n an earlier paper [19], we have pr

n an earlier paper [19], we have proposed a simple
stochastic-gradient (SG) training algorithm for real RBFN's.
The method adapts all the free parameters of the network
simultaneously by using stochastic gradient descent for the
error ~riterion.~Simulation results suggest that the algorithm
is very useful, with performance achieved often being superior
to that of some existing algorithms. We now present the SG
algorithm for complex RBFN's.
Let f(z,) denote the CRBFN output corresponding to input
z, at time I I as given by

Kết quả (Việt) 1:

n một bài báo trước đó [19], chúng tôi đã đề xuất một đơn giảnngẫu nhiên gradient đào tạo (SG) thuật toán để thực sự RBFN.Các phương pháp điều chỉnh theo tất cả các thông số miễn phí của mạngcùng một lúc bằng cách sử dụng ngẫu nhiên gradient gốc cho cáclỗi ~riterion.~Simulation kết quả cho thấy rằng các thuật toánlà rất hữu ích, với hiệu suất đạt được thường xuyên đang được cấp trênvới một số thuật toán sẵn có. Bây giờ chúng tôi trình bày SGthuật toán phức tạp RBFN.Hãy để f(z,) biểu thị các CRBFN đầu ra tương ứng với đầu vàoz, lúc tôi tôi như được đưa ra bởi

Kết quả (Việt) 2:

n một giấy trước đó [19], chúng tôi đã đề xuất một đơn giản
ngẫu nhiên-gradient (SG) thuật toán huấn luyện cho thật RBFN của.
Phương pháp này thích hợp với tất cả các tham số tự do của mạng
cùng một lúc bằng cách sử dụng stochastic gradient descent cho các
lỗi ~ riterion. ~ Kết quả mô phỏng đề nghị rằng các thuật toán
là rất hữu ích, với hiệu suất đạt được thường là vượt trội
đó của một số thuật toán hiện có. Bây giờ chúng ta trình bày các SG
thuật toán phức tạp cho RBFN của.
Hãy để f (z,) biểu thị đầu ra tương ứng với đầu vào CRBFN
z, lúc II như được đưa ra bởi