3.5. Simulation resultsKohonen׳s SO

3.5. Simulation results

Kohonen׳s SOM neural network performance on the Text or Alphanumeric symbols data set is assessed through three different options: a study reported in the literature [46], in-house simulation using the MATLAB SOM toolbox, and another in-house simulation using the PROWLER (also titled as WSN–SOM).

3.5.1. Solution reported in literature

A solution using the SOM neural network for the text dataset was reported in [46]. The SOM network employed 70 neurons which were arranged in a topology of rectangle to map the five-dimensional data vectors in Table 4 to two dimensions. The SOM solution reported in [46] is re-created and presented in Fig. 6 and Fig. 7. The study did not indicate any quantization or topographical error values for the solution that was reportedly obtained after 10,000 training steps. The authors stated that the calibration was performed by supervised labeling of neurons in response to a specific known pattern vector from the training set.

ผลลัพธ์ (ไทย) 1:

3.5. การจำลองผลมีประเมินประสิทธิภาพเครือข่ายประสาทสม Kohonen׳s ในข้อความหรือ Alphanumeric สัญลักษณ์ชุดข้อมูลสามตัวเลือกที่แตกต่างกัน: รายงานการศึกษาในวรรณคดี [46], จำลองในบ้านใช้ MATLAB ส้มมือ และจำลองห้องอื่นใช้ PROWLER (ยังชื่อว่าเป็น WSN – ส้ม)3.5.1. โซลูชั่นรายงานในเอกสารประกอบการรายงานปัญหาการใช้เครือข่ายประสาทสมสำหรับชุดข้อมูลของข้อความใน [46] เครือข่ายส้มจ้าง neurons 70 ซึ่งถูกจัดโครงสร้างของกรอบแผนที่เวกเตอร์ข้อมูลมิติห้ามิติ 4 2 ตาราง โซลูชันส้มใน [46] จะถูกสร้างขึ้นใหม่ และนำเสนอใน Fig. 6 Fig. 7 การศึกษาไม่ได้ระบุใด ๆ quantization หรือค่าข้อผิดพลาด topographical การแก้ไขปัญหาที่ได้รับรายงานหลังจากขั้นตอนการฝึกอบรม 10000 ผู้เขียนระบุว่า การปรับเทียบทำ โดยการติดฉลากมีของ neurons ตอบเวกเตอร์ลายเฉพาะชื่อดังจากชุดฝึกอบรม

ผลลัพธ์ (ไทย) 2:

3.5 จำลองผลKohonen ของ SOM ประสิทธิภาพของเครือข่ายประสาทในข้อความหรือตัวเลขข้อมูลชุดสัญลักษณ์จะมีการประเมินผ่านสามตัวเลือกที่แตกต่างกัน: การศึกษารายงานในวรรณคดีที่ [46] จำลองในบ้านโดยใช้กล่องเครื่องมือ SOM MATLAB และอีกจำลองในบ้าน ใช้ PROWLER (ก็มีบรรดาศักดิ์เป็น WSN-SOM). 3.5.1 โซลูชั่นการรายงานในวรรณคดีวิธีการแก้ปัญหาโดยใช้เครือข่ายประสาท SOM สำหรับชุดข้อความที่มีรายงานใน [46] เครือข่าย SOM ลูกจ้าง 70 เซลล์ประสาทที่ถูกจัดให้อยู่ในโครงสร้างของรูปสี่เหลี่ยมผืนผ้าเพื่อแมเวกเตอร์ข้อมูลห้ามิติในตารางที่ 4 ถึงสองมิติ วิธีการแก้ปัญหา SOM รายงานใน [46] ถูกสร้างขึ้นใหม่และนำเสนอในรูป 6 และรูปที่ 7. การศึกษาไม่ได้บ่งบอกถึงควอนหรือค่าความผิดพลาดภูมิประเทศสำหรับการแก้ปัญหาที่ได้รับรายงานว่าหลังจากที่ 10,000 ขั้นตอนการฝึกอบรม ผู้เขียนกล่าวว่าการสอบเทียบได้ดำเนินการโดยการติดฉลากภายใต้การดูแลของเซลล์ประสาทในการตอบสนองต่อรูปแบบเวกเตอร์ที่รู้จักกันเฉพาะจากชุดการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

3.5 . การจำลองผล

การ׳ S ซึ่งโครงข่ายประสาทเทียมประสิทธิภาพบนข้อความหรือตัวอักษรและตัวเลขสัญลักษณ์ชุดข้อมูลจะประเมินผ่านสามตัวเลือกที่แตกต่างกัน : การศึกษาที่รายงานในวรรณคดี [ 46 ] , การใช้ Matlab ซึ่งในกล่องเครื่องมือ และอีกในการจำลองการด้อม ( ยังชื่อว่าเป็น WSN –ส้ม )

ที่สำคัญ . แก้ไขรายงานในวรรณคดี

โซลูชั่นการใช้โสมโครงข่ายประสาทเทียมสำหรับข้อความข้อมูลรายงานใน [ 46 ] โสมใช้ 70 เครือข่ายเซลล์ประสาทที่ถูกจัดเรียงในรูปร่างของสี่เหลี่ยมผืนผ้าแผนที่ 5 มิติข้อมูลเวกเตอร์ใน 4 ตารางสองมิติ โสม โซลูชั่น รายงาน [ 46 ] เป็นสร้าง และแสดงในรูปที่ 6 และรูปที่ 7การศึกษาไม่ได้บ่งชี้ใด ๆหรือ quantization ข้อผิดพลาดและค่าสำหรับโซลูชั่นที่ได้รับรายงานว่าหลังจากได้รับ 10 , 000 ขั้นตอนการฝึกอบรม ผู้เขียนระบุว่า การกระทำโดยมีเซลล์ประสาทในการตอบสนองต่อการติดฉลากเฉพาะรู้จักรูปแบบเวกเตอร์จากชุดฝึกอบรม .