During the training process, the in

During the training process, the input vector (P×N), including N clinical instances and P attributes of the mammographic data (where P = 5 attributes including BIRADS, age, shape, margin, and density), were fed into the input vector processor. The input vector processor first normalized the five input attributes and then generated two additional attributes, including the combined products of “Age*BIRADS” and “Shape*BIRADS.” Thus, the output data matrix of the input vector processor, which included N clinical instances and 7 attributes, was used for the two-stage neural network classification unit. The classification unit propagated all input patterns for determining all outputs. After comparing the outputs of the model with the target output class, an error was obtained and multiplied by a scaling parameter, which was adjusted by the learning rate controller. Next, the weights were updated after the error was minimized at each stage through the weight update unit. The process was repeated until a sum of squared error (SSE) or MMSE was less than a pre-defined error value or until the training epochs were used up. Then, the resulting weights were stored in the training weights unit.

ผลลัพธ์ (ไทย) 1:

ในระหว่างกระบวนการฝึกอบรม เวกเตอร์อินพุต (P × N), รวมถึงกรณีคลินิก N และ P แอตทริบิวต์ของข้อมูล mammographic (ที่ P = 5 คุณลักษณะรวมทั้ง BIRADS อายุ รูปร่าง กำไร และความหนาแน่น), ถูกป้อนเข้าสู่หน่วยประมวลผลเวกเตอร์อินพุต ประมวลผลเวกเตอร์อินพุตตามปกติแอตทริบิวต์การนำเข้า 5 อันดับแรก และจากนั้น สร้างสองคุณลักษณะเพิ่มเติม รวมถึงผลิตภัณฑ์รวมของ "อายุ * BIRADS " และ "รูปร่าง * BIRADS " ดังนั้น เมตริกซ์ข้อมูลผลผลิตของตัวประมวลผลเวกเตอร์อินพุต ซึ่งรวม N กรณีคลินิกและแอตทริบิวต์ 7 ใช้สำหรับหน่วยประเภทสองโครงข่ายประสาท หน่วยจัดประเภทเผยแพร่รูปแบบอินพุตทั้งหมดสำหรับการกำหนดแสดงผลทั้งหมด หลังจากเปรียบเทียบการแสดงผลของแบบจำลองกับเป้าหมายผลผลิตระดับ ข้อผิดพลาดได้ และคูณ ด้วยพารามิเตอร์มาตราส่วน ซึ่งถูกปรับปรุง โดยการเรียนรู้ควบคุมอัตราการ ถัดไป น้ำหนักถูกปรับปรุงหลังจากข้อผิดพลาดถูกย่อเล็กสุดในแต่ละขั้นตอนผ่านการปรับปรุงหน่วย การถูกทำซ้ำจนกว่าผลรวมของข้อผิดพลาดที่ยกกำลังสอง (SSE) หรือ MMSE มีน้อย กว่าค่ากำหนดไว้ล่วงหน้าข้อผิดพลาด หรือจน กว่า epochs ฝึกใช้ค่า น้ำหนักได้ถูกเก็บไว้ในหน่วยน้ำหนักฝึกแล้ว

ผลลัพธ์ (ไทย) 2:

ในระหว่างขั้นตอนการฝึกอบรมแบบเวกเตอร์ที่อินพุท (P × N) รวมถึงกรณีที่ทางคลินิกไนโตรเจนและฟอสฟอรัสแอตทริบิวต์ของข้อมูล mammographic (ที่ P = 5 รวมถึงคุณลักษณะ BIRADS อายุรูปร่างขอบและความหนาแน่น) ได้รับการเลี้ยงดูเป็นเวกเตอร์ที่นำเข้า หน่วยประมวลผล หน่วยประมวลผลเวกเตอร์ป้อนข้อมูลครั้งแรกปกติห้าแอตทริบิวต์การป้อนข้อมูลและสร้างแล้วสองคุณลักษณะเพิ่มเติมรวมทั้งผลิตภัณฑ์รวมของ "ยุค * BIRADS" และ "Shape * BIRADS." ดังนั้นเมทริกซ์ข้อมูลการส่งออกของหน่วยประมวลผลแบบเวกเตอร์ที่นำเข้าซึ่งรวมถึงไม่มีทางคลินิก กรณีและ 7 คุณลักษณะที่ถูกนำมาใช้สำหรับสองขั้นตอนการจำแนกประเภทหน่วยโครงข่ายประสาทเทียม หน่วยการจำแนกรูปแบบการแพร่กระจายเข้าทั้งหมดสำหรับการกำหนดผลทั้งหมด หลังจากเปรียบเทียบผลของรูปแบบที่มีระดับการส่งออกเป้าหมายที่มีข้อผิดพลาดที่ได้รับและคูณด้วยพารามิเตอร์ปรับซึ่งได้รับการปรับโดยควบคุมอัตราการเรียนรู้ ถัดไปน้ำหนักได้รับการปรับปรุงข้อผิดพลาดหลังจากที่ได้รับการลดลงในขั้นตอนแต่ละหน่วยน้ำหนักการปรับปรุง กระบวนการซ้ำจนกว่าจะมีข้อผิดพลาดผลรวมของการยกกำลังสอง (SSE) หรือ MMSE ได้น้อยกว่าค่าความผิดพลาดที่กำหนดไว้ล่วงหน้าหรือจนกว่าจะมีการฝึกอบรม epochs ถูกนำมาใช้ขึ้น จากนั้นน้ำหนักผลที่ถูกเก็บไว้ในการฝึกอบรมหน่วยน้ำหนัก

ผลลัพธ์ (ไทย) 3:

ในระหว่างกระบวนการฝึกอบรม ข้อมูลเวกเตอร์ ( P × n ) รวมทั้ง N และ P กรณีคลินิกคุณลักษณะของข้อมูลปัญหา ( ที่ p = 5 คุณลักษณะรวมถึงไบแร็ด อายุ รูปร่าง ขอบ และความหนาแน่น ) ถูกป้อนเข้าป้อนเวกเตอร์หน่วยประมวลผลกลาง ตัวแรก ปกติใส่เวกเตอร์ห้าใส่แอตทริบิวต์ และสร้างขึ้น จากนั้นอีกสองลักษณะรวมถึงการรวมผลิตภัณฑ์ของ " อายุ * ไบแร็ด” และ “รูปร่าง * ไบแร็ด . " ดังนั้น , ข้อมูลเมทริกซ์ของอินพุตเวกเตอร์หน่วยประมวลผลกลาง ซึ่งประกอบด้วย n กรณีคลินิกและ 7 ลักษณะ คือ ใช้สำหรับการจำแนกเครือข่ายประสาทแบบหน่วย หน่วยจำแนกรูปแบบการป้อนข้อมูลทั้งหมดที่ถูกกำหนดเอาท์พุททั้งหมดเมื่อเปรียบเทียบผลของแบบจำลองกับเป้าหมายผลผลิต คลาส ข้อผิดพลาดและได้รับคูณด้วยการปรับค่าพารามิเตอร์ที่ปรับโดยควบคุมอัตราการเรียนรู้ ถัดไป , น้ำหนักได้รับการปรับปรุงหลังจากข้อผิดพลาดน้อยที่สุดในแต่ละขั้นตอนผ่านหน่วยน้ำหนักปรับปรุงกระบวนการทำซ้ำจนกว่าผลรวมของความคลาดเคลื่อนกำลังสอง ( SSE ) หรือข้อมูลน้อยกว่าที่กำหนดไว้ล่วงหน้าหรือจนกว่าข้อผิดพลาดค่าฝึกอบรมยุคสมัยที่ถูกใช้ขึ้น แล้วผลน้ำหนักที่ถูกเก็บไว้ในน้ำหนักการฝึกอบรมยูนิท