3.3. Multi-layer feedforward neural

3.3. Multi-layer feedforward neural network (MLFF)
MLFF is one of the most common NN structures, as they are simple
and effective, and have found home in a wide assortment of machine
learning applications. MLFF starts as a network of nodes arranged in
three layers—the input, hidden, and output layers. The input and
output layers serve as nodes to buffer input and output for the model,
respectively, and the hidden layer serves to provide a means for input
relations to be represented in the output. Before any data is passed to
the network, the weights for the nodes are random, which has the
effect of making the network much like a newborn's brain—developed
but without knowledge. MLFF are feed-forward NN trained with the
standard back-propagation algorithm. They are supervised networks
so they require a desired response to be trained. They learn how to
transform input data into a desired response. So they are widely used
for pattern classification and prediction. A multi-layer perceptron is
made up of several layers of neurons. Each layer is fully connected to
the next one. With one or two hidden layers, they can approximate
virtually any input–output map. They have been shown to yield
accurate predictions in difficult problems [39].
3.4. Group method of data handling (GMDH)
GMDH was introduced by Ivakhnenko [21] in 1966 as an inductive
learning algorithm for modeling complex systems. It is a selforganizing
approach that tests increasingly complicated models and
evaluates them using some external criterion on separate parts of the
data sample. GMDH is partly inspired by research in perceptrons and
learning filters. GMDH has influenced the development of several
techniques for synthesizing (or ‘self-organizing’) networks of polynomial
nodes. GMDH attempts a hierarchic solution by trying out
many simple models, retaining the best of these models, and building
on them iteratively to obtain a composition (or feed-forward
network) of functions as the model. The building blocks of GMDH,
or polynomial nodes, usually have the quadratic form:

Kết quả (Việt) 1:

3.3. mạng nơ-ron nhiều lớp feedforward (MLFF)MLFF là một trong các cấu trúc NN phổ biến nhất, vì họ là đơn giảnvà hiệu quả, và đã tìm thấy trong nhiều loại máy nhàứng dụng học tập. MLFF bắt đầu như là một mạng lưới các nút sắp xếp theoba lớp — các lớp đầu vào, ẩn, và đầu ra. Các đầu vào vàđầu ra lớp phục vụ như là các nút để đệm đầu vào và đầu ra cho các mô hình,tương ứng, và các lớp ẩn phục vụ để cung cấp một phương tiện cho các đầu vàoquan hệ được đại diện ở đầu ra. Trước khi bất kỳ dữ liệu được truyền đểmạng, các trọng lượng cho các nút là ngẫu nhiên, trong đó có cáchiệu quả của cách mạng giống như bộ não của trẻ sơ sinh-phát triểnnhưng mà không có kiến thức. MLFF đang nuôi tiến NN được đào tạo với cáctiêu chuẩn tuyên truyền về thuật toán. Họ đang giám sát mạngVì vậy, họ đòi hỏi một phản ứng mong muốn được đào tạo. Họ tìm hiểu làm thế nào đểchuyển đổi dữ liệu đầu vào thành một phản ứng mong muốn. Vì vậy họ được sử dụng rộng rãiĐối với mô hình phân loại và dự đoán. Là perceptron nhiều lớpbao gồm nhiều lớp tế bào thần kinh. Mỗi lớp được hoàn toàn kết nối vớimột kế tiếp. Với một hoặc hai lớp ẩn, họ có thể gần đúnghầu như bất kỳ đầu vào-đầu ra bản đồ. Họ đã được chứng minh mang lạidự đoán chính xác vấn đề khó khăn [39].3.4. nhóm phương pháp dữ liệu xử lý (GMDH)GMDH đã được giới thiệu bởi Ivakhnenko [21] vào năm 1966 như là một quy nạphọc các thuật toán cho mô hình hóa các hệ thống phức tạp. Nó là một selforganizingphương pháp thử nghiệm ngày càng phức tạp các mô hình vàđánh giá chúng bằng cách sử dụng một số tiêu chí bên ngoài trên các bộ phận riêng biệt của cácmẫu dữ liệu. GMDH một phần lấy cảm hứng từ nghiên cứu tại perceptrons vàhọc tập các bộ lọc. GMDH đã ảnh hưởng tới sự phát triển của một sốkỹ thuật tổng hợp (hoặc 'tự tổ chức') mạng của đa thứccác nút. GMDH cố gắng giải pháp hierarchic bằng cách cố gắngnhiều mô hình đơn giản, vẫn giữ tốt nhất của các mô hình này, và xây dựnghọ lặp đi lặp lại để có được một thành phần (hoặc nuôi tiếnmạng) của các chức năng như là mô hình. Các khối xây dựng của GMDH,hoặc các nút đa thức, thường có dạng bậc hai:

Kết quả (Việt) 2:

3.3. Multi-layer feedforward mạng thần kinh (MLFF)
MLFF là một trong những cấu trúc NN phổ biến nhất, vì họ là đơn giản
và hiệu quả, và đã tìm được ngôi nhà trong một loại rộng của máy
các ứng dụng học tập. MLFF bắt đầu như là một mạng lưới các nút sắp xếp trong
ba lớp-đầu vào, những lớp ẩn và đầu ra. Các đầu vào và
đầu ra lớp phục vụ như các nút để đệm đầu vào và đầu ra cho các mô hình,
tương ứng, và lớp ẩn phục vụ để cung cấp một phương tiện cho các đầu vào
quan hệ để được đại diện trong đầu ra. Trước khi bất kỳ dữ liệu được truyền vào
mạng, trọng lượng cho các nút là ngẫu nhiên, trong đó có các
tác dụng làm cho mạng giống như bộ não phát triển của trẻ sơ sinh
kiến thức nhưng không có. MLFF được nuôi-forward NN đào tạo với các
thuật toán tiêu chuẩn lan truyền ngược. Họ được giám sát mạng
để họ đòi hỏi một phản ứng mong muốn được đào tạo. Họ tìm hiểu làm thế nào để
chuyển đổi dữ liệu đầu vào thành một phản ứng mong muốn. Vì vậy, chúng được sử dụng rộng rãi
cho mô hình phân loại và dự báo. Một perceptron nhiều lớp được
tạo thành từ nhiều lớp tế bào thần kinh. Mỗi lớp được đầy đủ kết nối với
người tiếp theo. Với một hoặc hai lớp ẩn, họ có thể gần đúng
hầu như bất kỳ bản đồ đầu vào-đầu ra. Họ đã được chứng minh là mang lại
những dự đoán chính xác các vấn đề khó khăn [39].
3.4. Phương pháp nhóm các dữ liệu xử lý (GMDH)
GMDH đã được giới thiệu bởi Ivakhnenko [21] vào năm 1966 như là một quy nạp
thuật toán học để mô hình hóa các hệ thống phức tạp. Nó là một selforganizing
cách tiếp cận kiểm tra mô hình ngày càng phức tạp và
đánh giá họ sử dụng một số tiêu chí bên ngoài vào các bộ phận riêng biệt của các
mẫu dữ liệu. GMDH được một phần lấy cảm hứng từ nghiên cứu trong perceptron và
bộ lọc học tập. GMDH đã ảnh hưởng đến sự phát triển của một số
kỹ thuật để tổng hợp (hay "tự tổ chức ') mạng của đa thức
hạch. GMDH cố gắng một giải pháp thứ bậc bằng cách cố gắng ra
nhiều mô hình đơn giản, giữ lại tốt nhất của các mô hình này, và xây dựng
trên chúng lặp đi lặp lại để có được một phần (hoặc feed-forward
mạng) của các chức năng như mô hình. Các khối xây dựng của GMDH,
hoặc các nút đa thức, thường có dạng bậc hai: