As expected, the results show that

As expected, the results show that lower frequency separation requires more samples and/or iterations to train. Also, even if training is successful, proper classification of the noisy signals gets very difficult for smaller frequency separations. For frequency separations of 100% and 10%, training was successful after 100 epochs using 64 samples per cycle. As shown in Figures 6(a) and 6(b) proper classification was made for 100% separation with a signal to noise ratio of 1, and for 10% separation with a signal to noise ratio of 10.
Figure 6(c) shows that for a separation of 5% it was necessary to increase the number of epochs to 500 to train the network, but proper classification of only 2 of the 3 signals was made at a signal to noise ratio of 10. Finally Figure 6(d) shows that successful learning required many more samples per cycle (1000) as well as epochs (10000), but one of the 3 signals was still not classified even for a signal to noise ratio as high as 100. As was the case in the previous example, results are not necessarily repeatable due to the randomness of the noise.

III. Unsupervised Learning
A. Introduction to Kohonen Self-Organizing Maps
The Kohonen algorithm is applied to unsupervised learning, where target values are not specified. The associated Self Organizing Map (SOM) is a topological structure made up of cluster units. The training algorithm also builds in "competition" among neurons. Learning is restricted to neurons that are either "winners" (or are neighboring units to "winners") of a competition relating to the closeness of weights to inputs. The SOM uses the competition among neurons to learn, in an unsupervised way, how to group input data into clusters. A cluster unit is somewhat analogous to an output corresponding to a group of input patterns, in a supervised learning situation. Interestingly, cluster units are a property observed in the brain.
Cluster units can be organized in either a one-dimensional or two-dimensional fashion. The one-dimensional unit is called a linear array whereas a two-dimensional unit can be arranged as either a rectangular or hexagonal grid. Illustrations of a part of a linear array and a rectangular grid are shown below. The "winning unit" of a particular competition is designated by "#" and neighboring units within a "radius" R are shown as "*".

Results (Thai) 1:

ตามที่คาดไว้ ผลลัพธ์แสดงว่า แยกความถี่ต่ำต้องเพิ่มเติมตัวอย่างและ/หรือแผนการฝึก ยัง แม้ว่าการฝึกอบรมจะประสบความสำเร็จ การจัดประเภทของสัญญาณเสียงดังเหมาะสมได้รับยากหาความถี่ขนาดเล็ก หาความถี่ของ 100% และ 10% การฝึกอบรมสำเร็จหลัง epochs 100 ที่ใช้ตัวอย่าง 64 ต่อวงจร แสดงตัวเลข 6(a) และ 6(b) เหมาะสมทำการจัดประเภท สำหรับแยก 100% กับสัญญาณต่อเสียงรบกวน 1 และแยก 10% กับสัญญาณเสียงอัตราส่วน 10รูป 6(c) แสดงว่า การแบ่งแยก 5% ก็จำเป็นต้องเพิ่มจำนวน epochs 500 ฝึกเครือข่าย แต่ประเภทที่เหมาะสม 2 เท่าของสัญญาณ 3 ทำที่สัญญาณเสียงอัตราส่วน 10 สุดท้าย 6(d) รูปแสดงว่า เรียนสำเร็จจำเป็นต้องใช้หลายตัวอย่างเพิ่มเติมต่อวงจร (1000) และ epochs (10000), แต่หนึ่งสัญญาณ 3 ที่ยังไม่จำแนกประเภทสำหรับสัญญาณต่อเสียงรบกวนสูง 100 เป็นกรณีในตัวอย่างก่อนหน้านี้ ผลไม่จำเป็นต้องทำซ้ำจาก randomness ของเสียงIII. Unsupervised เรียน อ.แนะนำ Kohonen จัดระเบียบแผนที่ด้วยตนเองอัลกอริทึม Kohonen กับ unsupervised เรียนรู้ ซึ่งไม่ได้ระบุค่าเป้าหมาย การเชื่อมโยงตนเองจัดระเบียบแผนที่ (ส้ม) เป็นโครงสร้าง topological ขึ้นหน่วยคลัสเตอร์ ขั้นตอนวิธีการฝึกอบรมยังสร้าง "แข่งขัน" ระหว่าง neurons เรียนรู้ถูกจำกัด neurons ที่เป็น "ผู้ชนะ" (หรือใกล้เคียงหน่วย "ผู้ชนะ") ของการแข่งขันที่เกี่ยวข้องกับความใกล้ชิดของน้ำหนักกับปัจจัยการผลิต ส้มใช้แข่งขันระหว่าง neurons การเรียน ในทาง unsupervised วิธีการจัดกลุ่มข้อมูลการป้อนเข้าลงในคลัสเตอร์ หน่วยคลัสเตอร์ค่อนข้างคล้ายคลึงกับ output ที่สอดคล้องกับกลุ่มของรูปแบบการป้อนข้อมูล ในสถานการณ์การเรียนรู้ที่มีอยู่ เป็นเรื่องน่าสนใจ หน่วยคลัสเตอร์มีคุณสมบัติในสมองสามารถจัดหน่วยคลัสเตอร์ในแบบสองมิติ หรือ one-dimensional หน่วย one-dimensional คือแถวลำดับเชิงเส้นในขณะที่สามารถจัดเป็นแบบสี่เหลี่ยม หรือหกเหลี่ยมตารางหน่วยที่สอง ภาพประกอบของส่วนของแถวลำดับเชิงเส้นและเส้นตารางสี่เหลี่ยมที่แสดงด้านล่าง "หน่วยชนะ" ของการแข่งขันจะถูกกำหนด ด้วย "#" และหน่วยข้างเคียงภายใน "รัศมี" R จะแสดงเป็น " * "

Results (Thai) 2:

เป็นที่คาดหวังผลลัพธ์ที่แสดงให้เห็นว่าการแยกความถี่ต่ำต้องตัวอย่างเพิ่มเติมและ / หรือการทำซ้ำในการฝึกอบรม นอกจากนี้แม้ว่าจะประสบความสำเร็จในการฝึกอบรมการจัดหมวดหมู่ที่เหมาะสมของสัญญาณที่มีเสียงดังได้รับยากมากสำหรับการแยกความถี่ที่มีขนาดเล็ก สำหรับการแยกความถี่ของ 100% และ 10%, การฝึกอบรมที่ประสบความสำเร็จหลังจากที่ 100 epochs ใช้ 64 ตัวอย่างต่อรอบ ดังแสดงในรูปที่ 6 (ก) และ 6 (ข) การจัดหมวดหมู่ที่เหมาะสมถูกสร้างขึ้นมาสำหรับการแยก 100% กับสัญญาณเสียงอัตราส่วน 1 และแยก 10% กับสัญญาณเสียงอัตราส่วน 10
รูปที่ 6 (ค) แสดงให้เห็นว่า ว่าสำหรับการแยก 5% ก็จำเป็นต้องเพิ่มจำนวนของ epochs 500 การฝึกอบรมเครือข่าย แต่การจัดหมวดหมู่ที่เหมาะสมเพียง 2 ใน 3 สัญญาณที่ถูกสร้างขึ้นมาสัญญาณเสียงอัตราส่วนของ 10 สุดท้ายรูปที่ 6 (ง) แสดงให้เห็นว่าการเรียนรู้ที่ประสบความสำเร็จจำเป็นต้องมีตัวอย่างอื่น ๆ อีกมากมายต่อรอบ (1000) เช่นเดียวกับยุคสมัย (10000) แต่หนึ่งใน 3 สัญญาณก็ยังไม่จัดได้สำหรับสัญญาณเสียงอัตราส่วนสูงถึง 100 เป็นกรณีที่เกิดขึ้นในก่อนหน้านี้ ตัวอย่างเช่นผลไม่จำเป็นต้องทำซ้ำเนื่องจากการสุ่มเสียง. III การเรียนรู้ใกล้ชิดเอ รู้เบื้องต้นเกี่ยวกับการจัดระเบียบ Kohonen ตนเองแผนที่อัลกอริทึม Kohonen ถูกนำไปใช้เพื่อการเรียนรู้ใกล้ชิดที่ค่าเป้าหมายไม่ได้ระบุไว้ การจัดระเบียบตัวเองที่เกี่ยวข้องแผนที่ (SOM) เป็นโครงสร้างทอพอโลยีที่สร้างขึ้นจากหน่วยคลัสเตอร์ ขั้นตอนวิธีการฝึกอบรมยังสร้างใน "การแข่งขัน" ในหมู่เซลล์ประสาท การเรียนรู้ที่ถูก จำกัด ให้เซลล์ประสาทที่มีทั้ง "ผู้ชนะ" (หรือใกล้เคียงหน่วย "ผู้ชนะ") ของการแข่งขันที่เกี่ยวข้องกับความใกล้ชิดของน้ำหนักปัจจัยการผลิต SOM ใช้การแข่งขันระหว่างเซลล์ประสาทที่จะเรียนรู้ในทางที่ใกล้ชิด, วิธีจัดกลุ่มข้อมูลที่ใส่ลงในกลุ่ม หน่วยคลัสเตอร์จะค่อนข้างคล้ายกับการส่งออกที่สอดคล้องกับกลุ่มของรูปแบบการป้อนข้อมูลในสถานการณ์การเรียนรู้ภายใต้การดูแล ที่น่าสนใจกลุ่มหน่วยเป็นทรัพย์สินที่สังเกตในสมอง. หน่วยคลัสเตอร์สามารถจัดได้ทั้งในมิติเดียวหรือแฟชั่นสองมิติ หน่วยหนึ่งมิติที่เรียกว่าอาร์เรย์เชิงเส้นในขณะที่หน่วยสองมิติสามารถจัดเป็นทั้งสี่เหลี่ยมหรือตารางหกเหลี่ยม ภาพส่วนหนึ่งของอาร์เรย์เชิงเส้นและตารางสี่เหลี่ยมดังต่อไปนี้ "ชนะหน่วย" ของการแข่งขันโดยเฉพาะอย่างยิ่งที่ถูกกำหนดโดย "#" และหน่วยงานใกล้เคียงที่อยู่ใน "รัศมี" อาร์จะแสดงเป็น "*"

Results (Thai) 3:

อย่างที่คาดไว้ พบว่าลดความถี่แยกต้องการตัวอย่างเพิ่มเติมและ / หรือการทำซ้ำเพื่อฝึก อีกอย่าง ถ้าฝึกสำเร็จ หมวดหมู่ที่เหมาะสมของสัญญาณเสียงดังได้รับยากมากสำหรับการแยกความถี่ที่มีขนาดเล็ก สำหรับความถี่แยก 100 % และ 10 % , การฝึกอบรมประสบความสำเร็จหลังจาก 100 ยุคสมัยใช้ 64 คนต่อรอบดังแสดงในรูปที่ 6 ( a ) และ ( b ) 6 หมวดหมู่ที่เหมาะสมได้ 100 % มีอัตราส่วนสัญญาณต่อเสียงรบกวนการแยก 1 และ 10 % แยกกับอัตราส่วนสัญญาณต่อสัญญาณรบกวนของ 10
รูปที่ 6 ( C ) แสดงให้เห็นว่ามีการแยก 5% มันเป็นสิ่งที่จำเป็นเพื่อเพิ่ม จำนวนของยุคสมัยที่ 500 การรถไฟเครือข่ายแต่ประเภทที่เหมาะสมเพียง 2 ใน 3 ของสัญญาณได้ในอัตราส่วนสัญญาณต่อเสียงรบกวนของ 10 สุดท้ายรูปที่ 6 ( D ) พบว่า การเรียนรู้ต้องประสบความสําเร็จอีกหลายตัวอย่างต่อวงจร ( 1000 ) รวมทั้งยุคสมัย ( 10 , 000 ) แต่หนึ่งใน 3 สัญญาณยังไม่จัด สำหรับอัตราส่วนสัญญาณต่อสัญญาณรบกวนสูงเป็น 100 เป็นกรณีที่ในตัวอย่างก่อนหน้านี้ไม่จําเป็นต้องทำซ้ำผลลัพธ์จากการสุ่มของเสียง

3
a unsupervised การเรียนรู้เบื้องต้นด้วยตนเองการจัดแผนที่
การประยุกต์ขั้นตอนวิธีการเรียนรู้แบบไม่มีผู้สอนซึ่งค่าเป้าหมายไม่ระบุ ที่ตนเองจัดแผนที่ ( SOM ) เป็นรูปแบบโครงสร้างที่สร้างขึ้นจากหน่วยกลุ่มอบรมวิธีสร้างใน " การแข่งขัน " ระหว่างเซลล์ประสาท การเรียนรู้จำกัดประสาทที่เป็น " ผู้ชนะ " ( หรือจะถูกเพื่อนบ้านหน่วย " ผู้ชนะ " ) ของการแข่งขันที่เกี่ยวข้องกับความใกล้ชิดของน้ำหนักกับปัจจัยการผลิต โสมใช้แข่งขันระหว่างเซลล์ประสาทเพื่อเรียนรู้ในวิธี unsupervised , วิธีการป้อนข้อมูลลงในกลุ่มคลัสเตอร์