Neural networks have the property o

Neural networks have the property of learning by example, similar to and patterned after biological systems and the adjustments to the synaptic connections that exist between individual neurons (Luger and Stubblefield, 1997). A second fundamental property of neural networks is their ability to implement nonlinear functions by allowing a uniform approximation of any continuous function. Such a property is fundamental in studying biological and environmental systems, which may exhibit variable responses even when the input is the same. Nevertheless, there are reported obstacles to the success of neural network models and their general applicability. Neural networks are statistical models that use nonparametric approaches. Thus, a priori knowledge is not obviously to be taken into account any more than a poste-rior knowledge (Oussar and Dreyfus, 2001; Johannet et al., 2007). Therefore, neural networks are often treated as the aforementioned black box representation (pictured schematically in Figure 1.1) whose inner workings are concealed from the researcher, thus making it challenging to authenticate how explicit decisions are acquired. It is generally considered that information stored in neural networks is a set of weights and connections that provide no insight into how a task is actually performed. Conversely, recent studies have shown that by using various techniques the black box can be opened, or at least provide gray box solutions. Techniques such as sensitivity

Kết quả (Việt) 1:

Mạng nơ-ron có tài sản của học tập bằng cách ví dụ, tương tự như và khuôn mẫu sau khi hệ thống sinh học và điều chỉnh cho các kết nối synaptic tồn tại giữa các cá nhân các tế bào thần kinh (Luger và Stubblefield, 1997). Một tài sản cơ bản thứ hai của mạng nơ-ron là khả năng của mình để thực hiện phi tuyến chức năng bằng cách cho phép một xấp xỉ đồng nhất của bất kỳ chức năng liên tục. Một bất động sản là cơ bản trong nghiên cứu hệ thống sinh học và môi trường, có thể thể hiện phản ứng biến ngay cả khi đầu vào là như nhau. Tuy nhiên, có những báo cáo trở ngại cho sự thành công của mô hình mạng nơ-ron và tính ứng dụng tổng hợp của họ. Mạng nơ-ron là thống kê các mô hình sử dụng phương pháp tiếp cận nonparametric. Như vậy, tiên nghiệm kiến thức là không rõ ràng là phải được đưa vào tài khoản bất kỳ chi tiết hơn so với một kiến thức poste-rior (Oussar và Dreyfus, 2001; Johannet et al., 2007). Vì vậy, mạng nơ-ron thường được coi là đại diện nói trên hộp đen (hình schematically ở hình 1.1) có hoạt động bên trong được giấu kín từ các nhà nghiên cứu, do đó làm cho nó khó khăn để xác nhận quyết định làm thế nào rõ ràng được mua lại. Nó được coi là thông tin được lưu trữ trong mạng nơ-ron là một tập hợp của trọng lượng và kết nối cung cấp không có cái nhìn sâu sắc như thế nào thực sự thực hiện một nhiệm vụ. Ngược lại, nghiên cứu gần đây đã chỉ ra rằng bằng cách sử dụng các kỹ thuật hộp đen có thể được mở hoặc ít cung cấp giải pháp ô màu xám. Kỹ thuật như độ nhạy

Kết quả (Việt) 2:

mạng lưới thần kinh có các tài sản của học bằng ví dụ, tương tự và khuôn mẫu sau khi hệ thống sinh học và những điều chỉnh để các kết nối tiếp mà tồn tại giữa các nơron cá nhân (Luger và Stubblefield, 1997). Một đặc tính cơ bản thứ hai của mạng lưới thần kinh là khả năng của họ để thực hiện chức năng phi tuyến bằng cách cho phép một xấp xỉ thống nhất của bất kỳ chức năng liên tục. một tài sản đó là cơ bản trong việc nghiên cứu các hệ thống sinh học và môi trường, trong đó có thể biểu hiện phản ứng biến, ngay cả khi đầu vào là như nhau. Tuy nhiên, có những báo cáo những trở ngại cho sự thành công của mô hình mạng thần kinh và khả năng áp dụng chung của họ. Các mạng thần kinh là các mô hình thống kê để sử dụng phương pháp tiếp cận phi tham. Như vậy, một kiến ​​thức tiên không phải là rõ ràng được đưa vào tài khoản nhiều hơn bất kỳ một kiến ​​thức poste-rior (Oussar và Dreyfus, 2001; Johannet et al, 2007.). Do đó, các mạng thần kinh thường được coi là đại diện hộp đen nói trên (ảnh sơ đồ trong hình 1.1) có hoạt động bên trong cất giấu từ các nhà nghiên cứu, do đó làm cho nó khó khăn để xác thực những quyết định rõ ràng được mua. Nó thường được coi là thông tin được lưu trữ trong các mạng thần kinh là một tập hợp của trọng lượng và các kết nối mà không cần cung cấp cái nhìn sâu sắc làm thế nào một công việc được thực hiện. Ngược lại, các nghiên cứu gần đây đã chỉ ra rằng bằng cách sử dụng các kỹ thuật khác nhau hộp đen có thể được mở ra, hoặc ít nhất là cung cấp các giải pháp hộp màu xám. Các kỹ thuật như độ nhạy cảm