Through the use of an abstract and

Through the use of an abstract and simplified model
of human neurons, is possible to develop a neural simulator
capable to classify, to generalize and to learn
how and approximate functions[10]. One of the most
used neural learning models is the so called MultiLayer
Perceptron (MLP) with Back-propagation learning
algorithm[25]. Some improved versions of the original
Back-Propagation algorithm were developed in the
few past years, and the RPROP algorithm[24] become
an interesting choice among them.
The RPROP algorithm performs a direct adaptation
of the weight step (learning rate) based on local gradient
information. To achieve this, each weight has its individual
update value ∆ij , which solely determines the
size of the weight update. This adaptive update-value
evolves during the learning process based on its local
sight of the error function E, according to the following
learning-rule[24]

ผลลัพธ์ (ไทย) 1:

โดยใช้แบบจำลองนามธรรม และแบบง่ายของ neurons มนุษย์ เป็นไปได้ในการจำลองประสาทพัฒนาความสามารถในการจัดประเภท ทั่วไป และเรียนรู้วิธี และประมาณฟังก์ชัน [10] หนึ่งในสุดMultiLayer จึงเรียกว่าเป็นแบบเรียนใช้ประสาทเพอร์เซปตรอน (MLP) กับการเรียนรู้กลับมาเผยแพร่อัลกอริทึม [25] บางรุ่นปรับปรุงของเดิมหลังเผยแพร่อัลกอริทึมได้รับการพัฒนาในการไม่กี่ปีที่ผ่านมา และอัลกอริธึม RPROP [24] เป็นเป็นตัวเลือกที่น่าสนใจในหมู่พวกเขาอัลกอริทึม RPROP ทำการปรับโดยตรงน้ำหนักขั้นตอน (อัตราการเรียนรู้) ตามไล่ระดับท้องถิ่นข้อมูล เพื่อให้บรรลุนี้ แต่ละน้ำหนักมีของแต่ละบุคคลปรับปรุงค่า ∆ij ซึ่งกำหนดแต่เพียงผู้เดียวขนาดของการปรับปรุงน้ำหนัก ปรับปรุงค่านี้ปรับให้เหมาะสมอยู่เสมอในระหว่างกระบวนการเรียนรู้ตามท้องถิ่นของสายตาของฟังก์ชันข้อผิดพลาด E ตามเรียนรู้กฎ [24]

ผลลัพธ์ (ไทย) 2:

ผ่านการใช้งานรูปแบบนามธรรมและเรียบง่าย
ของเซลล์ประสาทของมนุษย์เป็นไปได้ในการพัฒนาแบบจำลองของระบบประสาท
ที่มีความสามารถในการจำแนกเพื่อพูดคุยและเรียนรู้
วิธีการและฟังก์ชั่นโดยประมาณ [10] หนึ่งในที่สุด
ที่ใช้รูปแบบการเรียนรู้ที่เป็นระบบประสาทที่เรียกว่า MultiLayer
Perceptron (MLP) กับการเรียนรู้หลังการขยายพันธุ์
อัลกอริทึม [25] บางรุ่นที่ดีขึ้นจากเดิม
ขั้นตอนวิธีการขยายพันธุ์กลับถูกพัฒนาขึ้นใน
ไม่กี่ปีที่ผ่านมาและอัลกอริทึม RPROP [24] กลายเป็น
ทางเลือกที่น่าสนใจในหมู่พวกเขา.
ขั้นตอนวิธี RPROP ดำเนินการปรับตัวโดยตรง
ของขั้นตอนน้ำหนัก (อัตราการเรียนรู้) ตามท้องถิ่น ลาด
ข้อมูล เพื่อให้บรรลุนี้แต่ละคนมีน้ำหนักของแต่ละ
การปรับปรุงค่าΔijซึ่ง แต่เพียงผู้เดียวกำหนด
ขนาดของการปรับปรุงน้ำหนัก นี้ปรับตัวปรับปรุงค่า
วิวัฒนาการในระหว่างขั้นตอนการเรียนรู้บนพื้นฐานของท้องถิ่น
สายตาของฟังก์ชั่น E ข้อผิดพลาดตามที่ต่อไปนี้
การเรียนรู้กฎ [24]

ผลลัพธ์ (ไทย) 3:

ผ่านการใช้ที่เป็นนามธรรมและรูปแบบง่าย
ของมนุษย์ประสาท , เป็นไปได้ที่จะพัฒนาประสาทจำลอง
สามารถจำแนก การอนุมาน และเรียนรู้วิธีการและฟังก์ชั่นโดยประมาณ
[ 10 ] หนึ่งในที่สุดที่ใช้รูปแบบการเรียนรู้
ประสาทที่เรียกว่า Multilayer
PERCEPTRON ( MLP ) กับ back propagation การเรียนรู้
ขั้นตอนวิธี [ 25 ] บางรุ่นที่ดีขึ้นของเดิม
กลับแพร่ขั้นตอนวิธีที่ถูกพัฒนาขึ้นใน
ไม่กี่ปี และ rprop ขั้นตอนวิธี [ 24 ] กลายเป็น
เป็นทางเลือกหนึ่งที่น่าสนใจของพวกเขา rprop ขั้นตอนวิธีการ

การปรับตัวโดยตรงของน้ำหนักขั้นตอน ( อัตราการเรียนรู้ ) ตามข้อมูลการไล่ระดับสี
ท้องถิ่น เพื่อให้บรรลุนี้ น้ำหนักของแต่ละบุคคล
ปรับปรุงค่า∆ ij ซึ่งเพียงกำหนด
ขนาดน้ำหนักปรับปรุงนี้ได้ปรับปรุงค่า
วิวัฒนาการในระหว่างกระบวนการการเรียนรู้ตามสายตาของข้อผิดพลาดการทำงานของท้องถิ่น
E
การเรียนรู้ตามกฎ [ 24 ]
ต่อไปนี้