However, conventional BP neural net

However, conventional BP neural networks have many short-comings, such as slow convergence, sensitivity to initial values andeasily getting into local minimum. Meanwhile, the color correctionmodel generated by the BP neural network method is not unique. Asa result, this paper brings about improvements to traditional neu-ral network by adopting the mind evolutionary computation (MEC)and adaboost algorithm (Adaboost) to optimize the BP neural net-work, and hence proposes the MEC-BP-Adaboost neural network.The proposed algorithm can effectively avoid BP neural networkgetting into local minimum and achieve relevant results after eachtraining

ผลลัพธ์ (ไทย) 1:

อย่างไรก็ตาม เครือข่ายประสาท BP ธรรมดามีหลายสั้นเสด็จมาทั้ง เช่นบรรจบกันช้า ความไวการ andeasily ค่าเริ่มต้นการเป็นท้องถิ่นอย่างน้อย ในขณะเดียวกัน correctionmodel สีที่สร้างขึ้น โดยวิธีโครงข่ายประสาท BP ไม่เฉพาะเจาะจง ผล Asa กระดาษนี้นำเกี่ยวกับการปรับปรุงเครือข่าย ral neu ดั้งเดิม โดยใช้การคำนวณเชิงวิวัฒนาการของจิตใจ (MEC) และอัลกอริทึม adaboost (Adaboost) เพื่อเพิ่มประสิทธิภาพ BP ประสาทสุทธิงาน แล้วจึง เสนอเครือข่ายประสาท MEC-BP-Adaboost อัลกอริทึมนำเสนอได้อย่างมีประสิทธิภาพสามารถหลีกเลี่ยง networkgetting ประสาท BP เป็นอย่างน้อยภายใน และให้บรรลุผลลัพธ์ที่เกี่ยวข้องหลังจาก eachtraining

ผลลัพธ์ (ไทย) 2:

อย่างไรก็ตามเครือข่ายประสาททั่วไป BP มีหลายที่มาในระยะสั้นเช่นการบรรจบกันช้าความไวต่อค่าเริ่มต้นการเข้าสู่ andeasily ขั้นต่ำในท้องถิ่น ในขณะเดียวกัน correctionmodel สีที่สร้างขึ้นโดยวิธีเครือข่ายประสาท BP จะไม่ซ้ำ ผลอาสากระดาษนี้จะนำเกี่ยวกับการปรับปรุงไปยังเครือข่าย neu-RAL แบบดั้งเดิมโดยการคิดคำนวณวิวัฒนาการ (MEC) และอัลกอริทึม adaboost (Adaboost) เพื่อเพิ่มประสิทธิภาพการทำงานของระบบประสาท BP-net และด้วยเหตุนี้เสนอ MEC-BP-Adaboost โครงข่ายประสาทเทียม อัลกอริทึมที่นำเสนอได้อย่างมีประสิทธิภาพสามารถหลีกเลี่ยง networkgetting BP ประสาทลงไปต่ำสุดในท้องถิ่นและบรรลุผลลัพธ์ที่เกี่ยวข้องหลังจาก eachtraining

ผลลัพธ์ (ไทย) 3:

อย่างไรก็ตาม ปกติ ความดัน โครงข่ายประสาทเทียมมี comings สั้นมากมาย เช่น การลู่เข้าช้า ความไวต่อค่าเริ่มต้น andeasily เข้าขั้นต่ำในท้องถิ่น ในขณะเดียวกัน สี correctionmodel สร้างโดย BP ประสาทเครือข่ายวิธีการที่ไม่ซ้ำกัน อาสา ผลกระดาษนี้จะนำเกี่ยวกับการปรับปรุงแบบดั้งเดิมหรือเครือข่ายค้าโดยการใช้จิตวิวัฒนาการการคำนวณ ( MEC ) และขั้นตอนวิธี adaboost ( adaboost ) เพื่อเพิ่ม BP ประสาทสุทธิ แล้วจึงนำเสนอ MEC BP adaboost ประสาทเครือข่าย วิธีที่เสนอมีประสิทธิภาพสามารถหลีกเลี่ยง BP ประสาท networkgetting เป็นขั้นต่ำในท้องถิ่นและบรรลุผลลัพธ์ที่เกี่ยวข้องหลังจาก eachtraining