In this paper, a Local Linear Radia

In this paper, a Local Linear Radial Basis Function Neural Network (LLRBFN) is proposed. In this way the connection weights between the hidden layer units and output units of the RBFN are replaced by a local linear model. In comparison of LLRBFN and RBFN, the LLRBFN requires less number of neurons than the RBFN to approximate the same nonlinear system thus the LLRBFN is more efficient because the ability of approximation has been increasedbyplacingalocallinearmodelinsteadofthehidden layerunits

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ มีเสนอภายในเส้นรัศมีพื้นฐานฟังก์ชันประสาทเครือข่าย (LLRBFN) วิธีนี้ น้ำหนักเชื่อมต่อระหว่างหน่วยชั้นซ่อนและหน่วยแสดงผลของ RBFN จะถูกแทนที่ โดยแบบจำลองเชิงเส้นในท้องถิ่น ในการเปรียบเทียบของ LLRBFN และ RBFN, LLRBFN ต้องน้อยกว่าจำนวน neurons กว่า RBFN การประมาณระบบไม่เชิงเส้นเดียวกันดัง LLRBFN efficient เพิ่มเติมได้เนื่องจากความสามารถของประมาณได้ increasedbyplacingalocallinearmodelinsteadofthehidden layerunits

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เป็นเกณฑ์ในรัศมีเชิงเส้นท้องถิ่นฟังก์ชั่นเครือข่ายประสาทเทียม (LLRBFN) จะเสนอ ด้วยวิธีนี้น้ำหนักการเชื่อมต่อระหว่างหน่วยชั้นที่ซ่อนอยู่และหน่วยการส่งออกของ RBFN จะถูกแทนที่ด้วยรูปแบบเชิงเส้นในท้องถิ่น ในการเปรียบเทียบของ LLRBFN และ RBFN ที่ LLRBFN ต้องมีจำนวนน้อยกว่าของเซลล์ประสาท RBFN ที่จะใกล้เคียงกับระบบไม่เชิงเส้นเดียวกันจึง LLRBFN เป็นไฟเพียงพอ EF มากขึ้นเพราะความสามารถในการได้รับการประมาณ increasedbyplacingalocallinearmodelinsteadofthehidden layerunits

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ภายในฟังก์ชันเชิงเส้นพื้นฐานโครงข่ายประสาทเรเดียล ( llrbfn ) เสนอ ในวิธีนี้การเชื่อมต่อน้ำหนักระหว่างชั้นซ่อนหน่วยและผลผลิตของหน่วย rbfn จะถูกแทนที่โดยท้องถิ่นเชิงเส้นแบบ ในการเปรียบเทียบ และ rbfn llrbfn ,การ llrbfn ต้องน้อยกว่าจำนวนเซลล์ประสาทกว่า rbfn ประมาณเดียวกันระบบไม่เชิงเส้นจึง llrbfn มากขึ้นจึง cient EF เพราะความสามารถในการได้รับ increasedbyplacingalocallinearmodelinsteadofthehidden layerunits