Finally, for a new input pattern to

Finally, for a new input pattern to know which is the network, of the first classification obtained by bisection method, that it must be use for the best approximation. Now, it is necessary to use radial basis function (RBF) by cluster grouping, and to detect which of the networks obtained in the first part, it must be used to obtain the best prediction. The radial basis network is not able, in this case, give more accurate output, but it is possible to decide the cluster or class which it belongs. Radial basis neural networks detected by the algorithm k-means cluster potential, that exists within the data set, this allows us to detect, for a new
input, which is the network to use. RBF neural networks provide a powerful alternative to multilayer perceptron to classify a pattern set. In this article, we propose to use radial basis neural networks in order to find the classification when a new input pattern appears.

Kết quả (Việt) 1:

Cuối cùng, đối với một mô hình đầu vào mới để biết là mạng lưới, việc phân loại đầu tiên thu được bằng phương pháp bisection, mà nó phải sử dụng cho xấp xỉ tốt nhất. Bây giờ, nó là cần thiết để sử dụng chức năng xuyên tâm cơ sở (RBF) bởi cụm nhóm, và phát hiện đó của các mạng lưới thu được trong phần đầu tiên, nó phải được sử dụng để có được dự đoán tốt nhất. Cơ sở xuyên tâm mạng không phải là có thể, trong trường hợp này, cung cấp cho chính xác hơn đầu ra, nhưng nó có thể quyết định cụm hoặc lớp mà nó thuộc về. Mạng nơ-ron xuyên tâm cơ sở phát hiện bởi thuật toán k-có nghĩa là cụm tiềm năng, mà tồn tại trong các thiết lập dữ liệu, điều này cho phép chúng tôi để phát hiện, cho một mớiđầu vào, mà là mạng để sử dụng. Mạng nơ-ron RBF cung cấp một thay thế mạnh mẽ cho đa lớp perceptron để phân loại bộ mô hình. Trong bài này, chúng tôi đề xuất để sử dụng mạng nơ-ron xuyên tâm cơ sở để tìm việc phân loại khi một mô hình đầu vào mới xuất hiện.

Kết quả (Việt) 2:

Cuối cùng, cho một mô hình đầu vào mới biết đó là các mạng, các phân loại đầu tiên thu được bằng phương pháp chia làm hai đoạn, mà nó phải được sử dụng cho xấp xỉ tốt nhất. Bây giờ, nó là cần thiết để sử dụng chức năng cơ sở xuyên tâm (RBF) bằng cụm nhóm, và để phát hiện được trong những mạng lưới thu được ở phần đầu tiên, nó phải được sử dụng để có được những dự đoán tốt nhất. Mạng lưới cơ sở xuyên tâm là không thể, trong trường hợp này, cung cấp cho đầu ra chính xác hơn, nhưng nó có thể quyết định các cụm hoặc lớp mà nó thuộc về. Cơ sở Radial mạng thần kinh được phát hiện bởi các thuật toán k-means tiềm năng cluster, mà tồn tại trong tập hợp dữ liệu, điều này cho phép chúng ta phát hiện, cho một mới
đầu vào, đó là mạng lưới để sử dụng. Mạng nơron RBF cung cấp một thay thế mạnh mẽ để Multilayer perceptron để phân loại một mô hình thiết lập. Trong bài viết này, chúng tôi đề xuất sử dụng các mạng thần kinh cơ sở xuyên tâm để tìm ra các phân loại khi một mô hình đầu vào mới xuất hiện.