To achieve this, the MLP possesses

To achieve this, the MLP possesses a number of basic units called neurons [6], [7]. These neurons are arranged in layers in the same way that biological neurons are found in the human brain. The working rules of artificial neurons are also inspired on their biological counterparts. Basically, an artificial neuron computes the weighted sum of its inputs and applies a non- linear function to the result. Inputs for a neuron in a particular layer are the outputs of the neurons in the preceding layer. In the particular case of the first layer, inputs to each neuron are the inputs to the MLP itself. Conversely, outputs of the neurons in the last layer are the very outputs of the MLP.
The fact that every single neuron applies a non-linear function to the sum of its weighted inputs makes the MLP capable of representing complex functions. The weights applied to the inputs of each neuron represent the degrees of freedom of the MLP model. They are modified during the training phase, whereby sets of input vectors and their associated output vectors are sequentially presented to the MLP. The modification of the weights is automatically executed by the training algorithm so as to minimize the difference between a calculated output vector and the corresponding desired output vector. For this reason, MLP training is of supervised type, because reference values for the outputs must be known prior to starting the training phase. Most MLP training algorithms are derived from a basic procedure called Error Back Propagation [5], [6]. MLP training is an iterative procedure that possesses a few control parameters for evaluating convergence and deciding when to stop iterations.
After the training phase is completed, all MLP weights have a well-defined value that will not change in time (unless more training iterations are performed). In this moment, the MLP is ready for use in processing mode, where only input vectors are presented to it.
Besides the ability of constructing representations of complex functions just by processing pairs of input and output vectors (and thus without knowing the underlying analytical expressions), the MLP model offers the following advantages:
i) it is capable of producing a good output vector for an input vector that it never saw during the training phase (generalization ability), and
ii) CPU times required in processing mode are almost always negligible, making the MLP a suitable choice for online applications.

ผลลัพธ์ (ไทย) 1:

เพื่อให้บรรลุนี้ MLP มีจำนวนของหน่วยพื้นฐานที่เรียกว่าเซลล์ประสาท [6], [7] เซลล์ประสาทเหล่านี้จะถูกจัดเรียงในชั้นแบบเดียวกับที่ว่า เซลล์ประสาททางชีวภาพที่พบในสมองของมนุษย์ กฎการทำงานของเซลล์ประสาทเทียมมีแรงบันดาลใจยังบนพวกชีวภาพ โดยทั่วไป ประสาทเทียมคำนวณผลรวมถ่วงน้ำหนักของปัจจัยการผลิตของ และใช้ไม่ใช่ - ฟังก์ชันเชิงเส้นผลลัพธ์ อินพุตสำหรับเซลล์ประสาทในชั้นหนึ่ง ๆ มีผลของเซลล์ประสาทในชั้นก่อนหน้านี้ ในกรณีของชั้นแรก เพื่อแต่ละเซลล์ประสาทมีอินพุตการ MLP เอง ในทางกลับกัน ผลของเซลล์ประสาทในชั้นสุดท้ายมีผลมากของ MLPความจริงที่ว่า ทุกเซลล์ประสาทเดียวกับฟังก์ชันไม่เชิงเส้นจำนวนของอินพุตที่ถ่วงน้ำหนักทำให้ MLP สามารถเป็นตัวแทนของฟังก์ชันที่ซับซ้อน น้ำหนักใช้ปัจจัยการผลิตของแต่ละเซลล์ประสาทแทนองศาความเป็นอิสระของรูปแบบ MLP พวกเขามีเปลี่ยนระหว่างขั้นตอนการฝึกอบรม โดยชุดป้อนเวกเตอร์และเวกเตอร์ผลลัพธ์ที่เกี่ยวข้องของพวกเขาด้วยตามลำดับคำ MLP การเปลี่ยนแปลงของน้ำหนักโดยอัตโนมัติดำเนินการ โดยวิธีการฝึกอบรมเพื่อลดความแตกต่างระหว่างผลลัพธ์การคำนวณเวกเตอร์และเวกเตอร์ผลลัพธ์ที่ต้องการสอดคล้องกัน ด้วยเหตุนี้ การฝึกอบรม MLP เป็นชนิดดูแล เนื่องจากค่าอ้างอิงสำหรับผลที่ต้องทราบก่อนเริ่มขั้นตอนการฝึกอบรม อัลกอริทึมการฝึก MLP ส่วนใหญ่มาจากกระบวนการพื้นฐานที่เรียกว่าข้อผิดพลาดกลับเผยแพร่ [5], [6] ฝึกอบรม MLP เป็นกระบวนการซ้ำที่มีกี่ควบคุมพารามิเตอร์สำหรับการประเมินแบบร่วมกัน และการตัดสินใจเมื่อหยุดการวนซ้ำหลังจากเสร็จสิ้นขั้นตอนการฝึกอบรม น้ำหนัก MLP ทั้งหมดมีค่าชัดเจนที่จะไม่เปลี่ยนแปลงเวลา (เว้นแต่จะดำเนินการเพิ่มเติมการฝึกอบรมซ้ำ) ในช่วงเวลานี้ MLP ได้พร้อมใช้งานในโหมดการประมวลผล ที่แสดงเวกเตอร์อินพุตเท่านั้นนอกจากความสามารถของการสร้างตัวแทนของฟังก์ชันที่ซับซ้อนโดยการประมวลผลคู่ ของเวกเตอร์อินพุท และเอาท์พุท (และจึง ไม่รู้ว่านิพจน์วิเคราะห์พื้นฐาน), แบบ MLP มีข้อดีดังต่อไปนี้:i) ก็สามารถผลิตเวกเตอร์ผลลัพธ์ดีสำหรับเวกเตอร์การป้อนข้อมูลที่มันไม่เคยเห็นระหว่างขั้นตอนการฝึกอบรม (ความสามารถ) ลักษณะทั่วไป และที่สอง) ครั้ง CPU จำเป็นต้องใช้ในโหมดการประมวลผลอยู่เกือบตลอดเวลาเล็กน้อย ทำ MLP เหมาะสำหรับใช้งานออนไลน์

ผลลัพธ์ (ไทย) 2:

เพื่อให้บรรลุนี้ MLP ครอบครองจำนวนหน่วยพื้นฐานที่เรียกว่าเซลล์ประสาท [6] [7] เซลล์เหล่านี้จะถูกจัดให้อยู่ในเลเยอร์ในลักษณะเดียวกับที่เซลล์ประสาททางชีวภาพที่พบในสมองของมนุษย์ กฎการทำงานของเซลล์ประสาทเทียมมีแรงบันดาลใจนอกจากนี้ยังมีคู่ของชีวภาพของพวกเขา โดยทั่วไปเป็นเซลล์ประสาทเทียมคำนวณผลรวมน้ำหนักของปัจจัยการผลิตและการใช้ฟังก์ชั่นที่ไม่ใช่เชิงเส้นที่จะส่งผลให้ ปัจจัยที่ใช้สำหรับเซลล์ประสาทในชั้นโดยเฉพาะอย่างยิ่งเป็นผลของเซลล์ประสาทในชั้นก่อน ในกรณีที่โดยเฉพาะอย่างยิ่งของชั้นแรก, ปัจจัยการผลิตแต่ละเซลล์ประสาทมีปัจจัยการผลิตไปยัง MLP ตัวเอง ในทางกลับกันผลของเซลล์ประสาทในชั้นสุดท้ายเป็นผลมากจาก MLP
ความจริงที่ว่าทุกเซลล์เดียวใช้ฟังก์ชั่นที่ไม่ใช่เชิงเส้นผลรวมถ่วงน้ำหนักของปัจจัยการผลิตที่ทำให้ MLP ความสามารถในการเป็นตัวแทนของการทำงานที่ซับซ้อน น้ำหนักที่ใช้กับปัจจัยการผลิตของแต่ละเซลล์ประสาทแทนองศาของเสรีภาพในรูปแบบ MLP พวกเขามีการปรับเปลี่ยนในระหว่างขั้นตอนการฝึกอบรมโดยชุดของเวกเตอร์อินพุทและเอาท์พุทเวกเตอร์ที่เกี่ยวข้องของพวกเขาจะนำเสนอตามลำดับไป MLP การปรับเปลี่ยนของน้ำหนักที่จะดำเนินการโดยอัตโนมัติโดยวิธีการฝึกอบรมเพื่อลดความแตกต่างระหว่างเวกเตอร์การส่งออกและการคำนวณที่สอดคล้องเวกเตอร์เอาท์พุทที่ต้องการ ด้วยเหตุนี้การฝึกอบรม MLP เป็นประเภทภายใต้การดูแลเพราะค่าอ้างอิงสำหรับเอาท์พุทจะต้องรู้จักกันก่อนที่จะเริ่มขั้นตอนการฝึกอบรม ส่วนใหญ่ขั้นตอนวิธีการฝึกอบรม MLP จะได้มาจากขั้นตอนที่เรียกว่าข้อผิดพลาดพื้นฐานกลับขยายพันธุ์ [5] [6] การฝึกอบรม MLP เป็นขั้นตอนที่กล่าวย้ำว่ามีคุณสมบัติไม่กี่พารามิเตอร์การควบคุมสำหรับการประเมินการบรรจบกันและตัดสินใจเมื่อมีการหยุดการทำซ้ำ
หลังจากขั้นตอนการฝึกอบรมเสร็จสิ้นทั้งหมดน้ำหนัก MLP มีค่าที่ดีที่กำหนดว่าจะไม่เปลี่ยนแปลงในเวลา (ยกเว้นกรณีที่มากขึ้นซ้ำการฝึกอบรมจะดำเนินการ) ในช่วงเวลานี้ MLP พร้อมสำหรับการใช้งานในโหมดการประมวลผลที่เพียงพาหะการป้อนข้อมูลจะถูกนำเสนอไป
นอกจากความสามารถในการสร้างตัวแทนของการทำงานที่ซับซ้อนเพียงโดยการประมวลผลคู่ของอินพุตและเอาต์พุตเวกเตอร์ (และโดยไม่ทราบว่าการแสดงออกวิเคราะห์หุ้นสามัญอ้างอิง) ที่รุ่น MLP มีข้อดีดังต่อไปนี้:
i) มันเป็นความสามารถในการผลิตเวกเตอร์ผลผลิตที่ดีสำหรับ เวกเตอร์ป้อนข้อมูลว่ามันไม่เคยเห็นในระหว่างขั้นตอนการฝึกอบรม (ความสามารถทั่วไป) และ
ii) ครั้ง CPU จำเป็นต้องใช้ในโหมดการประมวลผลมักจะเล็กน้อยทำให้ MLP ทางเลือกที่เหมาะสมสำหรับการใช้งานออนไลน์