When Hebbian learning was used in a

When Hebbian learning was used in a feedforward network, the weight vector converged
to the eigenvector corresponding to the highest eigenvalue of the autocorrelation matrix
of the input data. When Sanger’s or Oja’s rule, extensions of the basic Hebb’s rule, were
used, the network was able to extract the top K eigenvectors of the autocorrelation
matrix of the input data.

ผลลัพธ์ (ไทย) 1:

เมื่อเรียนรู้ Hebbian ใช้ในเครือข่าย feedforward เวกเตอร์น้ำหนัก convergedการ eigenvector ที่สอดคล้องกับ eigenvalue สูงสุดของเมทริกซ์ autocorrelationของข้อมูลที่ป้อนเข้า เมื่อมีกฎของ Sanger หรือของ Oja ส่วนขยายของกฎของ Hebb พื้นฐานใช้ เครือข่ายได้แยกลักษณะเฉพาะบน K ของ autocorrelation การเมตริกซ์ของข้อมูลป้อนเข้า

ผลลัพธ์ (ไทย) 2:

เมื่อเรียนรู้ Hebbian ที่ใช้ในเครือข่ายคราทเป็นเวกเตอร์น้ำหนักแปรสภาพให้กับวิคเตอร์ที่สอดคล้องกับค่าเฉพาะที่สูงที่สุดของเมทริกซ์อัตของข้อมูลเข้า เมื่อแซงเจอร์หรือกฎ Oja ของส่วนขยายของพื้นฐานกฎ Hebb ถูกใช้ในเครือข่ายก็สามารถที่จะแยกK eigenvectors ด้านบนของอัตเมทริกซ์ของข้อมูลเข้า

ผลลัพธ์ (ไทย) 3:

เมื่อ hebbian การเรียนรู้มาใช้ในเครือข่ายไปข้างหน้า น้ำหนักเวกเตอร์แปรสภาพ
ให้สอดคล้องกับค่าไอเกนเวกเตอร์สูงสุดของ autocorrelation เมทริกซ์
ของข้อมูลเริ่มต้น เมื่อ แซงเกอร์ หรือกฎ oja เป็นส่วนขยายของกฎพื้นฐานของเฮบ )
ใช้เครือข่ายคือสามารถสกัดด้านบน K เสนอของ autocorrelation เมทริกซ์ของข้อมูลเข้า
.