where is the epoch index, and is th

where is the epoch index, and is the learning rate. Leven- berg–Marquardt and resilient backpropagation (RPROP) algo- rithms typically exhibit the fastest convergence thanks to the techniques by which they vary the learning rate [19], [20].
The convergence of the above incremental gradient algorithm has been studied extensively in the literature [21], [22]. In fact, incremental training is widely used in practice, either in lieu of or in combination with batch training, because it can handle large training sets that are otherwise prohibitive even for mod- erate-size networks [23]–[27]. Moreover, incremental training allows to train neural networks online, assimilating training samples that only become available one at a time incrementally over time. It is well known, however, that prior functional knowledge tends to be destroyed by conventional incremental training algorithms due to interference. The following section introduces a constrained-optimization training technique that

Kết quả (Việt) 1:

đó là chỉ số kỷ nguyên, và là tỷ lệ học tập. Leven-berg-Marquardt và đàn hồi backpropagation (RPROP) algo-rithms thường thể hiện sự hội tụ nhanh nhất nhờ các kỹ thuật mà họ thay đổi tỷ lệ học tập [19], [20].Sự hội tụ của các thuật toán gradient gia tăng ở trên đã được nghiên cứu rộng rãi trong các tài liệu [21], [22]. Trong thực tế, gia tăng đào tạo được dùng rộng rãi trong thực tế, lieu của hoặc kết hợp với đào tạo hàng loạt, vì nó có thể xử lý lớn đào tạo bộ được nếu không cấm ngay cả đối với mod erate kích thước mạng [23]-[27]. Hơn nữa, gia tăng đào tạo cho phép để đào tạo thần kinh mạng trực tuyến, đồng hóa đào tạo mẫu chỉ trở nên có sẵn một lúc một thời gian từng bước theo thời gian. Nó là nổi tiếng, Tuy nhiên, chức năng kiến thức trước khi có xu hướng bị phá hủy bởi các thuật toán thông thường đào tạo gia tăng do sự can thiệp. Mục dưới đây giới thiệu một kỹ thuật hạn chế-tối ưu hóa đào tạo mà

Kết quả (Việt) 2:

mà là chỉ số thời đại, và là tỷ lệ học. Leven- berg-Marquardt và lan truyền ngược hồi (RPROP) algo- rithms thường biểu hiện sự hội tụ nhờ nhanh nhất để các kỹ thuật mà chúng thay đổi tỷ lệ học [19], [20].
Sự hội tụ của thuật toán Gradient gia tăng trên đã được nghiên cứu rộng rãi trong các tài liệu [21], [22]. Trong thực tế, đào tạo gia tăng được sử dụng rộng rãi trong thực tế, hoặc là thay thế hoặc kết hợp với đào tạo hàng loạt, bởi vì nó có thể xử lý các tập huấn luyện lớn mà nếu không ngăn cấm, ngay cả cho vào mô hình mạng erate cỡ [23] - [27]. Hơn nữa, đào tạo gia tăng cho phép để đào tạo mạng lưới thần kinh trực tuyến, đồng hóa mẫu huấn luyện mà chỉ trở thành một trong có sẵn tại một thời điểm tăng lên qua thời gian. Nó cũng được biết, tuy nhiên, có kiến thức trước khi chức năng có xu hướng bị phá hủy bởi các thuật toán huấn luyện gia tăng thông thường do sự can thiệp. Phần sau đây giới thiệu một kỹ thuật đào tạo hạn chế tối ưu hóa mà