A key aspect of radial basis functi

A key aspect of radial basis function networks is the distinction between the roles of the first and second layers of weights. As we shall see, the basis functions can be interpreted in a way which allows the first-layer weights (i.e. the param- eters governing the basis functions) to be determined by unsupervised training techniques. This leads to the following two-stage training procedure for training
nradial basis function networks. In the first stage the input data set {x } alone is used to determine the parameters of the basis functions (e.g. i, and

Kết quả (Việt) 1:

Một khía cạnh quan trọng của các cơ sở bố trí hình tròn chức năng mạng là sự khác biệt giữa các vai trò của các lớp đầu tiên và thứ hai của trọng lượng. Như chúng ta sẽ thấy, hàm cơ sở có thể được hiểu theo một cách mà cho phép trọng lượng đầu tiên-lớp (tức là các param-eters áp dụng cho các chức năng cơ sở) được xác định bởi các kỹ thuật đào tạo không có giám sát. Điều này dẫn đến quy trình đào tạo hai giai đoạn sau cho đào tạonradial cơ sở chức năng mạng. Trong giai đoạn đầu tiên đầu vào dữ liệu tập hợp {x} một mình được sử dụng để xác định các thông số của các chức năng cơ sở (ví dụ như i, và

Kết quả (Việt) 2:

Một khía cạnh quan trọng của mạng lưới cơ sở chức năng bố trí hình tròn là sự phân biệt giữa vai trò của lớp thứ nhất và thứ hai của trọng lượng. Như chúng ta sẽ thấy, các chức năng cơ bản có thể được giải thích theo một cách mà cho phép các trọng-layer đầu tiên (tức là các thông số điều chỉnh các chức năng cơ sở) được xác định bằng các kỹ thuật đào tạo không có giám sát. Điều này dẫn đến các thủ tục đào tạo hai giai đoạn sau đào tạo
mạng lưới cơ sở chức năng nradial. Trong giai đoạn đầu tiên của tập dữ liệu đầu vào {x} riêng được sử dụng để xác định các thông số của các hàm cơ sở (ví dụ i, và