In general, an RBF network can be d

In general, an RBF network can be described as constructing global approximations to functions using combinations
of basic functions centered around weight vectors. In fact, it has been shown that RBF networks are universal
function approximators. Practically, however, the approximated function must be smooth and piecewise
continuous. Consequently, although RBF networks can be used for discrimination and classification tasks, binary
pattern classification functions that are not piecewise continuous (e.g., parity) pose problems for RBF networks
Thus, RB The RBF network used in this work is given in Figure 1. It consists of an input layer, one hidden layer
and an output layer.

ผลลัพธ์ (ไทย) 1:

ทั่วไป เครือข่าย RBF สามารถอธิบายเป็นการสร้างโลก approximations เพื่อฟังก์ชั่นการใช้ชุดพื้นฐานของเสน่ห์น้ำหนักเวกเตอร์ ในความเป็นจริง มันแสดงว่า เครือข่าย RBF เป็นสากลฟังก์ชัน approximators จริง อย่างไรก็ตาม ฟังก์ชันค่าต้องเรียบ และ piecewiseต่อเนื่อง จึง ถึงแม้ว่าเครือข่าย RBF สามารถใช้สำหรับการเลือกปฏิบัติและการจัดประเภทงาน ไบนารีรูปแบบฟังก์ชันการจำแนกที่ piecewise ไม่ต่อเนื่อง (เช่น เท่าเทียมกัน) ก่อให้เกิดปัญหาสำหรับเครือข่าย RBFดังนั้น เครือข่าย RBF RB ที่ใช้ในการทำงานนี้ถูกกำหนดในรูปที่ 1 ประกอบด้วยชั้นอินพุต ชั้นหนึ่งซ่อนอยู่และชั้นการแสดงผล

ผลลัพธ์ (ไทย) 2:

โดยทั่วไปเครือข่าย RBF สามารถอธิบายได้ว่าสร้างประมาณทั่วโลกเพื่อฟังก์ชั่นโดยใช้ชุด
ของฟังก์ชั่นพื้นฐานแน่นิ่งเวกเตอร์น้ำหนัก ในความเป็นจริงจะได้รับการแสดงให้เห็นว่าเครือข่าย RBF เป็นสากล
approximators ฟังก์ชั่น จวน แต่ฟังก์ชั่นโดยประมาณจะต้องเรียบและค่
อย่างต่อเนื่อง ดังนั้นแม้ว่าเครือข่าย RBF สามารถใช้สำหรับการเลือกปฏิบัติและการจัดงานไบนารี
รูปแบบฟังก์ชั่นการจัดหมวดหมู่ที่ไม่ค่อย่างต่อเนื่อง (เช่นความเท่าเทียมกัน) ก่อให้เกิดปัญหาสำหรับเครือข่าย RBF
ดังนั้น RB เครือข่าย RBF ที่ใช้ในงานนี้จะได้รับในรูปที่ 1 ประกอบด้วยชั้นการป้อนชั้นซ่อนหนึ่ง
และชั้นเอาท์พุท

ผลลัพธ์ (ไทย) 3:

ในทั่วไป , RBF เครือข่ายสามารถอธิบายการสร้างโลกการประมาณฟังก์ชันการใช้ชุดฟังก์ชั่นพื้นฐานศูนย์กลางรอบเวกเตอร์น้ำหนัก ในความเป็นจริง มันได้ถูกแสดงว่าบริษัทมีเครือข่ายสากลฟังก์ชัน approximators . ในทางปฏิบัติ อย่างไรก็ตาม โดยประมาณฟังก์ชันต้องเรียบและ Nameอย่างต่อเนื่อง ดังนั้น แม้ว่าเครือข่ายสำเร็จรูปสามารถใช้งานและการแบ่งแยกประเภทไบนารีรูปแบบหมวดหมู่ฟังก์ชันที่ไม่ได้เป็นช่วงต่อเนื่อง ( เช่นกัน ) ก่อให้เกิดปัญหาสำหรับเครือข่ายบริษัทดังนั้น , RB ฐานเครือข่ายใช้ในงานนี้จะได้รับในรูปที่ 1 มันประกอบด้วย input layer , เลเยอร์ที่ซ่อนอยู่และส่งออกชั้น