In the first neuron layer, the tan-

In the first neuron layer, the tan-sigmoid transfer function, which was a nonlinear transfer function, generated output
values between -1 to 1 as the net input of the neuron ranged from negative to positive infinity [28]. The second neuron layer contained one linear transfer function that could distinguish and designate any output values from the first neuron layer as the two output results of malignant breast cancer and benign disease in mammographic data classification. Both the linear and nonlinear transfer functions did not have minima since the linear and nonlinear transfer functions were differentiable and monotonically increasing functions. Thus, this would tend to preclude error minima from trapping the neural network classification training model when it learned.
A Back-Propagation

ผลลัพธ์ (ไทย) 1:

ในชั้นแรกของเซลล์ประสาท ฟังก์ชัน tan sigmoid โอน ซึ่งฟังก์ชันโอนย้ายไม่เชิงเส้น สร้างผลผลิตค่าระหว่าง -1 กับ 1 เป็นค่านำเข้าสุทธิของเซลล์ประสาทที่อยู่ในช่วงจากลบไปบวกอินฟินิตี้ [28] ชั้นที่สองของเซลล์ประสาทประกอบด้วยฟังก์ชันโอนย้ายเส้นหนึ่งที่สามารถแยก และกำหนดค่าผลลัพธ์ใด ๆ จากเซลล์ประสาทชั้นแรกเป็นสองผลผลิตผลลัพธ์ของมะเร็งเต้านมที่ร้ายแรงและโรคอ่อนโยนในการจัดประเภทข้อมูล mammographic ทั้งฟังก์ชันโอนย้ายเชิงเส้น และไม่เชิงเส้นไม่มีกมินิมาตั้งแต่ฟังก์ชันเชิงเส้น และไม่เชิงเส้นโอนไม่ differentiable และ monotonically เพิ่มขึ้น ดังนั้น นี้จะมักจะห้ามพลาดกมินิมาจากกับดักแบบจำลองโครงข่ายประสาทประเภทฝึกอบรมเมื่อมันได้เรียนรู้หลังเผยแพร่

ผลลัพธ์ (ไทย) 2:

ในชั้นเซลล์ประสาทแรกฟังก์ชั่นการถ่ายโอนสีน้ำตาล-sigmoid
ซึ่งเป็นฟังก์ชั่นการถ่ายโอนไม่เชิงเส้นที่สร้างเอาท์พุทค่าระหว่าง-1 ถึง 1 เป็นอินพุตสุทธิเซลล์ประสาทตั้งแต่เชิงลบจะไม่มีที่สิ้นสุดบวก [28] ชั้นที่สองของเซลล์ประสาทที่มีฟังก์ชั่นการถ่ายโอนหนึ่งเชิงเส้นที่สามารถแยกแยะและกำหนดค่าผลใด ๆ จากชั้นเซลล์ประสาทเป็นครั้งแรกที่สองผลการส่งออกของโรคมะเร็งเต้านมมะเร็งและโรคเนื้องอกในการจำแนกประเภทข้อมูล mammographic ทั้งเชิงเส้นและฟังก์ชั่นการถ่ายโอนไม่เชิงเส้นไม่ได้มีน้อยตั้งแต่เชิงเส้นและฟังก์ชั่นการถ่ายโอนเป็นอนุพันธ์เชิงเส้นและฟังก์ชั่นที่เพิ่มขึ้น monotonically ดังนั้นเรื่องนี้จะมีแนวโน้มที่จะป้องกันไม่ให้เกิดข้อผิดพลาดน้อยจากการวางกับดักการจัดหมวดหมู่เครือข่ายประสาทแบบการฝึกอบรมเมื่อมันได้เรียนรู้.
A กลับ-การขยายพันธุ์

ผลลัพธ์ (ไทย) 3:

ในชั้นเซลล์แรก แทนฟังก์ชันถ่ายโอนแบบซึ่งเป็นฟังก์ชันถ่ายโอนแบบสร้างผลผลิต
ค่าระหว่าง - 1 ถึง 1 ที่นำเข้าสุทธิของเซลล์ประสาทที่ ranged จากลบเป็นบวกอินฟินิตี้ [ 28 ]ชั้น 2 ประกอบด้วยเซลล์ประสาทหนึ่งเชิงเส้นฟังก์ชันการโอนที่สามารถแยกแยะและเลือกออกใด ๆค่าจากชั้นเซลล์เป็น 2 output ผลลัพธ์ของโรคมะเร็งเต้านมและโรคมะเร็งเนื้องอกในการจำแนกปัญหา .ทั้งเชิงเส้นและเชิงเส้นฟังก์ชันถ่ายโอนไม่ไม่นี่ ม๊าตั้งแต่ระบบสมการเชิงเส้นและไม่เชิงเส้นและถ่ายโอนหน้าที่ Differentiable ฟังก์ชันเพิ่มทางเดียวฟังก์ชั่น ดังนั้นนี้มักจะดักคอไม่นี่ ม๊าข้อผิดพลาดจากดักประสาทการจำแนกเครือข่ายการฝึกอบรมเมื่อมันเรียนรู้ .
แบบแพร่กลับ