sturbing hidden units.The above add

sturbing hidden units.
The above addressed problem may not notably deteriorate
the performance of CL on an application of vector quantization, where the goal is not to find any clusters or classes.
However,even in this case the input data density is usually not
uniform, and results like the one shown in Fig. l(a) are desired.
For the codebook we would now have three weight vectors,
each located at the center of one of the clusters. Results like
that shown in Fig. l(c) will increase the number of vectors
in the codebook, without much improvement on the coding
performance due to the fact that the code vectors which are
located at the boundary points between clusters can contribute
only a little in reducing the distortion.
Therefore, we see that the conscience strategy and FSCL
work well only when the number of clusters in the input data
set is known in advance so that we can let our CL net have
the same number of units. This is not an easy task since we
usually do not know the number of clusters in the input data a
priori. The same problem exists in the conventional k-means
clustering method: if the number of clusters k is selected
inappropriately, we may obtain very poor clustering results.
Unfortunately, the selection of k is a hard problem. It could
only be solved heuristically by some prior knowledge, or by
enumerating a number of different values and doing clustering
for each of these values so that a better value could be obtained
according to some rule, e.g., finding the value with a sharp
change on the curve of the average least square error versus
the values of IC [l]

ผลลัพธ์ (ไทย) 1:

ห้อง sturbing ที่ซ่อนอยู่ปัญหาที่อยู่ข้างต้นอาจไม่เสื่อมสภาพยวดประสิทธิภาพของ CL ในแอพลิเคชันของเวกเตอร์ quantization ที่เป้าหมายจะไม่พบกลุ่มหรือชั้นเรียนอย่างไรก็ตาม แม้แต่ในกรณีนี้ความหนาแน่นของข้อมูลที่ป้อนเข้าซึ่งมักจะไม่ต้องเครื่องแบบ และผลลัพธ์อย่างหนึ่งที่แสดงใน Fig. l(a)สำหรับ codebook เราจะมีสามน้ำหนักเวกเตอร์ละอยู่ของคลัสเตอร์หนึ่ง ผลลัพธ์เช่นที่แสดงใน Fig. l(c) จะเพิ่มหมายเลขของเวกเตอร์ใน codebook โดยไม่ต้องปรับปรุงมากในรหัสประสิทธิภาพเนื่องจากว่า รหัสเวกเตอร์ซึ่งเป็นตั้งอยู่ที่ขอบเขต จุดระหว่างคลัสเตอร์สามารถมีส่วนร่วมเพียง เล็กน้อยในการลดบิดเบี้ยวดังนั้น เราเห็นว่ากลยุทธ์จิตสำนึกและ FSCLทำงานดีเฉพาะเมื่อหมายเลขของคลัสเตอร์ข้อมูลป้อนเข้าชุดทราบล่วงหน้าเพื่อให้เราสามารถให้ CL เราสุทธิได้หมายเลขเดียวกันของหน่วย ไม่อย่างละเอียดตั้งแต่เรามักจะไม่ทราบหมายเลขของคลัสเตอร์ข้อมูลป้อนเข้าเป็นแรกสุด ปัญหาเดียวกันอยู่ในปกติ k วิธีวิธีการคลัสเตอร์: ถ้าเลือกหมายเลขของคลัสเตอร์ kสม เราอาจได้รับผลลัพธ์ดีมากระบบคลัสเตอร์อับ การเลือกของ k เป็นปัญหาหนัก มันสามารถเพียง แก้ไขสำนึก โดยความรู้เดิมบางแจงนับจำนวนของค่าต่าง ๆ และการทำคลัสเตอร์สำหรับเหล่านี้แต่ละค่าให้ดีสามารถได้รับตามกฎบางอย่าง เช่น ค้นหาค่าที่ มีความคมเปลี่ยนแปลงบนเส้นโค้งเฉลี่ยอย่างน้อยตารางข้อผิดพลาดเมื่อเทียบกับค่าของ IC [l]

ผลลัพธ์ (ไทย) 2:

sturbing หน่วยที่ซ่อน.
ปัญหาที่อยู่ด้านบนอาจไม่สะดุดตาเสื่อมประสิทธิภาพของคลอรีนในการประยุกต์ใช้เวกเตอร์การที่เป้าหมายคือไม่ได้ไปหากลุ่มหรือเรียน. อย่างไรก็ตามแม้ในกรณีนี้ความหนาแน่นของข้อมูลที่นำเข้ามักจะไม่เหมือนกันและผลอย่างหนึ่งที่แสดงในรูป ลิตร (ก) เป็นที่ต้องการ. สำหรับ codebook ตอนนี้เราจะมีสามเวกเตอร์น้ำหนักแต่ละตั้งอยู่ที่ใจกลางของหนึ่งในกลุ่มที่ ผลเหมือนที่แสดงในรูป ลิตร (ค) จะเพิ่มจำนวนของเวกเตอร์ในcodebook โดยไม่ต้องปรับปรุงมากในการเขียนโปรแกรมประสิทธิภาพเนื่องจากข้อเท็จจริงที่ว่าเวกเตอร์รหัสซึ่งเป็นที่ตั้งอยู่ที่จุดเขตแดนระหว่างกลุ่มสามารถมีส่วนร่วมเพียงเล็กๆ น้อย ๆ ในการลดการบิดเบือน. ดังนั้น เราจะเห็นว่ากลยุทธ์มโนธรรมและ FSCL ทำงานได้ดีก็ต่อเมื่อจำนวนของกลุ่มในข้อมูลเข้าที่ตั้งเป็นที่รู้จักกันล่วงหน้าเพื่อให้เราสามารถให้ CL สุทธิของเรามีหมายเลขเดียวกันของหน่วย นี้ไม่ได้เป็นเรื่องง่ายเนื่องจากเรามักจะไม่ทราบจำนวนของกลุ่มในข้อมูลอินพุตเบื้องต้น ปัญหาเดียวที่มีอยู่ในการชุมนุม k หมายถึงวิธีการจัดกลุ่ม: ถ้าจำนวนกลุ่ม k ถูกเลือก. ไม่เหมาะสมเราอาจจะได้รับผลดีมากการจัดกลุ่มแต่น่าเสียดายที่การเลือกของ k เป็นปัญหาหนัก มันอาจจะแก้ไข heuristically โดยบางความรู้ก่อนหรือโดยแจงจำนวนของค่าที่แตกต่างกันและการทำจัดกลุ่มสำหรับแต่ละค่าเหล่านี้เพื่อให้ค่าที่ดีอาจจะได้รับตามกฎบางอย่างเช่นการหาค่าที่มีความคมชัดการเปลี่ยนแปลงเส้นโค้งของตารางข้อผิดพลาดน้อยกว่าค่าเฉลี่ยเมื่อเทียบกับค่านิยมของไอซี [L]

ผลลัพธ์ (ไทย) 3:

sturbing หน่วยมิล .
ข้างต้นแก้ปัญหาอาจจะไม่สะดุดตา ประสิทธิภาพของคลอรีนในการแบ่งนับเวกเตอร์เสื่อม
ที่เป้าหมายคือไม่พบกลุ่มหรือชนชั้น .
แต่แม้ในกรณีนี้ข้อมูลความหนาแน่นมักจะไม่ได้
ชุดและผลลัพธ์อย่างหนึ่งที่แสดงในรูปที่ 1 ( ) เป็นที่ต้องการ .
สำหรับชุดเรา เดี๋ยวจะมีน้ำหนัก
3 เวกเตอร์แต่ละที่อยู่ตรงกลางของกลุ่ม ผลลัพธ์ที่แสดงในรูปที่ผมชอบ
( C ) จะเพิ่มจำนวนของเวกเตอร์
ในชุด โดยไม่มีการปรับปรุงมากในการเข้ารหัส
ประสิทธิภาพเนื่องจากรหัสเวกเตอร์ซึ่ง
ตั้งอยู่ที่จุดขอบระหว่างกลุ่มสามารถมีส่วนร่วม
เพียงเล็กน้อยในการลดการบิดเบือน
ดังนั้นเราดูที่ กลยุทธ์ มโนธรรม และ fscl
ทำงานได้ดีเฉพาะเมื่อจำนวนของกลุ่มในการป้อนข้อมูล
ชุดเป็นที่รู้จักกันล่วงหน้า เพื่อที่เราจะสามารถให้ CL สุทธิมี
หมายเลขเดียวกันของหน่วย นี้ไม่ได้เป็นงานง่ายเพราะเรา
มักจะไม่ทราบหมายเลขของกลุ่มในการป้อนข้อมูลเป็น
priori . ปัญหาเดียวกันอยู่ใน k-means
ปกติเป็นวิธีการ :ถ้าหมายเลขของกลุ่ม K เลือก
ไม่เหมาะสม เราอาจได้รับมากในการจัดกลุ่มผลลัพธ์ .
แต่เลือก K เป็นปัญหาหนัก มันอาจเป็นเพียง heuristically
โดยบางความรู้ก่อนการแก้ไข หรือด้วย
enumerating จํานวนค่าต่าง ๆ และการทำ clustering
สำหรับแต่ละค่าเหล่านี้เพื่อให้คุณค่าที่ดีอาจจะได้รับ
ตามกฎบางอย่าง เช่นการหาค่าด้วยการเปลี่ยนคม
บนเส้นโค้งของค่าเฉลี่ยความคลาดเคลื่อนกำลังสองน้อยที่สุดเมื่อเทียบกับ
ค่า IC [ L ]