Salgorithm,an adaptive versioncompe

Salgorithm,an adaptive versioncompetitiveoflearningthe classical(CL) has ak-meansnumberclusteringof
applications. First, it can function as an adaptive method for
clustering analysis problems encountered in statistical data
analysisor unsupervised pattern recognition [I]. Second,it can
be used for vector quantizationwhich is widely used in image
processing and speech signal processing for compressing data
and message coding [2], [3]. Third, it has also been recently
incorporated into some supervised learning methods for training multilayer feedforward nets more effectively,e.g., into the
radial basis function (RBF) nets for locating the centers of
Gaussian receptive fields [4]-[6].
However, it was found by Rumelhart et al. [7], Grossberg [8], and Hecht-Nielsen [8] that the simple classical
CL algorithm has the so called under-utilized or dead unit
problem. Many efforts have been made to solve the problem.
Grossberg’sART series [7], [lo]-[13] and Kohonen Map [14],
[15] are two main developments of the classical competitive
learning.ART provides a stable model for unsupervised pattern

ผลลัพธ์ (ไทย) 1:

Salgorithm, classical(CL) versioncompetitiveoflearningthe แบบอะแดปทีฟการมีราคา ak meansnumberclusteringofใช้งาน ครั้งแรก มันสามารถทำงานเป็นวิธีการที่เหมาะสมสำหรับวิเคราะห์ปัญหาระบบคลัสเตอร์ที่พบในข้อมูลสถิติanalysisor unsupervised การรู้จำรูปแบบ [I] สอง สามารถใช้สำหรับเวกเตอร์ quantizationwhich จะใช้ในรูปประมวลผลและการประมวลผลสัญญาณเสียงสำหรับการบีบอัดข้อมูลข้อความที่เข้ารหัส [2], และ [3] ที่สาม มันยังถูกล่าสุดรวมอยู่ในวิธีการเรียนรู้มีบางสำหรับฝึกอบรมหลายชั้น feedforward สุทธิเพิ่มเติม effectively,e.g. เป็นการมุ้ง (RBF) ฟังก์ชันพื้นฐานรัศมีในการค้นหาศูนย์เขตข้อมูลครอบครัว gaussian [4] - [6]อย่างไรก็ตาม มันถูกค้นพบ โดย Rumelhart et al. [7], Grossberg [8], [8] Hecht-นีลเส็นที่เรียบง่ายคลาสสิกอัลกอริทึม CL มีให้เรียก ใช้ภายใต้ หรือตายหน่วยปัญหา ได้ทำความพยายามในการแก้ไขปัญหาGrossberg'sART ชุด [7] [หล่อ] - [13] และ แผนที่ Kohonen [14],[15] เป็นสองหลักพัฒนาของคลาสสิกที่แข่งขันเรียนรู้ ศิลปะแสดงแบบมั่นคงรูปแบบ unsupervised

ผลลัพธ์ (ไทย) 2:

Salgorithm การปรับตัว versioncompetitiveoflearningthe คลาสสิก (CL) มี AK-meansnumberclusteringof
การใช้งาน ก่อนจะสามารถทำงานได้เป็นวิธีการปรับตัวสำหรับการจัดกลุ่มปัญหาที่พบในการวิเคราะห์ข้อมูลทางสถิติanalysisor การจดจำรูปแบบใกล้ชิด [I] ประการที่สองก็สามารถนำมาใช้สำหรับเวกเตอร์ quantizationwhich ถูกนำมาใช้กันอย่างแพร่หลายในภาพการประมวลผลและการประมวลผลสัญญาณเสียงพูดสำหรับการบีบอัดข้อมูลและการเข้ารหัสข้อความ[2], [3] ประการที่สามก็ยังได้รับเมื่อเร็ว ๆ นี้รวมอยู่ในบางวิธีการเรียนรู้ภายใต้การดูแลสำหรับมุ้งฝึกอบรมหลายคราทมีประสิทธิภาพมากขึ้นเช่นการเข้าสู่ฟังก์ชั่นพื้นฐานรัศมี(RBF) มุ้งสำหรับตำแหน่งศูนย์ของสาขาที่เปิดกว้างเสียน[4] -. [6] อย่างไรก็ตาม มันถูกพบโดย Rumelhart et al, [7], Grossberg [8] และ-ชต์นีลเซ่น [8] ที่คลาสสิกเรียบง่ายขั้นตอนวิธีCL ได้ที่เรียกว่าภายใต้การใช้หรือหน่วยงานที่ตายแล้วปัญหาที่เกิดขึ้น ความพยายามของหลายคนได้รับการทำในการแก้ปัญหา. Grossberg'sART ชุด [7], [แท้จริง] - [13] และ Kohonen แผนที่ [14] [15] สองการพัฒนาหลักของการแข่งขันคลาสสิกlearning.ART ให้เป็นรูปแบบที่มีความเสถียร สำหรับรูปแบบใกล้ชิด

ผลลัพธ์ (ไทย) 3:

salgorithm , versioncompetitiveoflearningthe แบบคลาสสิก ( CL ) มีโปรแกรม meansnumberclusteringof
AK . ครั้งแรก มันสามารถปรับฟังก์ชั่นเป็นวิธีสำหรับการวิเคราะห์ข้อมูลปัญหา

ข้อมูลสถิติ analysisor unsupervised การรู้จำแบบ [ ฉัน ] วินาที มันสามารถถูกใช้สำหรับ quantizationwhich เวกเตอร์

ใช้กันอย่างแพร่หลายในรูปภาพการประมวลผล และการประมวลผลเสียงพูดสำหรับการบีบอัดข้อมูลและการเข้ารหัสข้อความ
[ 2 ] , [ 3 ] สาม ก็ยังได้รับเมื่อเร็ว ๆนี้
รวมเข้าไปในบางวิธีสำหรับการฝึกอบรมการเรียนรู้แบบ Supervised Learning ไปข้างหน้าหลายมุ้งมีประสิทธิภาพมากขึ้น เช่น ในฟังก์ชั่นพื้นฐานรัศมี ( RBF )
มุ้งเพื่อติดตั้งที่ศูนย์
เสียนอ่อนไหวด้าน [ 4 ] - [ 6 ] .
แต่พบโดย rumelhart et al . [ 7 ]grossberg [ 8 ] และ แฮ็ชท์ Nielsen [ 8 ] ที่
คลาสสิกที่เรียกว่าขั้นตอนวิธีง่ายๆ CL ได้ภายใต้ใช้หรือปัญหาหน่วย
ตาย มีความพยายามที่จะแก้ปัญหา .
grossberg'sart ชุด [ 7 ] , [ Lo ] - [ 13 ] และการแผนที่ [ 14 ]
[ 15 ] หลักสองการพัฒนาคลาสสิกแข่งขัน
learning.art ให้แบบคงที่สำหรับ unsupervised รูปแบบ