xTi = the target output of neuron i

xTi = the target output of neuron i, xOi = the neuron’s actual output, xj = the state of the input neuron j, and r (r > 0) = the learning rate. If the target output is equivalent to the computed output, XTi = XOi, then the weight vector of the ith output node remains unaffected. The learning process terminates when all weight vectors w remains unchanged during an inclusive training sequence. The perceptron rule is guaranteed to converge to a solution in an infinite number of steps, so long as a solution exists (Hagan et al., 1999). If, however, perceptron learning is run on a nonseparable set of training examples (see the XOR problem discussed in Chapter 2), the algorithm will not behave properly. In other words, the perceptron learning algorithm, even if terminated after a considerable number of iterations, confers no guarantee as to the quality of the weight produced (Gallant, 1993).

Kết quả (Việt) 1:

xTi = đầu ra mục tiêu của neuron i, xOi = sản lượng thực tế của tế bào thần kinh, xj = bang nhập neuron j và r (r > 0) = tỷ lệ học tập. Nếu mục tiêu sản lượng là tương đương với đầu ra tính toán, XTi = XOi, sau đó vector trọng lượng của ith đầu ra nút vẫn không bị ảnh hưởng. Trong quá trình học chấm dứt khi tất cả trọng lượng vectơ w vẫn không thay đổi trong một trình tự đào tạo bao gồm. Quy tắc perceptron là bảo đảm để hội tụ về một giải pháp trong vô số các bước, do đó, miễn là một giải pháp tồn tại (Hagan và ctv., 1999). Nếu, Tuy nhiên, học tập perceptron chạy trên một tập các ví dụ huấn luyện nonseparable (xem XOR vấn đề thảo luận trong chương 2), thuật toán sẽ không hành xử đúng cách. Nói cách khác, perceptron học thuật toán, ngay cả khi bị chấm dứt sau khi một số lượng đáng kể của lặp đi lặp lại, confers không đảm bảo về chất lượng sản xuất (Gallant, 1993).

Kết quả (Việt) 2:

XTI = sản lượng mục tiêu của nơron i, xơi = sản lượng của tế bào thần kinh thực tế, xj = trạng thái của các nơron đầu vào j, và r (r> 0) = tỷ lệ học. Nếu đầu ra mục tiêu là tương đương với sản lượng tính toán, XTi = xôi, sau đó vector trọng số của các nút đầu ra thứ i vẫn không bị ảnh hưởng. Quá trình học tập được chấm dứt khi tất cả trọng lượng vector w vẫn không thay đổi trong một trình tự đào tạo toàn diện. Các quy tắc Perceptron được đảm bảo để hội tụ về một giải pháp trong một số lượng vô hạn các bước, miễn là một giải pháp tồn tại (Hagan et al., 1999). Tuy nhiên, nếu học Perceptron được chạy trên một tập nonseparable ví dụ huấn luyện (xem vấn đề XOR thảo luận ở Chương 2), thuật toán sẽ không cư xử đúng mực. Nói cách khác, các thuật toán học Perceptron, thậm chí nếu chấm dứt sau khi một số lượng đáng kể các lần lặp lại, trao không đảm bảo chất lượng của các trọng lượng sản xuất (Gallant, 1993).