雷射切割不锈钢之粗糙度预测模式探讨(编辑修改稿)内容摘要：
分析等來求得倒傳遞類神經網路程式的最佳網路參數。 類神經網路系統 類神經網路 （ Artificial neural work, ANN） 是由生物學得到的靈感，為一種模仿生物神經網路的資訊處理系統，希望藉由其組成單元能夠像生物神經元 （ Neuron） 般的構造，具備腦神經的特性，可應用於推估、預測、決策、診斷等方面。 類神經網路 類神經網路 一個類神經網路架構包含許多層，主要分為 輸入層 、 隱藏層 與 輸出層 三種。 類神經網路架構大致可分為 監督式學習網路 （ Supervised learning work） 、非監督式學習網路 （ Unsupervised learning work） 、聯想式學習網路 （ Associate learning work） 和最適化應用網路 （ Optimization application work） 等四大類。 倒傳遞網路 倒傳遞類神經網路 的應用較其它型式網路普遍，且其預測能力較佳，此乃因倒傳遞類神經網路只用一個正規神經元表達一個變數，對基本輸入的部份累加運算、轉換，使得模式對於變數高值域與低值域部份，具有相當高的敏銳性和精確性，其網路架構如圖 倒傳遞網路 倒傳遞類神經網路運算式 倒傳遞類神經網路的運算主體可分為兩部份，第一部份為藉由輸入學習範例資料來學習的模式，以求得加權值 （ Weight value）和偏權值 （ Threshold value） 的學習過程。 第二部份為讀入經學習過程所得的加權值及偏權值，使模式具備預測能力的回想過程。 網路學習過程 網路參數最佳化 網路參數最佳化步驟依序為： 、水準值及直交表 網路參數最佳化 網路參數最佳化步驟依序為。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。