend on
the initial weight vectors. For example, even for a two clusters
problem shown in Fig. l(b), when the two weight vectors
GI,G2 are initialized at positions A I ,B1, respectively, they
finally move to the center points of the two clusters after the
learning has converged. However, when dl is initialized at
position A2 and G2 at B2, the result of (1) will always be

ผลลัพธ์ (ไทย) 1:

น้ำแข็งงานของอัลกอริทึมดังกล่าวจะค่อนข้างง่ายแต่ละเวกเตอร์น้ำหนักจิสุ่มเริ่มต้น และการข้างบนสองขั้นตอนเป็นทวิภาควนซ้ำจนกว่า converges ที่เกิดซ้ำ หรือตอบสนองอัตราการเรียนรู้ กลายเป็นศูนย์ หรือขนาด เล็กมาก หรือจนกว่าจำนวนการคำนวณซ้ำถึงค่า prespecifiedสำหรับข้อมูลการตั้งค่า D ประกอบด้วยคลัสเตอร์หลายอย่าง(เช่น 3 คลัสเตอร์มาก Fig. l(a)) เมื่อค่าหน่วยของ k คือเท่ากับจำนวนของคลัสเตอร์เหล่านี้ ที่ต้องผลของการใช้อัลกอริทึมข้างบนควรที่จะน้ำหนักเวกเตอร์ของแต่ละหน่วยจะถูกย้ายไปแห่งหนึ่งคลัสเตอร์ (l(a)) Fig. โดยค่าเริ่มต้นเหล่านี้น้ำหนักเวกเตอร์ อย่างไรก็ตาม ผลจริงสูงขึ้นอยู่กับน้ำหนักเริ่มต้นเวกเตอร์ ตัวอย่าง สำหรับคลัสเตอร์ที่สองปัญหาที่แสดงใน Fig. l(b) สองน้ำหนักเวกเตอร์GI, G2 จะเริ่มต้นที่ตำแหน่ง A I บี 1 ตามลำดับ พวกเขาสุดท้าย ย้ายไปยังจุดศูนย์กลางของคลัสเตอร์ที่สองหลังจากเรียนรู้มี converged อย่างไรก็ตาม เมื่อ dl ได้เริ่มต้นที่ตำแหน่ง A2 และ G2 ที่ B2 จะเป็นผลมาจาก (1)

ผลลัพธ์ (ไทย) 2:

. en
แข็งแกร่งการดำเนินการขั้นตอนวิธีการดังกล่าวข้างต้นเป็นเรื่องง่ายมาก;
แต่ละน้ำหนักเวกเตอร์กิจะเริ่มต้นสุ่มแล้วข้างต้นทั้งสองขั้นตอนซ้ำจนกว่า converges ซ้ำหรือค้างในขณะที่อัตราการเรียนรู้จะกลายเป็นศูนย์หรือมีขนาดเล็กมากหรือจนจำนวนซ้ำถึงค่า prespecified. สำหรับข้อมูลชุด D ประกอบด้วยหลายกลุ่มตัวอย่าง(เช่นสามกลุ่มดังแสดงในรูป. ลิตร (ก)) เมื่อจำนวนหน่วยk จะเท่ากับจำนวนของกลุ่มเหล่านี้ ที่ต้องการผลของการดำเนินการขั้นตอนวิธีการดังกล่าวข้างต้นที่ควรจะเป็นว่าเวกเตอร์น้ำหนักของแต่ละหน่วยจะถูกย้ายไปยังศูนย์กลางของหนึ่งในกลุ่ม(รูปที่ล. (ก)) โดยไม่คำนึงถึงค่าเริ่มต้นของเหล่านี้เป็นพาหะน้ำหนัก อย่างไรก็ตามผลที่เกิดขึ้นจริงสูงขึ้นอยู่กับเวกเตอร์น้ำหนักเริ่มต้น ยกตัวอย่างเช่นแม้เป็นสองกลุ่มปัญหาที่แสดงในรูป ลิตร (ข) เมื่อทั้งสองน้ำหนักเวกเตอร์GI, G2 จะเริ่มต้นที่ตำแหน่งไอบี 1 ตามลำดับพวกเขาในที่สุดก็ย้ายไปที่จุดศูนย์ของทั้งสองกลุ่มหลังจากที่เรียนรู้ได้แปรสภาพ แต่เมื่อดลจะเริ่มต้นที่ตำแหน่ง A2 และ G2 ที่ B2, ผลมาจาก (1) จะเป็น

ผลลัพธ์ (ไทย) 3:

และแข็งแกร่ง .
การใช้งานของอัลกอริทึมดังกล่าวค่อนข้างง่าย ;
แต่ละเวกเตอร์น้ำหนักกีสุ่มเริ่มต้นแล้ว
ข้างบนสองขั้นตอนซ้ำจนซ้ำๆหรือ
ค้างเป็นอัตราการเรียนรู้ , กลายเป็นศูนย์ หรือขนาดเล็กมาก หรือจนกว่าจำนวนของรอบ

มาถึงจรค่า สำหรับชุดข้อมูล D ประกอบด้วยหลายกลุ่มของตัวอย่าง
( เช่น3 กลุ่มดังแสดงในรูปที่ 1 ( a ) เมื่อจํานวน
หน่วย K จะเท่ากับจำนวนกลุ่มนี้ ผลของการใช้อัลกอริทึมที่ต้องการ

ข้างต้น จะว่าน้ำหนักเวกเตอร์ของแต่ละหน่วยจะย้ายไปยังศูนย์ของหนึ่งในกลุ่ม
( รูป L ( A ) ) ไม่ว่าค่าเริ่มต้นของเวกเตอร์น้ำหนักเหล่านี้

อย่างไรก็ตาม ผลที่เกิดขึ้นจริงสูงขึ้นอยู่กับ
เวกเตอร์น้ำหนักเริ่มต้นตัวอย่างเช่น แม้จะเป็นปัญหาที่แสดงในรูปที่ 2 กลุ่ม
L ( B ) ตอนสองเวกเตอร์
น้ำหนักกี , G2 จะเริ่มต้นที่ตำแหน่ง I , B1 , ตามลำดับ , พวกเขา
ในที่สุดย้ายไปศูนย์จุดสองกลุ่มหลัง
การเรียนรู้ได้แปรสภาพ . อย่างไรก็ตาม เมื่อ DL จะเริ่มต้นที่ตำแหน่ง A2 และ G2
ที่ 2 ผล ( 1 ) มักจะเป็น