- ข้อความ
- ประวัติศาสตร์
Title of Database: Wall-Following n
Title of Database: Wall-Following navigation task with mobile robot SCITOS-G5
2. Sources:
(a) Creators: Ananda Freire, Marcus Veloso and Guilherme Barreto
Department of Teleinformatics Engineering
Federal University of Ceará
Fortaleza, Ceará, Brazil
(b) Donors of database: Ananda Freire (anandalf@gmail.com)
Guilherme Barreto (guilherme@deti.ufc.br)
(c) Date received: August, 2010
3. Past Usage:
(a) Ananda L. Freire, Guilherme A. Barreto, Marcus Veloso and Antonio T. Varela (2009),
"Short-Term Memory Mechanisms in Neural Network Learning of Robot Navigation
Tasks: A Case Study". Proceedings of the 6th Latin American Robotics Symposium (LARS'2009),
Valparaíso-Chile, pages 1-6, DOI: 10.1109/LARS.2009.5418323
4. Relevant Information Paragraph:
-- The data were collected as the SCITOS G5 navigates through the room following the wall in a clockwise
direction, for 4 rounds. To navigate, the robot uses 24 ultrasound sensors arranged circularly around its "waist".
The numbering of the ultrasound sensors starts at the front of the robot and increases in clockwise direction.
-- The provided files comprise three diferent data sets. The first one contains the raw values of the measurements
of all 24 ultrasound sensors and the corresponding class label (see Section 7). Sensor readings are sampled at a
rate of 9 samples per second.
The second one contains four sensor readings named 'simplified distances' and the corresponding class label (see Section 7).
These simplified distances are referred to as the 'front distance', 'left distance', 'right distance' and 'back distance'.
They consist, respectively, of the minimum sensor readings among those within 60 degree arcs located at the front, left,
right and back parts of the robot.
The third one contains only the front and left simplified distances and the corresponding class label (see Section 7).
-- It is worth mentioning that the 24 ultrasound readings and the simplified distances were collected at the same
time step, so each file has the same number of rows (one for each sampling time step).
-- The wall-following task and data gathering were designed to test the hypothesis that this apparently simple navigation task
is indeed a non-linearly separable classification task. Thus, linear classifiers, such as the Perceptron network, are not able
to learn the task and command the robot around the room without collisions. Nonlinear neural classifiers, such as the MLP network,
are able to learn the task and command the robot successfully without collisions.
-- If some kind of short-term memory mechanism is provided to the neural classifiers, their performances are improved in general.
For example, if past inputs are provided together with current sensor readings, even the Perceptron becomes able to
learn the task and command the robot succesfully. If a recurrent neural network, such as the Elman network, is used to
learn the task, the resulting dynamical classifier is able to learn the task using less hidden neurons than the MLP network.
-- Files with different number of sensor readings were built in order to evaluate the performance of the classifiers
with respect to the number of inputs.
2. Sources:
(a) Creators: Ananda Freire, Marcus Veloso and Guilherme Barreto
Department of Teleinformatics Engineering
Federal University of Ceará
Fortaleza, Ceará, Brazil
(b) Donors of database: Ananda Freire (anandalf@gmail.com)
Guilherme Barreto (guilherme@deti.ufc.br)
(c) Date received: August, 2010
3. Past Usage:
(a) Ananda L. Freire, Guilherme A. Barreto, Marcus Veloso and Antonio T. Varela (2009),
"Short-Term Memory Mechanisms in Neural Network Learning of Robot Navigation
Tasks: A Case Study". Proceedings of the 6th Latin American Robotics Symposium (LARS'2009),
Valparaíso-Chile, pages 1-6, DOI: 10.1109/LARS.2009.5418323
4. Relevant Information Paragraph:
-- The data were collected as the SCITOS G5 navigates through the room following the wall in a clockwise
direction, for 4 rounds. To navigate, the robot uses 24 ultrasound sensors arranged circularly around its "waist".
The numbering of the ultrasound sensors starts at the front of the robot and increases in clockwise direction.
-- The provided files comprise three diferent data sets. The first one contains the raw values of the measurements
of all 24 ultrasound sensors and the corresponding class label (see Section 7). Sensor readings are sampled at a
rate of 9 samples per second.
The second one contains four sensor readings named 'simplified distances' and the corresponding class label (see Section 7).
These simplified distances are referred to as the 'front distance', 'left distance', 'right distance' and 'back distance'.
They consist, respectively, of the minimum sensor readings among those within 60 degree arcs located at the front, left,
right and back parts of the robot.
The third one contains only the front and left simplified distances and the corresponding class label (see Section 7).
-- It is worth mentioning that the 24 ultrasound readings and the simplified distances were collected at the same
time step, so each file has the same number of rows (one for each sampling time step).
-- The wall-following task and data gathering were designed to test the hypothesis that this apparently simple navigation task
is indeed a non-linearly separable classification task. Thus, linear classifiers, such as the Perceptron network, are not able
to learn the task and command the robot around the room without collisions. Nonlinear neural classifiers, such as the MLP network,
are able to learn the task and command the robot successfully without collisions.
-- If some kind of short-term memory mechanism is provided to the neural classifiers, their performances are improved in general.
For example, if past inputs are provided together with current sensor readings, even the Perceptron becomes able to
learn the task and command the robot succesfully. If a recurrent neural network, such as the Elman network, is used to
learn the task, the resulting dynamical classifier is able to learn the task using less hidden neurons than the MLP network.
-- Files with different number of sensor readings were built in order to evaluate the performance of the classifiers
with respect to the number of inputs.
0/5000
ชื่อของฐานข้อมูล: งานนำผนังต่อกับหุ่นยนต์เคลื่อน SCITOS G52. แหล่งที่มา:(ก) ผู้สร้าง: อนันดา Freire มาร์คัส Veloso และ Guilherme Barretoแผนก Teleinformatics วิศวกรรมกลางมหาวิทยาลัย Cearáฟอร์ Ceará บราซิล(ข) ผู้บริจาคของฐานข้อมูล: Freire อนันดา (anandalf@gmail.com)Guilherme Barreto (guilherme@deti.ufc.br) (ค) วันได้รับ: สิงหาคม 20103. ผ่านการใช้งาน:Freire อนันดา L. (a) Guilherme A. Barreto มาร์คัส Veloso และ Varela ต. Antonio (2009),"ระยะสั้นจำกลไกการเรียนรู้เครือข่ายประสาทนำหุ่นยนต์งาน: กรณีศึกษา " วิชาการ 6 ริกาวิทยาวิชาการ (LARS'2009),Valparaíso-ชิลี หน้า 1-6 ดอย: 10.1109/LARS.2009.5418323 4. ละเอียดย่อหน้า:-ข้อมูลถูกรวบรวมเป็น SCITOS G5 นำทางยังผ่านห้องตามผนังด้านในเป็นเข็มทิศทาง สำหรับรอบที่ 4 นำทาง หุ่นยนต์ใช้เซนเซอร์ซาวด์ 24 แบบหมุนเวียนรอบ ๆ ของ "เอว" กำหนดหมายเลขของเซนเซอร์ซาวด์เริ่มที่ด้านหน้าของหุ่นยนต์ และเพิ่มขึ้นในทิศทางตามเข็มนาฬิกา-ระบุแฟ้มที่ประกอบด้วยชุดข้อมูล diferent สาม แรกประกอบด้วยค่าวัตถุดิบของการวัด เซนเซอร์ซาวด์ 24 ทั้งหมดและป้ายชื่อคลาสที่สอดคล้อง (ดู 7 ส่วน) อ่านเซ็นเซอร์เป็นตัวอย่างที่เป็น อัตราตัวอย่าง 9 ต่อวินาทีอ่านเซ็นเซอร์สี่ที่ชื่อว่า 'ภาษาระยะทาง' และป้ายชื่อคลาสที่สอดคล้องประกอบด้วยสอง (ดูส่วนที่ 7) ระยะทางภาษาเหล่านี้จะอ้างถึงเป็น 'หน้าระยะห่าง' 'ซ้ายห่าง' 'ขวาห่าง' และ 'หลังจาก' ประกอบด้วย ตามลำดับ อ่านเซ็นเซอร์ต่ำอยู่ภายในเส้นโค้ง 60 องศาอยู่ด้านหน้า ด้านซ้ายด้านขวา และด้านหลังส่วนของหุ่นยนต์หนึ่งในสามประกอบด้วยเฉพาะด้านหน้า และซ้ายง่ายระยะทางและป้ายชื่อชั้นที่สอดคล้องกัน (ดู 7 ส่วน) -มันเป็นมูลค่าการกล่าวถึงว่า มีการเก็บรวบรวมอ่านซาวด์ 24 และความเรียบง่ายที่เหมือนกัน ขั้นตอนเวลา ดังนั้นแต่ละแฟ้มมีหมายเลขเดียวกันของแถว (หนึ่งสำหรับแต่ละขั้นตอนการสุ่มตัวอย่างครั้ง) -ผนังต่องานและรวบรวมข้อมูลถูกออกแบบมาเพื่อทดสอบสมมติฐานเรื่องนี้เห็นได้ชัดว่างานนำทาง เป็นงานประเภท separable ไม่เชิงเส้น ดังนั้น คำนามภาษาเชิง เช่นเครือข่ายเพอร์เซปตรอน ไม่สามารถ เรียนรู้งาน และหุ่นยนต์รอบห้องโดยตามคำสั่ง ไม่เชิงเส้นประสาทคำนามภาษา เช่นเครือข่าย MLP จะได้เรียนรู้งาน และคำสั่งหุ่นยนต์เสร็จเรียบร้อยแล้ว โดยไม่เกิดการชนกัน -ถ้าบางชนิดของระบบหน่วยความจำระยะสั้นให้กับคำนามภาษาประสาท โภชน์มีขึ้นทั่วไป ตัวอย่าง ถ้าให้อินพุตอดีตกับปัจจุบันเซ็นเซอร์อ่าน แม้แต่เพอร์เซปตรอนจะสามารถ เรียนรู้งาน และคำสั่งเสร็จสมบูรณ์แล้วหุ่นยนต์ ถ้าเกิดซ้ำประสาทเครือ เช่นเครือข่าย Elman เรียนรู้งาน classifier dynamical ผลลัพธ์ก็สามารถเรียนรู้งานใช้ neurons ซ่อนน้อยกว่าเครือข่าย MLP-ไฟล์ มีจำนวนเซ็นเซอร์อ่านถูกสร้างขึ้นเพื่อประเมินประสิทธิภาพของคำนามภาษาที่ กับจำนวนอินพุต
การแปล กรุณารอสักครู่..
Title of Database: Wall-Following navigation task with mobile robot SCITOS-G5
2. Sources:
(a) Creators: Ananda Freire, Marcus Veloso and Guilherme Barreto
Department of Teleinformatics Engineering
Federal University of Ceará
Fortaleza, Ceará, Brazil
(b) Donors of database: Ananda Freire (anandalf@gmail.com)
Guilherme Barreto (guilherme@deti.ufc.br)
(c) Date received: August, 2010
3. Past Usage:
(a) Ananda L. Freire, Guilherme A. Barreto, Marcus Veloso and Antonio T. Varela (2009),
"Short-Term Memory Mechanisms in Neural Network Learning of Robot Navigation
Tasks: A Case Study". Proceedings of the 6th Latin American Robotics Symposium (LARS'2009),
Valparaíso-Chile, pages 1-6, DOI: 10.1109/LARS.2009.5418323
4. Relevant Information Paragraph:
-- The data were collected as the SCITOS G5 navigates through the room following the wall in a clockwise
direction, for 4 rounds. To navigate, the robot uses 24 ultrasound sensors arranged circularly around its "waist".
The numbering of the ultrasound sensors starts at the front of the robot and increases in clockwise direction.
-- The provided files comprise three diferent data sets. The first one contains the raw values of the measurements
of all 24 ultrasound sensors and the corresponding class label (see Section 7). Sensor readings are sampled at a
rate of 9 samples per second.
The second one contains four sensor readings named 'simplified distances' and the corresponding class label (see Section 7).
These simplified distances are referred to as the 'front distance', 'left distance', 'right distance' and 'back distance'.
They consist, respectively, of the minimum sensor readings among those within 60 degree arcs located at the front, left,
right and back parts of the robot.
The third one contains only the front and left simplified distances and the corresponding class label (see Section 7).
-- It is worth mentioning that the 24 ultrasound readings and the simplified distances were collected at the same
time step, so each file has the same number of rows (one for each sampling time step).
-- The wall-following task and data gathering were designed to test the hypothesis that this apparently simple navigation task
is indeed a non-linearly separable classification task. Thus, linear classifiers, such as the Perceptron network, are not able
to learn the task and command the robot around the room without collisions. Nonlinear neural classifiers, such as the MLP network,
are able to learn the task and command the robot successfully without collisions.
-- If some kind of short-term memory mechanism is provided to the neural classifiers, their performances are improved in general.
For example, if past inputs are provided together with current sensor readings, even the Perceptron becomes able to
learn the task and command the robot succesfully. If a recurrent neural network, such as the Elman network, is used to
learn the task, the resulting dynamical classifier is able to learn the task using less hidden neurons than the MLP network.
-- Files with different number of sensor readings were built in order to evaluate the performance of the classifiers
with respect to the number of inputs.
2. Sources:
(a) Creators: Ananda Freire, Marcus Veloso and Guilherme Barreto
Department of Teleinformatics Engineering
Federal University of Ceará
Fortaleza, Ceará, Brazil
(b) Donors of database: Ananda Freire (anandalf@gmail.com)
Guilherme Barreto (guilherme@deti.ufc.br)
(c) Date received: August, 2010
3. Past Usage:
(a) Ananda L. Freire, Guilherme A. Barreto, Marcus Veloso and Antonio T. Varela (2009),
"Short-Term Memory Mechanisms in Neural Network Learning of Robot Navigation
Tasks: A Case Study". Proceedings of the 6th Latin American Robotics Symposium (LARS'2009),
Valparaíso-Chile, pages 1-6, DOI: 10.1109/LARS.2009.5418323
4. Relevant Information Paragraph:
-- The data were collected as the SCITOS G5 navigates through the room following the wall in a clockwise
direction, for 4 rounds. To navigate, the robot uses 24 ultrasound sensors arranged circularly around its "waist".
The numbering of the ultrasound sensors starts at the front of the robot and increases in clockwise direction.
-- The provided files comprise three diferent data sets. The first one contains the raw values of the measurements
of all 24 ultrasound sensors and the corresponding class label (see Section 7). Sensor readings are sampled at a
rate of 9 samples per second.
The second one contains four sensor readings named 'simplified distances' and the corresponding class label (see Section 7).
These simplified distances are referred to as the 'front distance', 'left distance', 'right distance' and 'back distance'.
They consist, respectively, of the minimum sensor readings among those within 60 degree arcs located at the front, left,
right and back parts of the robot.
The third one contains only the front and left simplified distances and the corresponding class label (see Section 7).
-- It is worth mentioning that the 24 ultrasound readings and the simplified distances were collected at the same
time step, so each file has the same number of rows (one for each sampling time step).
-- The wall-following task and data gathering were designed to test the hypothesis that this apparently simple navigation task
is indeed a non-linearly separable classification task. Thus, linear classifiers, such as the Perceptron network, are not able
to learn the task and command the robot around the room without collisions. Nonlinear neural classifiers, such as the MLP network,
are able to learn the task and command the robot successfully without collisions.
-- If some kind of short-term memory mechanism is provided to the neural classifiers, their performances are improved in general.
For example, if past inputs are provided together with current sensor readings, even the Perceptron becomes able to
learn the task and command the robot succesfully. If a recurrent neural network, such as the Elman network, is used to
learn the task, the resulting dynamical classifier is able to learn the task using less hidden neurons than the MLP network.
-- Files with different number of sensor readings were built in order to evaluate the performance of the classifiers
with respect to the number of inputs.
การแปล กรุณารอสักครู่..
ชื่อฐานข้อมูล : ผนังตามนำทางงานกับหุ่นยนต์เคลื่อนที่ scitos-g5
2 แหล่งที่มา :
( ) ผู้สร้าง : อนันดา Freire , มาร์คัส เวโลโซ และ กิลเ ร์เม barreto
teleinformatics ภาควิชาวิศวกรรมมหาวิทยาลัยสหพันธ์รัฐเซอารา
Fortaleza , รัฐเซอาราประเทศบราซิล
( B ) ผู้บริจาคฐานข้อมูล : อนันดา Freire ( anandalf @ gmail . com )
กิลเ ร์เม barreto ( guilherme@deti.ufc.br )
( C ) วันที่ ได้รับ : สิงหาคม 2553
3การใช้ในอดีต :
( L . ) อนันดา Freire , กิลเ ร์เม . barreto มาร์คัส และ อันโตนิโอ เวโลโซ ต. วาเรลา ( 2552 ) ,
" หน่วยความจำระยะสั้นกลไกการเรียนรู้ของเครือข่ายประสาทหุ่นยนต์นำทาง
งาน : กรณีศึกษา " รายงานการประชุมทางวิชาการ ครั้งที่ 6 ละตินอเมริกาหุ่นยนต์นานาทัศนะ ( ลาร์ส '2009 )
บัลปาราอีโซประเทศชิลี , หน้า 1-6 , ดอย : 10.1109/lars.2009.5418323
4 . ข้อมูลที่เกี่ยวข้อง :
วรรค-- การเก็บรวบรวมข้อมูล เป็น scitos G5 นำทางผ่านห้องตามผนังในทิศทางตามเข็มนาฬิกา
4 รอบ เพื่อนำทางหุ่นยนต์ใช้เซ็นเซอร์อัลตราซาวนด์จัด circularly รอบ 24 " เอว "
เลขของอัลตราซาวด์เซนเซอร์เริ่มที่ด้านหน้าของหุ่นยนต์และการเพิ่มขึ้นในทิศทางตามเข็มนาฬิกา .
-- ให้ไฟล์ประกอบด้วยสามที่แตกต่างกันข้อมูลชุดคนแรกประกอบด้วย วัตถุดิบ ค่าของการวัด
ทั้งหมด 24 เซ็นเซอร์อัลตร้าซาวน์ และป้ายห้องที่สอดคล้องกัน ( ดูมาตรา ๗ ) อ่านเซ็นเซอร์มีตัวอย่างที่
อัตรา 9 ตัวอย่างต่อวินาที
สองประกอบด้วยสี่เซ็นเซอร์อ่านชื่อ ' ง่าย ' และป้ายชื่อที่สอดคล้องกันทางชนชั้น ( ดูมาตรา 7 )
เหล่านี้ง่ายระยะทางจะเรียกว่า ' หน้าระยะห่าง ' ,' ไกล ' ซ้าย ' ระยะทาง ' และ ' หลังห่าง "
พวกเขาประกอบด้วยส่วนของการอ่านเซ็นเซอร์น้อยที่สุดในบรรดาภายใน 60 องศาโค้งอยู่ที่ด้านหน้า ซ้าย ขวา และชิ้นส่วนกลับ
ของหุ่นยนต์ ตัวที่สามมีเพียงด้านหน้าและด้านซ้ายง่ายระยะทางและป้ายชื่อคลาสที่เกี่ยวข้อง ( ดูมาตรา 7 )
-- มันมูลค่าการกล่าวขวัญที่ 24 ) อ่านง่ายระยะทางถูกเก็บในขั้น
เวลาเดียวกัน ดังนั้น แต่ละไฟล์มีหมายเลขเดียวกันของแถว ( หนึ่งสำหรับแต่ละตัวอย่างเวลาขั้นตอน )
-- ผนังตามงานและการเก็บรวบรวมข้อมูล ได้แก่ แบบทดสอบสมมุติฐานที่ว่านี้ง่ายเห็นได้ชัดงานนำทาง
ย่อมไม่แบ่งแยกเชิงเส้นการจำแนกงาน ดังนั้นคำเชิงเส้นเช่นธรรมดาเครือข่ายไม่สามารถ
เพื่อเรียนรู้งาน และควบคุมหุ่นยนต์รอบห้องโดยไม่มีการชนกัน เส้นประสาทลักษณนาม เช่น MLP เครือข่าย
สามารถเรียนรู้งานและสั่งการหุ่นยนต์เรียบร้อยแล้ว โดยไม่มีการชนกัน
. . . ถ้าบางชนิดของกลไกความจำระยะสั้นให้คำลักษณนามของระบบประสาท ,การแสดงของพวกเขามีการปรับปรุงทั่วไป
ตัวอย่าง ถ้ากระผมที่ผ่านมาไว้ด้วยกันกับการอ่านเซ็นเซอร์ปัจจุบัน แม้แต่เพอร์เซปตรอนจะสามารถเรียนรู้งาน
สั่งหุ่นยนต์ที่สมบูรณ์แล้ว . ถ้างบประสาทเครือข่าย เช่น เครือข่าย เ แมน ใช้
เรียนรู้งานผลแบบพลวัตสามารถเรียนรู้งานใช้น้อยที่ซ่อนเซลล์ประสาทมากกว่าเครือข่าย MLP .
-- ไฟล์กับจำนวนที่แตกต่างกันของการอ่านเซ็นเซอร์สร้างขึ้นเพื่อประเมินประสิทธิภาพของคำลักษณนาม
เกี่ยวกับจำนวนของปัจจัยการผลิต
2 แหล่งที่มา :
( ) ผู้สร้าง : อนันดา Freire , มาร์คัส เวโลโซ และ กิลเ ร์เม barreto
teleinformatics ภาควิชาวิศวกรรมมหาวิทยาลัยสหพันธ์รัฐเซอารา
Fortaleza , รัฐเซอาราประเทศบราซิล
( B ) ผู้บริจาคฐานข้อมูล : อนันดา Freire ( anandalf @ gmail . com )
กิลเ ร์เม barreto ( guilherme@deti.ufc.br )
( C ) วันที่ ได้รับ : สิงหาคม 2553
3การใช้ในอดีต :
( L . ) อนันดา Freire , กิลเ ร์เม . barreto มาร์คัส และ อันโตนิโอ เวโลโซ ต. วาเรลา ( 2552 ) ,
" หน่วยความจำระยะสั้นกลไกการเรียนรู้ของเครือข่ายประสาทหุ่นยนต์นำทาง
งาน : กรณีศึกษา " รายงานการประชุมทางวิชาการ ครั้งที่ 6 ละตินอเมริกาหุ่นยนต์นานาทัศนะ ( ลาร์ส '2009 )
บัลปาราอีโซประเทศชิลี , หน้า 1-6 , ดอย : 10.1109/lars.2009.5418323
4 . ข้อมูลที่เกี่ยวข้อง :
วรรค-- การเก็บรวบรวมข้อมูล เป็น scitos G5 นำทางผ่านห้องตามผนังในทิศทางตามเข็มนาฬิกา
4 รอบ เพื่อนำทางหุ่นยนต์ใช้เซ็นเซอร์อัลตราซาวนด์จัด circularly รอบ 24 " เอว "
เลขของอัลตราซาวด์เซนเซอร์เริ่มที่ด้านหน้าของหุ่นยนต์และการเพิ่มขึ้นในทิศทางตามเข็มนาฬิกา .
-- ให้ไฟล์ประกอบด้วยสามที่แตกต่างกันข้อมูลชุดคนแรกประกอบด้วย วัตถุดิบ ค่าของการวัด
ทั้งหมด 24 เซ็นเซอร์อัลตร้าซาวน์ และป้ายห้องที่สอดคล้องกัน ( ดูมาตรา ๗ ) อ่านเซ็นเซอร์มีตัวอย่างที่
อัตรา 9 ตัวอย่างต่อวินาที
สองประกอบด้วยสี่เซ็นเซอร์อ่านชื่อ ' ง่าย ' และป้ายชื่อที่สอดคล้องกันทางชนชั้น ( ดูมาตรา 7 )
เหล่านี้ง่ายระยะทางจะเรียกว่า ' หน้าระยะห่าง ' ,' ไกล ' ซ้าย ' ระยะทาง ' และ ' หลังห่าง "
พวกเขาประกอบด้วยส่วนของการอ่านเซ็นเซอร์น้อยที่สุดในบรรดาภายใน 60 องศาโค้งอยู่ที่ด้านหน้า ซ้าย ขวา และชิ้นส่วนกลับ
ของหุ่นยนต์ ตัวที่สามมีเพียงด้านหน้าและด้านซ้ายง่ายระยะทางและป้ายชื่อคลาสที่เกี่ยวข้อง ( ดูมาตรา 7 )
-- มันมูลค่าการกล่าวขวัญที่ 24 ) อ่านง่ายระยะทางถูกเก็บในขั้น
เวลาเดียวกัน ดังนั้น แต่ละไฟล์มีหมายเลขเดียวกันของแถว ( หนึ่งสำหรับแต่ละตัวอย่างเวลาขั้นตอน )
-- ผนังตามงานและการเก็บรวบรวมข้อมูล ได้แก่ แบบทดสอบสมมุติฐานที่ว่านี้ง่ายเห็นได้ชัดงานนำทาง
ย่อมไม่แบ่งแยกเชิงเส้นการจำแนกงาน ดังนั้นคำเชิงเส้นเช่นธรรมดาเครือข่ายไม่สามารถ
เพื่อเรียนรู้งาน และควบคุมหุ่นยนต์รอบห้องโดยไม่มีการชนกัน เส้นประสาทลักษณนาม เช่น MLP เครือข่าย
สามารถเรียนรู้งานและสั่งการหุ่นยนต์เรียบร้อยแล้ว โดยไม่มีการชนกัน
. . . ถ้าบางชนิดของกลไกความจำระยะสั้นให้คำลักษณนามของระบบประสาท ,การแสดงของพวกเขามีการปรับปรุงทั่วไป
ตัวอย่าง ถ้ากระผมที่ผ่านมาไว้ด้วยกันกับการอ่านเซ็นเซอร์ปัจจุบัน แม้แต่เพอร์เซปตรอนจะสามารถเรียนรู้งาน
สั่งหุ่นยนต์ที่สมบูรณ์แล้ว . ถ้างบประสาทเครือข่าย เช่น เครือข่าย เ แมน ใช้
เรียนรู้งานผลแบบพลวัตสามารถเรียนรู้งานใช้น้อยที่ซ่อนเซลล์ประสาทมากกว่าเครือข่าย MLP .
-- ไฟล์กับจำนวนที่แตกต่างกันของการอ่านเซ็นเซอร์สร้างขึ้นเพื่อประเมินประสิทธิภาพของคำลักษณนาม
เกี่ยวกับจำนวนของปัจจัยการผลิต
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- นางร้าย
- It is also the time that children in man
- We came here for a date,didn't we
- But it can cause us to lose Access to th
- Nefret Stores is a large discount cosmet
- 说到有关研究和资料 在研究开发使用单词卡记忆技能的..学校的初中二年级的学生学习
- the concept remained valid till and to t
- The movie consists of slang for a mental
- Date of manufacture12 of november 2010Ge
- สื่อเทคโนโลยีประเภทแท็บเล็ตเพื่อการศึกษา
- at campus now
- วันนี้เป็นวันหยุดในประเทศไทย
- CThanks for your cooperation and we yet
- ตอนนี้คุณอยู่กับใครWho are you with now?
- และให้supplierเข้าร่วมประชุมในครั้งนี้ด้
- โทรศัพท์ของฉันไม่มีสัญญาน
- รักคนนี้ที่สุดตลอดไป
- and i'll be here on my own --
- การประชุมของฉันยังไม่เสร็จคะ อาจจะเย็นหร
- อยากเป็นแฟนกับฉันไหม
- The impact of LAI antipsychotic drugs wa
- คุณอาศัยอยู่กับใครDo you live with?
- Rooms from Us$172per night
- โทรศัพท์ของฉันไม่มีสัญญาน
