Most unsupervised neural networks p

Most unsupervised neural networks perform some form of gradient descent on an error
function, normally the sum squared error, and as such are likely to fall into a local
minimum. Attempts to overcome this problem have concentrated on two approaches:
modifying the objective function and thereby the update rule, and secondly using some
form of simulated annealing [Metropolis et al., 1953]. In practice, in both approaches,
all the nodes in the network are updated on each vector presentation, rather than just the
winner. The term soft competition is used to embrace both methods.

ผลลัพธ์ (ไทย) 1:

สุด unsupervised ประสาทเครือข่ายทำรูปแบบของเชื้อสายไล่ระดับข้อผิดพลาดทำงาน ปกติผลลอการิทึมข้อผิดพลาด และดังจะตกเฉพาะต่ำสุด ความพยายามที่จะเอาชนะปัญหานี้ได้เข้มข้นในสองวิธี:ปรับเปลี่ยนฟังก์ชันวัตถุประสงค์ และเพื่อปรับปรุงกฎ และประการที่สอง ใช้บางรูปแบบของการจำลองการอบเหนียว [นครร้อยเอ็ด al., 1953] ในทางปฏิบัติ ในทั้งสองวิธีทุกโหนดในเครือข่ายมีการอัพเดตในแต่ละเวกเตอร์เสนอ มากกว่าเพียงการผู้ชนะ คำที่ใช้แข่งขันนุ่มสวมกอดทั้งสองวิธี

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทส่วนใหญ่ใกล้ชิดดำเนินการรูปแบบของการไล่ระดับสีโคตรบางอย่างเกี่ยวกับข้อผิดพลาดการทำงานตามปกติรวมสองข้อผิดพลาดและเป็นเช่นนี้มีแนวโน้มที่จะตกอยู่ในท้องถิ่นขั้นต่ำ ความพยายามที่จะเอาชนะปัญหานี้มีความเข้มข้นในสองวิธี: การปรับเปลี่ยนฟังก์ชั่นวัตถุประสงค์และจึงกฎการปรับปรุงและประการที่สองโดยใช้รูปแบบของการอบจำลอง [. มหานคร, et al, 1953] ในทางปฏิบัติในวิธีการทั้งสองโหนดทั้งหมดในเครือข่ายที่มีการปรับปรุงในแต่ละการนำเสนอเวกเตอร์มากกว่าแค่ชนะ การแข่งขันระยะนุ่มจะใช้ในการโอบกอดทั้งสองวิธี