The INNC consists of a multi-layer

The INNC consists of a multi-layer feed-forward
perceptron (MLP) with sigmoidal nodes in its hidden and
output layers. This MLP is trained with classic error backpropagation
(BP) learning rule [I]. An iterative, closed
loop scheme is used in the sense that the parameter settings
produced by the INNC when it is first executed (iteration
1) are used to generate wire bonds. The resulting BS and
SSD measures along with the value of the setting
themselves are input to the INNC to produce another round
of settings (iteration 2). This iterative procedure is
continued until the BS and SSD measures reach a steady
state value close to the desired values

ผลลัพธ์ (ไทย) 1:

INNC ประกอบด้วยอาหารหลายชั้นเป็นไปเพอร์เซปตรอน (MLP) กับโหน sigmoidal ในการซ่อน และผลชั้น คือการฝึกอบรมนี้ MLP กับ backpropagation ข้อผิดพลาดที่คลาสสิกกฎการเรียนรู้ (BP) [I] การซ้ำ ปิดวงแผนจะใช้ในแง่ที่การตั้งค่าพารามิเตอร์ผลิต โดย INNC เมื่อมีการดำเนินการ (เกิดซ้ำครั้งแรก1) จะใช้ในการสร้างพันธบัตรลวด BS ผลลัพธ์ และมาตรการ SSD ด้วยค่าของการตั้งค่าตัวเองกำลังป้อนเข้า INNC ในการผลิตอีกรอบการตั้งค่า (เกิดซ้ำ 2) ขั้นตอนนี้ซ้ำอย่างต่อเนื่องจนกว่ามาตรการ BS และ SSD ถึง steady การสถานะค่าใกล้กับค่าที่ระบุ

ผลลัพธ์ (ไทย) 2:

INNC ประกอบด้วยฟีดไปข้างหน้าหลายชั้น
ตรอน (MLP) กับโหนด sigmoidal ในที่ซ่อนอยู่และของ
ชั้นเอาท์พุท MLP นี้คือการฝึกอบรมที่มีแพร่กระจายย้อนกลับข้อผิดพลาดคลาสสิก
(BP) กฎการเรียนรู้ [I] ซ้ำปิด
โครงการห่วงถูกนำมาใช้ในแง่ที่ว่าการตั้งค่าพารามิเตอร์
ที่ผลิตโดย INNC เมื่อมีการดำเนินการเป็นครั้งแรก (ซ้ำ
1) ถูกนำมาใช้ในการสร้างพันธบัตรลวด ผล BS และ
มาตรการ SSD พร้อมกับมูลค่าของการตั้งค่าที่
ตัวเองเข้ากับ INNC การผลิตอีกรอบ
การตั้งค่า (ซ้ำ 2) ขั้นตอนนี้ซ้ำแล้วซ้ำอีกจะ
ต่อเนื่องไปจนถึงมาตรการ BS และ SSD ถึงความมั่นคง
ของรัฐค่าใกล้เคียงกับค่าที่ต้องการ

ผลลัพธ์ (ไทย) 3:

การ innc ประกอบด้วยหลายชั้น feed-forward
PERCEPTRON ( MLP ) กับ sigmoidal โหนดในที่ซ่อนและ
ออกชั้น MLP นี้ได้รับการฝึกฝนกับข้อผิดพลาดคลาสสิกแบบ
( BP ) เรียนรู้กฎ [ ฉัน ] การกล่าวซ้ำ , โครงการปิดวง
ใช้ในความรู้สึกว่า การตั้งค่าพารามิเตอร์
ผลิต โดย innc เมื่อมันเป็นครั้งแรกที่ดำเนินการ ( ซ้ำ
1 ) ถูกใช้เพื่อสร้างสายใยลวด ส่งผลให้ BS และ
SSD มาตรการพร้อมกับค่าของ
ตัวเองการตั้งค่าเข้า innc ผลิตอีกรอบ
ของการตั้งค่า ( รูปที่ 2 ) ขั้นตอนซ้ำนี้
อย่างต่อเนื่องจน BS และมาตรการ SSD ถึงมั่นคง
รัฐมูลค่าใกล้เคียงกับค่านิยมที่พึงประสงค์