In the field of neural networks, Ma

In the field of neural networks, Mathieson [8] proposed a model based on the POM statistical algorithm. In this paper, the POM algorithm is adapted for nonlinear problems by including basis functions in the original formulation.Crammer and Singer [16] generalized the online perceptron
algorithm with multiple thresholds to perform ordinal ranking.Cheng et al. [17] proposed an approach to adapt a traditional neural network to learn ordinal ranks. This proposal can be
observed as a generalization of the perceptron method into multilayer perceptrons (neural network) for OR. Extreme learning machine (ELM) is a framework to estimate the parameters of single-layer feedforward neural networks (SLFNNs), where the hidden layer parameters do
not need to be tuned but they are randomly assigned [18]. ELMs have demonstrated good scalability and generalization performance with a faster learning speed when compared with other models such as SVMs and backpropagation neural networks [19]. The natural adaptation of the ELM
framework to OR problems has not been yet deeply investigated. The ELM for OR (ELMOR) algorithm [20] is the first example of research in this direction. Deng et al. [20] proposed an encoding-based framework for OR, which includes three encoding schemes: single multioutput classifier,
multiple binary-classifications with one-against-all decomposition method and one-against-one method. Then, the parameters of the SLFNN are determined according to the proposed
encoding and the traditional ELM (the input weights are assigned randomly and output weights are estimated solving the Moore–Penrose pseudoinverse matrix).

Kết quả (Việt) 1:

Trong lĩnh vực mạng nơ-ron, Mathieson [8] đề xuất một mô hình dựa trên các thuật toán thống kê POM. Trong bài báo này, các thuật toán POM là thích nghi với phi tuyến vấn đề bằng cách bao gồm hàm cơ sở trong việc xây dựng ban đầu. Crammer và ca sĩ [16] Tổng quát perceptron trực tuyếnthuật toán với nhiều ngưỡng để thực hiện tự xếp hạng. Cheng et al. [17] đề xuất một cách tiếp cận để thích ứng với một mạng nơ-ron truyền thống để tìm hiểu tự đứng. Đề xuất này có thểquan sát như là một tổng quát của phương pháp perceptron vào đa lớp perceptrons (thần kinh mạng) cho hoặc. Cực học tập máy (ELM) là một khuôn khổ để ước tính các thông số của các đĩa đơn lớp feedforward thần kinh mạng (SLFNNs), nơi các thông số ẩn lớp làmkhông cần phải được điều chỉnh nhưng chúng ngẫu nhiên được phân công [18]. ELMs đã chứng minh hiệu suất tốt của khả năng mở rộng và tổng quát với một tốc độ học tập nhanh hơn khi so sánh với các mô hình khác chẳng hạn như SVMs và backpropagation mạng nơ-ron [19]. Thích ứng tự nhiên của ELMkhuôn khổ để OR vấn đề đã không được được sâu nghiên cứu. ELM cho thuật toán hoặc (ELMOR) [20] là ví dụ đầu tiên của nghiên cứu theo hướng này. Đặng et al. [20] đề xuất một khuôn khổ dựa trên mã hóa cho, hoặc bao gồm ba chương trình mã hóa: duy nhất multioutput loại,nhiều nhị phân phân loại với phương pháp phân hủy một chống lại tất cả và chống lại một phương pháp. Sau đó, các tham số của SLFNN được xác định theo các đề xuấtmã hóa và truyền thống ELM (trọng lượng đầu vào được chỉ định ngẫu nhiên và sản lượng trọng lượng được ước tính giải quyết ma trận pseudoinverse Moore-Penrose).

Kết quả (Việt) 2:

Trong các lĩnh vực của mạng lưới thần kinh, Mathieson [8] đề xuất một mô hình dựa trên các thuật toán thống kê POM. Trong bài báo này, các thuật toán POM được chuyển thể cho vấn đề phi tuyến bằng cách bao gồm các chức năng cơ bản trong formulation.Crammer gốc và Ca sĩ [16] tổng quát Perceptron trực tuyến
thuật toán với nhiều ngưỡng để thực hiện tự ranking.Cheng et al. [17] đề xuất một cách tiếp cận để thích ứng với một mạng lưới thần kinh truyền thống để tìm hiểu cấp bậc thứ tự. Đề xuất này có thể được
quan sát như là một sự tổng quát của phương pháp perceptron vào perceptron đa lớp (mạng nơron) cho OR. Học máy Extreme (ELM) là một khuôn khổ để ước lượng các tham số của đơn lớp feedforward mạng thần kinh (SLFNNs), nơi mà các thông số lớp ẩn nào
không cần phải được điều chỉnh nhưng chúng được phân ngẫu nhiên [18]. Tia lửa đã chứng minh khả năng mở rộng tốt và hiệu suất tổng quát với một tốc độ nhanh hơn khi học tập so với các mô hình khác như SVMs và lan truyền ngược các mạng thần kinh [19]. Sự thích ứng tự nhiên của ELM
khuôn khổ để HOẶC vấn đề chưa được điều tra chưa sâu sắc. ELM cho OR (ELMOR) thuật toán [20] là ví dụ đầu tiên của nghiên cứu theo hướng này. Deng et al. [20] đề xuất một khuôn khổ mã hóa dựa trên cho OR, trong đó bao gồm ba cơ chế mã hóa: phân loại multioutput duy nhất,
nhiều nhị phân với một-đối-tất cả các phương pháp phân hủy và phương pháp chống lại một-một. Sau đó, các thông số của SLFNN được xác định theo các đề xuất
mã hóa và truyền thống ELM (trọng lượng đầu vào được phân ngẫu nhiên và trọng lượng đầu ra được ước tính việc giải quyết các pseudoinverse ma trận Moore-Penrose).