Neural network learning and organiz

Neural network learning and organization are essential for comprehending the neural network architecture discussion in Chapter 2, with the choice of a learn-ing algorithm being central to proper network development. At the center of this development are interconnection weights that allow structural evolution for opti-mum computation (Sundareshan et al., 1999). The process of determining a set of connection weights to carry out this computation is termed a learning rule. In our discussion, numerous modifications to Hebb’s rule, and rules inspired by Hebb, will be covered, given the significant impact of his work on improving the computational power of neural networks. Hebb reasoned that in biological systems, learning proceeds via the adaptation of the strengths of the synaptic interactions between neurons (Hebb, 1949). More specifically, if one neuron takes part in firing another, the strength of the connection between them will be increased

Kết quả (Việt) 1:

Tổ chức và mạng lưới thần kinh học tập là rất cần thiết cho óc thảo luận kiến trúc mạng nơ-ron trong chương 2, với sự lựa chọn của một thuật toán học-ing được trung tâm để phát triển mạng thích hợp. Ở trung tâm của sự phát triển này có trọng lượng kết nối cho phép cấu trúc evolution cho tính toán opti-mum (Sundareshan và ctv., 1999). Quá trình xác định một tập hợp các kết nối khối lượng để thực hiện các tính toán này được gọi là một quy tắc học tập. Trong cuộc thảo luận của chúng tôi, các sửa đổi nhiều quy tắc của Hebb và nhiều quy tắc lấy cảm hứng từ Hebb, sẽ được bảo hiểm, cho ảnh hưởng đáng kể của công việc của mình vào việc cải thiện sức mạnh tính toán của mạng nơ-ron. Hebb lý luận rằng trong hệ thống sinh học, học tập tiền thu được thông qua sự thích ứng của những thế mạnh synaptic tương tác giữa các tế bào thần kinh (Hebb, 1949). Cụ thể hơn, nếu một neuron mất một phần trong bắn nhau, sức mạnh của các kết nối giữa chúng sẽ được tăng lên

Kết quả (Việt) 2:

Thần kinh học mạng và tổ chức là rất cần thiết cho việc hiểu các cuộc thảo luận kiến ​​trúc mạng nơron trong Chương 2, với sự lựa chọn của một thuật toán học-ing là trung tâm để phát triển mạng thích hợp. Tại trung tâm của sự phát triển này là trọng lượng kết nối cho phép tiến hóa cấu trúc cho các tính toán Opti-mum (Sundareshan et al., 1999). Quá trình xác định một tập các trọng nối để thực hiện tính toán này được gọi là một quy tắc học tập. Trong cuộc thảo luận của chúng tôi, rất nhiều sửa đổi luật Hebb, và quy tắc lấy cảm hứng từ Hebb, sẽ được bảo hiểm, do tác động đáng kể của công việc của mình vào việc nâng cao năng lực tính toán của các mạng thần kinh. Hebb lý luận rằng trong các hệ thống sinh học, tiền thu được qua sự thích nghi của những thế mạnh của sự tương tác của khớp thần kinh giữa các nơron (Hebb, 1949) học tập. Cụ thể hơn, nếu một tế bào thần kinh tham gia vào bắn nhau, sức mạnh của sự kết nối giữa chúng sẽ được tăng