Neural NetworksAn ANN is a mathemat

Neural Networks
An ANN is a mathematical model whose operating principle is based on biological neural networks (Haykin, 1999). The ANN architecture comprises a series of interconnected layered neurons through which inputs are processed. These inputs values are multiplied by the synaptic weights, which represent the strength of the neural connections. Figure 1 shows a typical feedforward ANN structure containing an input, hidden, and output layer. This configuration is very popular for function approximation in systems where no time-dependent relationship exists among the network inputs. Increasing the size of the hidden layer allows for more intricate function fitting of nonlinear processes; however, overfitting of training data is undesirable when good generalization abilities are needed (Demuth et al., 2010). Many methods exist for improving generalization such as data filtering, feedback elements, regularization, and network reduction. Reducing the number or neurons in the hidden layer is an effective method of improving generalization because small networks do not have the capability of overfitting the training data. The synaptic weights are configured during back propagation training (Hecht-Nielsen, 1989). Once trained, a SANN has no feedback elements and contains no delays.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทแอนเป็นแบบจำลองทางคณิตศาสตร์ที่มีหลักการทำงานอยู่บนเครือข่ายระบบประสาทชีวภาพ (Haykin, 1999) สถาปัตยกรรมแอนประกอบด้วยชุดของการเชื่อมต่อระหว่างเซลล์ประสาทชั้นซึ่งอินพุตจะถูกประมวลผล ค่าปัจจัยการผลิตเหล่านี้จะคูณ ด้วยน้ำหนักผู้ ซึ่งแสดงถึงความแรงของการเชื่อมต่อระบบประสาท รูปที่ 1 แสดงที่ feedforward ทั่วไปแอนโครงสร้างที่ประกอบด้วยการป้อนข้อมูล ซ่อนอยู่ และพุชั้น กำหนดค่านี้เป็นที่นิยมมากสำหรับการประมาณฟังก์ชันในระบบที่ไม่มีความสัมพันธ์ขึ้นอยู่กับเวลาที่มีอยู่ระหว่างเครือข่ายปัจจัยการผลิต เพิ่มขนาดของเลเยอร์ที่ซ่อนอยู่ช่วยให้การติดตั้งฟังก์ชันที่ซับซ้อนมากขึ้นของกระบวนการเชิงเส้น อย่างไรก็ตาม overfitting ของข้อมูลการฝึกอบรมได้ผลดีลักษณะความสามารถจำเป็น (Demuth et al. 2010) มีหลายวิธีในการปรับปรุงลักษณะเช่นการกรองข้อมูล องค์ประกอบของความคิดเห็น regularization และเครือข่ายลด ลดจำนวนหรือเซลล์ประสาทในชั้นซ่อนเป็นวิธีมีประสิทธิภาพของการปรับปรุงลักษณะเนื่องจากเครือข่ายขนาดเล็กไม่มีความสามารถของ overfitting ข้อมูลการฝึกอบรม น้ำหนักผู้ถูกกำหนดค่าในระหว่างการเผยแพร่หลังการฝึกอบรม (นโทนี่ชต์นีล 1989) เมื่อผ่านการฝึกอบรม SANN ไม่มีความคิดเห็นองค์ประกอบ และประกอบด้วยความล่าช้าไม่

ผลลัพธ์ (ไทย) 2:

โครงข่ายประสาท
ANN ไปเป็นแบบจำลองทางคณิตศาสตร์ที่มีหลักการการดำเนินงานอยู่บนพื้นฐานของโครงข่ายประสาท (Haykin, 1999) สถาปัตยกรรม ANN ประกอบด้วยชุดของเซลล์ชั้นที่เชื่อมต่อกันผ่านที่ปัจจัยการผลิตที่มีการประมวลผล ค่าปัจจัยการผลิตเหล่านี้จะถูกคูณด้วยน้ำหนัก synaptic ซึ่งเป็นตัวแทนของความแข็งแรงของการเชื่อมต่อระบบประสาท รูปที่ 1 แสดงให้เห็นถึงคราทโครงสร้างทั่วไป ANN ที่มีการป้อนข้อมูลที่ซ่อนอยู่และชั้นที่เอาท์พุท การกำหนดค่านี้เป็นที่นิยมมากสำหรับการประมาณฟังก์ชั่นในระบบที่ไม่มีความสัมพันธ์ที่ขึ้นกับเวลาที่มีอยู่ในหมู่ปัจจัยการผลิตเครือข่าย การเพิ่มขนาดของชั้นที่ซ่อนอยู่ช่วยให้กระชับฟังก์ชั่นที่ซับซ้อนมากขึ้นของกระบวนการไม่เชิงเส้น แต่อิงข้อมูลการฝึกอบรมเป็นที่พึงปรารถนาเมื่อความสามารถทั่วไปที่ดีมีความจำเป็น (Demuth et al., 2010) วิธีการมากมายที่มีอยู่สำหรับการปรับปรุงทั่วไปเช่นการกรองข้อมูลองค์ประกอบข้อเสนอแนะ, กูและการลดลงของเครือข่าย การลดจำนวนหรือเซลล์ประสาทในชั้นซ่อนเป็นวิธีที่มีประสิทธิภาพในการปรับปรุงทั่วไปเพราะเครือข่ายขนาดเล็กไม่ได้มีความสามารถในการ overfitting ข้อมูลการฝึกอบรม น้ำหนัก synaptic มีการกำหนดค่าระหว่างการฝึกอบรมการขยายพันธุ์กลับ (ชต์-นีลเซ่น, 1989) เมื่อได้รับการฝึกฝนเป็น Sann ไม่มีองค์ประกอบที่มีข้อเสนอแนะและไม่มีความล่าช้า

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมมีแอนเป็นแบบจำลองทางคณิตศาสตร์ที่มีหลักการทำงานโดยใช้โครงข่ายประสาทเทียมแท้ๆ ( haykin , 1999 ) สถาปัตยกรรม แอน ประกอบด้วยชุดของชั้นเชื่อมโยงเซลล์ประสาทซึ่งกระผมจะประมวลผล เหล่านี้เป็นปัจจัยค่าคูณด้วยน้ำหนัก Synaptic ซึ่งเป็นตัวแทนของความแข็งแรงของการเชื่อมต่อประสาท รูปที่ 1 แสดงโครงสร้างแบบแอนไปข้างหน้าที่มี input , ที่ซ่อนอยู่และชั้นออก การตั้งค่านี้เป็นที่นิยมมากสำหรับการประมาณค่าฟังก์ชันในระบบที่ไม่มีเวลาความสัมพันธ์ที่มีอยู่ระหว่างเครือข่ายข้อมูล การเพิ่มขนาดของชั้นซ่อนช่วยให้ฟังก์ชันซับซ้อนมากขึ้นที่เหมาะสมของกระบวนการเชิงเส้น อย่างไรก็ตาม overfitting ข้อมูลไม่พึงประสงค์เมื่อความสามารถในการฝึกที่ดีมีความจำเป็น ( ดิเมิท et al . , 2010 ) มีอยู่หลายวิธีเพื่อปรับปรุงการ เช่น การกรองข้อมูล องค์ประกอบผิดกฎหมายข้อเสนอแนะและการลดลงของเครือข่าย การลดจํานวนหรือเซลล์ประสาทในชั้นซ่อนเป็นวิธีที่มีประสิทธิภาพของการปรับปรุงการเพราะเครือข่ายขนาดเล็กไม่ได้มีความสามารถใน overfitting ข้อมูลการฝึกอบรม น้ำหนักโปรแกรมจะตั้งค่าในระหว่างการฝึกอบรมแพร่กลับ ( เฮชท์ นีลเซ่น , 1989 ) เมื่อผ่านการอบรม , Sann ไม่มีองค์ประกอบความคิดเห็นและมีความล่าช้า