The classification stage is the dec

The classification stage is the decision making part of a recognition system and it uses the
features extracted in the previous stage. A feed forward back propagation neural network having
two hidden layers with architecture of 54-100-100-38 is used to perform the classification. The
hidden layers use log sigmoid activation function, and the output layer is a competitive layer, as
one of the characters is to be identified. The feature vector is denoted as X where
X = (f1, f2,…,fd) where fdenotes features and d is the number of zones into which each character
is divided. The number of input neurons is determined by length of the feature vector d. The
total numbers of characters n determines the numberof neurons in the output layer. The number
of neurons in the hidden layers is obtained by trial and error. The most compact network is
chosen and presented.

ผลลัพธ์ (ไทย) 1:

จัดประเภทเป็นการตัดสินใจทำส่วนหนึ่งของระบบการรับรู้และใช้การ
คุณสมบัติสกัดในระยะก่อนหน้านี้ A อาหารเผยแพร่หลังไปข้างหน้ามีข่ายประสาท
2 ชั้นซ่อนอยู่กับสถาปัตยกรรมของ 54-100-100-38 จะใช้การจัดประเภทการ ใน
ชั้นซ่อนใช้ล็อก sigmoid เปิดใช้งานฟังก์ชัน และการแสดงผลชั้นเป็นชั้นที่แข่งขัน
หนึ่งตัวจะมีระบุ เวกเตอร์คุณลักษณะสามารถระบุเป็นตำแหน่งที่ X
X = (f1, f2,..., fd) ที่คุณสมบัติ fdenotes และ d เป็นจำนวนโซนในที่อักขระแต่ละตัว
แบ่งออก จำนวน neurons เข้าเป็นไปตามความยาวของ d เวกเตอร์คุณลักษณะ ใน
จำนวน n ตัวอักษรกำหนด neurons numberof ในชั้นออก หมายเลข
ของ neurons ในชั้นซ่อนได้รับ โดยการลองผิดลองถูก เครือข่ายขนาดเล็กที่สุด
เลือก และนำเสนอ

ผลลัพธ์ (ไทย) 2:

ขั้นตอนการจัดหมวดหมู่การตัดสินใจเป็นส่วนหนึ่งของระบบการรับรู้และใช้
คุณสมบัติที่สกัดในขั้นตอนก่อนหน้า ป้อนไปข้างหน้าเครือข่ายประสาทการขยายพันธุ์กลับมี
สองชั้นที่ซ่อนอยู่กับสถาปัตยกรรมของ 54-100-100-38 จะใช้ในการดำเนินการจัดหมวดหมู่
ชั้นที่ซ่อนใช้ฟังก์ชั่นเข้าสู่ระบบยืนยันการใช้งาน sigmoid และชั้นเอาท์พุทเป็นชั้นที่มีการแข่งขันที่เป็น
หนึ่งในตัวละครที่จะระบุ เวกเตอร์ลักษณะการแสดงเป็น X ที่
X = (F1, F2, ... , FD) ที่ fdenotes คุณสมบัติและ D คือจำนวนของโซนเป็นที่ตัวละครแต่ละตัว
จะถูกแบ่ง จำนวนของเซลล์ประสาทที่นำเข้าจะถูกกำหนดโดยความยาวของเวกเตอร์คุณลักษณะง
ตัวเลขรวมของตัวละคร n กำหนดเซลล์ประสาทจํานวนในชั้นเอาท์พุท จำนวน
ของเซลล์ประสาทในชั้นที่ซ่อนอยู่จะได้รับโดยการทดลองและข้อผิดพลาด เครือข่ายขนาดเล็กที่สุดจะ
ได้รับการแต่งตั้งและนำเสนอ

ผลลัพธ์ (ไทย) 3:

ขั้นตอนการตัดสินใจการเป็นส่วนหนึ่งของระบบการรับรู้และใช้
คุณสมบัติสกัดในขั้นตอนก่อนหน้า ดึงไปข้างหน้ากลับโดยนิวรอลมี
ชั้นซ่อนสองกับสถาปัตยกรรมของ 54-100-100-38 ใช้แสดงการจำแนกประเภท
ชั้นซ่อนแบบใช้เข้าสู่ระบบกระตุ้นการทำงาน และผลผลิต ชั้น คือ ชั้นแข่งขันตามที่
หนึ่งในตัวละครที่ถูกระบุถึง คุณลักษณะเวกเตอร์เขียนเป็น X ที่
x = ( F1 , F2 , . . . , FD ) ที่ fdenotes คุณลักษณะและ D เป็นจำนวนของโซนที่ตัวละครแต่ละตัว
แบ่งเป็น . จำนวนเซลล์ประสาท input จะถูกกำหนดโดยความยาวของเวกเตอร์คุณลักษณะ D
ตัวเลขรวมของตัวอักษร n กำหนดจำนวนเซลล์ประสาทในการแสดงผลชั้น หมายเลข
เซลล์ประสาทในชั้นซ่อนได้โดยการทดลองและข้อผิดพลาด เครือข่ายขนาดเล็กที่สุดคือ
เลือกและนำเสนอ