In the above equation, the variable

In the above equation, the variable t represents time, or the iteration number.
The purpose of the equation is to calculate the resulting weight vector
Wv(t+1). The next weight will be calculated by adding to the current weight,
which is Wv(t). The end goal is to calculate how different the current weight
is from the input vector. The clause D(T)-Wv(t) achieves this. If we simply
added this value to the weight, the weight would exactly match the input
vector. We don’t want to do this. As a result, we scale it by multiplying it by
two ratios. The first ratio, represented by theta, is the neighborhood function.
The second ratio is a monotonically decreasing learning rate.
The neighborhood function considers how close the output neuron we are
training is to the BMU. For closer neurons, the neighborhood function will be
close to one. For distant neighbors the neighborhood function will return zero.
This controls how near and far neighbors are trained. We will look at how the
neighborhood function determines this in the next section.

Kết quả (Việt) 1:

Trong phương trình trên, t biến đại diện cho thời gian, hoặc số lặp đi lặp lại.Mục đích của phương trình là để tính toán các véc tơ trọng lượng kết quảWV(t+1). Trọng lượng tiếp theo sẽ được tính bằng cách thêm vào trọng lượng hiện tại,đó là Wv(t). Mục tiêu cuối cùng là để tính toán như thế nào khác nhau trọng lượng hiện tạilà từ đầu vào véc tơ. Khoản D(T)-Wv(t) đạt được điều này. Nếu chúng tôi chỉ đơn giản làThêm giá trị này với trọng lượng, trọng lượng sẽ chính xác phù hợp với đầu vàovector. Chúng tôi không muốn làm điều này. Kết quả là, chúng tôi quy mô nó bằng cách nhân nó bởihai tỷ lệ. Tỷ lệ đầu tiên, đại diện bởi theta, là chức năng khu phố.Tỷ lệ thứ hai là một tỷ lệ học tập monotonically giảm.Chức năng khu phố sẽ xem xét làm thế nào chặt chẽ neuron sản lượng chúng tôi làđào tạo là để BMU. Cho tế bào thần kinh gần gũi hơn, hoạt động của khu phố sẽgần một. Đối với hàng xóm xa chức khu phố sẽ trở về zero.Điều này kiểm soát như thế nào gần và xa hàng xóm được đào tạo. Chúng tôi sẽ xem xét làm thế nào cáckhu phố chức năng xác định điều này trong phần tiếp theo.

Kết quả (Việt) 2:

Trong phương trình trên, t biến đại diện cho thời gian, hoặc số lần lặp lại.
Mục đích của phương trình là để tính toán vector trọng lượng quả
Wv (t + 1). Trọng lượng tiếp theo sẽ được tính bằng cách cộng với trọng lượng hiện tại,
đó là Wv (t). Mục tiêu cuối cùng là để tính toán cách khác nhau trọng lượng hiện nay
là từ các vector đầu vào. Mệnh D (T) -Wv (t) đạt được điều này. Nếu chúng ta chỉ đơn giản là
thêm vào giá trị này vào trọng lượng, trọng lượng sẽ chính xác phù hợp với đầu vào
vector. Chúng tôi không muốn làm điều này. Kết quả là, chúng tôi mở rộng nó bằng cách nhân nó bằng
hai tỷ lệ. Tỷ lệ đầu tiên, đại diện bởi theta, là chức năng khu phố.
Tỷ lệ thứ hai là tỷ lệ học đơn điệu giảm.
Các chức năng khu phố xem xét như thế nào đóng neuron đầu ra chúng tôi được
đào tạo là để BMU. Đối với tế bào thần kinh gần hơn, chức năng khu phố sẽ được
gần một. Đối với các nước láng giềng xa các chức năng khu phố sẽ trở lại bằng không.
Điều này kiểm soát cách xa gần hàng xóm được đào tạo. Chúng tôi sẽ xem làm thế nào các
chức năng khu phố xác định điều này trong phần tiếp theo.