As shown in Fig. 2(a), the rival pe

As shown in Fig. 2(a), the rival penalized mechanism
tries to push its rival far away from the cluster towards
which the winner is moving, thus implicitly producing a force
which attempts to make sure that each cluster is learned by
only one weight vector. This force is just a balance to the
force generated by the conscience strategy of FSCL, which
encourages both weight vectors to share one cluster. This
balancing role can be more clearly seen from Fig. 2@).
Assuming that three weight vectors have already been brought
somewhere between two classes, the rival penalized force will
gradually drive away the weight vector 5 3 along a zig-zag
path as the input samples come randomly and alternatively
from both classes. Similarly,we can also imagine that the two
disturbing units given in Fig. l(c) can be driven away by this
force.
So, we see that the key point of using the rival penalized
mechanism is that the appropriate number of units will be
selected automatically for representing an input data set by
gradually driving extra units far away from the distribution of
data set in the case that the number of units in a competitive
learning net is larger than the number of clusters in the input
data set. Thus the crucial problem described in Section I can
be tackled. In addition, the extra units become now spare units
which are ready to learn some new clusters if some additional
data are input in the future.
Another important point is that the rival penalized mechanism may sometimes speed up the learning process: as shown
in Fig. 2(c), the de-learning of ti& caused by the learning of
$1, G2 will push $3 toward its correct cluster.

ผลลัพธ์ (ไทย) 1:

ตามที่แสดงใน Fig. 2(a) คู่ต่อสู้สำเร็จกลไกพยายามผลักดันคู่ต่อสู้ของมันห่างจากคลัสเตอร์ต่อซึ่งผู้ชนะจะย้าย จึง ผลิตแรงนัยซึ่งพยายามให้แน่ใจว่า แต่ละคลัสเตอร์จะได้เรียนรู้โดยน้ำหนักเดียวเวกเตอร์ นี้เป็นเพียงยอดดุลเพื่อการกองทัพที่สร้างขึ้น โดยกลยุทธ์จิตสำนึกของ FSCL ซึ่งสนับสนุนให้ทั้งสองเวกเตอร์น้ำหนักร่วมกลุ่มหนึ่ง นี้ดุลบทบาทเห็นได้ชัดเจนมากขึ้นอย่างชัดเจนจาก Fig. 2 @)สมมติว่านำเวกเตอร์น้ำหนักสามแล้วที่ใดที่หนึ่งระหว่างสองชั้น แรง penalized คู่แข่งจะค่อย ๆ ขับไปเวกเตอร์น้ำหนัก 5 3 ตามชนำฤดเส้นทางเป็นตัวอย่างที่นำเข้ามาโดยการสุ่ม และจากห้องเรียนทั้งสอง ในทำนองเดียวกัน เราสามารถยังจินตนาการที่สองรบกวนหน่วยใน Fig. l(c) สามารถจะขับเคลื่อนไปตามกองทัพดังนั้น เราเห็นว่า ประเด็นสำคัญของการใช้คู่ต่อสู้สำเร็จกลไกคือ จำนวนหน่วยที่เหมาะสมจะเป็นเลือกสำหรับการแสดงชุดข้อมูลการป้อนข้อมูลโดยอัตโนมัติค่อย ๆ ขับรถหน่วยบริการอยู่ห่างไกลจากการกระจายของชุดข้อมูลในกรณีที่จำนวนหน่วยในการแข่งขันเรียนสุทธิมีขนาดใหญ่กว่าหมายเลขของคลัสเตอร์ในการป้อนข้อมูลชุดข้อมูล ดังนั้นปัญหาสำคัญที่อธิบายไว้ในส่วนที่ฉันสามารถแก้ได้ นอกจากนี้ หน่วยพิเศษกลายเป็นขณะนี้ หน่วยอะไหล่ซึ่งพร้อมที่จะเรียนรู้บางคลัสเตอร์ใหม่ถ้าบางเพิ่มเติมข้อมูลที่ป้อนในอนาคตอีกจุดสำคัญคือ ว่า กลไก penalized คู่แข่งอาจบางครั้งเร็วขึ้นกระบวนการเรียนรู้: เป็นแสดงFig. 2(c) ยกเลิกเรียนตี้ และจากการเรียนรู้ของ$1, G2 จะผลักดัน $3 ต่อของคลัสเตอร์ถูกต้อง

ผลลัพธ์ (ไทย) 2:

ดังแสดงในรูป 2 (ก)
กลไกการลงโทษคู่แข่งพยายามที่จะผลักดันคู่แข่งห่างไกลจากกลุ่มที่มีต่อซึ่งผู้ชนะที่มีการเคลื่อนไหวจึงปริยายผลิตแรงซึ่งพยายามที่จะให้แน่ใจว่าแต่ละกลุ่มมีการเรียนรู้จากการเพียงหนึ่งน้ำหนักเวกเตอร์ พลังนี้เป็นเพียงความสมดุลกับแรงที่เกิดจากกลยุทธ์มโนธรรมของ FSCL ซึ่งกระตุ้นให้ทั้งสองเวกเตอร์น้ำหนักที่จะร่วมเป็นหนึ่งในกลุ่ม นี้บทบาทที่สมดุลมากขึ้นสามารถมองเห็นได้ชัดเจนจากรูป 2 @). สมมติว่าสามเวกเตอร์น้ำหนักได้รับแล้วนำบางระหว่างสองชั้นที่กำลังลงโทษคู่แข่งจะค่อยๆ ขับรถออกไปน้ำหนักเวกเตอร์ 5 3 พร้อมซิกแซกเส้นทางที่เป็นตัวอย่างการป้อนข้อมูลมาแบบสุ่มและอีกทางเลือกหนึ่งจากทั้งชั้นเรียน ในทำนองเดียวกันเรายังสามารถจินตนาการได้ว่าทั้งสองหน่วยงานได้รับการรบกวนในรูป ลิตร (ค) สามารถขับเคลื่อนไปตามนี้มีผลบังคับใช้. ดังนั้นเราจะเห็นว่าจุดสำคัญของการใช้ลงโทษคู่แข่งกลไกคือจำนวนที่เหมาะสมของหน่วยงานจะได้รับการเลือกโดยอัตโนมัติสำหรับตัวแทนการป้อนข้อมูลที่กำหนดโดยค่อยๆ ขับรถหน่วยพิเศษที่อยู่ห่างไกล จากการกระจายของข้อมูลการตั้งค่าในกรณีที่จำนวนหน่วยในการแข่งขันสุทธิการเรียนรู้ที่มีขนาดใหญ่กว่าจำนวนของกลุ่มในการป้อนข้อมูลที่ข้อมูลชุด ดังนั้นปัญหาที่สำคัญที่อธิบายไว้ในมาตราที่ฉันสามารถได้รับการจัดการ นอกจากนี้หน่วยพิเศษเป็นหน่วยว่างในขณะนี้ที่มีความพร้อมที่จะเรียนรู้กลุ่มใหม่บางอย่างถ้าบางอย่างเพิ่มเติมข้อมูลป้อนข้อมูลในอนาคต. จุดที่สำคัญก็คือการที่กลไกการลงโทษคู่แข่งบางครั้งอาจเพิ่มความเร็วในกระบวนการเรียนรู้: ตามที่แสดงในรูป 2 (c), เดอการเรียนรู้ของทิและที่เกิดจากการเรียนรู้ของ$ 1, G2 จะผลักดัน 3 $ ต่อกลุ่มที่ถูกต้อง

ผลลัพธ์ (ไทย) 3:

ดังแสดงในรูปที่ 2 ( ก ) , คู่แข่งจริงจัง
จะพยายามผลักดันกลไกของคู่แข่งห่างจากกลุ่มต่อ
ซึ่งผู้ชนะเคลื่อนที่ ดังนั้นการผลิตบังคับโดยปริยาย
ซึ่งพยายามที่จะให้แน่ใจว่า แต่ละกลุ่มมีการเรียนรู้โดย
เดียวน้ำหนักเวกเตอร์ แรงนี้เป็นเพียงความสมดุลกับแรงที่เกิดจากจิตสำนึก

กลยุทธ์ fscl ซึ่งกระตุ้นทั้งน้ำหนักเวกเตอร์ร่วมกัน กลุ่มหนึ่ง สมดุลบทบาทนี้
สามารถชัดเจนมากขึ้น เห็นได้จากรูปที่ 2 @ )
สมมติว่าสามน้ำหนักเวกเตอร์ได้ถูกนำ
อยู่ระหว่างสองชนชั้น คู่แข่งลงโทษแรงจะค่อยๆขับ
น้ำหนักเวกเตอร์ 5 3 ตามซิกแซก
เส้นทางที่นำเข้ามาและตัวอย่างแบบสุ่มหรือ
ทั้งจากชั้นเรียน ในทํานองเดียวกันเราสามารถจินตนาการว่า 2
รบกวนหน่วยให้ในรูป L ( C ) สามารถถูกขับออกไปโดยแรงนี้
.
ดังนั้น เราพบว่า จุดสำคัญของการลงโทษคือกลไกที่คู่แข่ง
จำนวนที่เหมาะสมของหน่วยจะถูกเลือกโดยอัตโนมัติแทนการใส่

ค่อยๆขับชุดข้อมูลโดย หน่วยพิเศษ ห่างไกลจาก การกระจายของ
ข้อมูลการตั้งค่าในกรณีที่จำนวนหน่วยในการแข่งขัน
การเรียนรู้สุทธิมีขนาดใหญ่กว่าจำนวนของกลุ่มในการป้อนข้อมูล
ชุดข้อมูล ดังนั้นปัญหาที่อธิบายไว้ในมาตราที่สำคัญผม
สามารถ tackled . นอกจากนี้ หน่วยพิเศษตอนนี้กลายเป็นสำรองหน่วย
ซึ่งพร้อมที่จะเรียนรู้บางใหม่กลุ่มถ้าข้อมูลบางข้อมูลเพิ่มเติม

ใน อนาคตอีกจุดที่สำคัญคือการที่คู่แข่งจริงจัง กลไก บางครั้งอาจเพิ่มความเร็วในกระบวนการการเรียนรู้ ดังแสดงในรูปที่ 2
( C ) , เดอ การเรียนรู้ของ Ti &เกิดจากการเรียนรู้
$ 1 , G2 จะผลักดัน 3 $ ต่อของคลัสเตอร์ที่ถูกต้อง