For each input pattern the hybrid t

For each input pattern the hybrid training concerns only the updating
of (n+1)P connection weights between input and hidden layers and (P+1)m
connection weights between hidden and output layers. The proposed hybrid
training algorithm updates only parameters of the selected hidden nodes after
every input-ouput case.
In exploitation phase, the proposed neural network presents the same advantage
where only a reduced number of hidden nodes are activated for each presented
input vector.
When a new input vector is presented to the neural network the adjustment of
weights does not damage the acquired performance of the neural network. In fact,
if this example is different from the other ones, it will activate another neuron
and only its weights will be adjusted. The network preserves its plasticity, because
it can always react to unknown inputs and its stability since the network performances
are not damaged by the new examples.

Kết quả (Việt) 1:

Cho mỗi mô hình đầu vào đào tạo kết hợp mối quan tâm chỉ Cập Nhật(n + 1) P trọng lượng kết nối giữa đầu vào và ẩn lớp và m (P + 1)kết nối các trọng lượng giữa lớp ẩn và đầu ra. Kết hợp đề xuấtthuật toán đào tạo Cập Nhật chỉ tham số của nút đã chọn ẩn sau khimỗi trường hợp đầu vào-ouput.Trong giai đoạn khai thác, mạng nơ-ron đề xuất trình bày cùng một lợi thếnơi chỉ một số ít các nút ẩn được kích hoạt cho mỗi trình bàyđầu vào véc tơ.Khi một vector nhập mới được trình bày cho mạng nơ-ron việc điều chỉnhtrọng lượng không làm hỏng các hoạt động mua lại của mạng nơ-ron. Thực tếNếu ví dụ này là khác nhau từ những người khác, nó sẽ kích hoạt một tế bào thần kinhvà chỉ trọng lượng của nó sẽ được điều chỉnh. Mạng duy trì độ dẻo của nó, bởi vìnó luôn luôn có thể phản ứng với không rõ các đầu vào và ổn định của nó từ các buổi biểu diễn mạngkhông bị hư hỏng bởi các ví dụ mới.

Kết quả (Việt) 2:

Đối với mỗi mẫu đầu vào những mối quan tâm đào tạo hybrid chỉ việc cập nhật
của (n + 1) trọng lượng kết nối P giữa đầu vào và lớp ẩn và (P + 1) m
trọng lượng kết nối giữa các lớp ẩn và đầu ra. Các hybrid đề xuất
đào tạo cập nhật thuật toán chỉ số của nút ẩn chọn sau khi
mỗi trường hợp đầu vào-ouput.
Trong giai đoạn khai thác, các mạng nơron đề xuất trình bày những ưu đãi
mà chỉ có một số lượng giảm của các nút ẩn được kích hoạt cho mỗi giới
vector đầu vào.
Khi một vector đầu vào mới được trình bày cho các mạng thần kinh điều chỉnh
trọng lượng không làm hỏng việc thực hiện mua lại của mạng neural. Trong thực tế,
nếu ví dụ này là khác nhau từ những người khác, nó sẽ kích hoạt tế bào thần kinh khác
và chỉ có trọng lượng của nó sẽ được điều chỉnh. Mạng lưới bảo tồn dẻo của nó, bởi vì
nó luôn luôn có thể phản ứng với các yếu tố đầu vào không rõ và ổn định của nó kể từ khi biểu diễn mạng
không bị hư hỏng bởi những ví dụ mới.