パーセプトロン造句

• 具体的には以下のような逐次的パーセプトロン学習則を適用することで埋め込みが達成される．
  具体的填充通过如下所示逐次应用感知器学习法则实现。
• ニューロタガーは，単一の三層パーセプトロン（図２）で構成される．
  由单一的三层视感控制器（图２）构成的。
• パーセプトロン以外の関数族でも同様に機能する．
  感知器以外的函数族也同样具有相同的功能。
• ニューラルネットは標準的な３層パーセプトロンを用い，そのキャパシティは，交差検証法で制御した．
  类神经网络法使用了标准的３层式感知器，它的能力是通过交替验证法来控制的。
• 三層パーセプトロンのアーキテクチャやニューロタガーの特徴などについては文献２１），２２）を参照されたい．
  三层视感控制器的结构或神经网络的特征，要参照文献２１），２２）。
• 図１に示すように，シングルニューロタガーは三層パーセプトロン（詳細は［ＨａｙｋｉｎＨａｙｋｉｎ１９９４］を参照）で構成される
  如图１所示，单一神经标注器由三层感知器（详细请参照［ＨａｙｋｉｎＨａｙｋｉｎ１９９４］）构成。
• ただしｆ（?）はｗｅｉｇｈｔパラメータを持つパーセプトロン出力，βは不確定性レベル（未知），ＺＤ（β）は正規化定数である．
  只是，　ｆ（?）是具有ｗｅｉｇｈｔ参数的感知器输出，β是不确定性水平（未知），ＺＤ（β）是正规化常数。
• 本稿では，ニューラルネットｆ（；Θ）のクラスとして，以下のような，中間ユニットの活性化関数をｇ（ｕ）とする３層パーセプトロンを考える．
  本文，作为神经网络ｆ（；Θ）的级，如下，对把中间组合的活化函数作为ｇ（ｕ）的３层感知器进行思考。
• 解答抽出．選択に関しては，パーセプトロンを用いた研究１３）や決定木を用いた研究１２），　ＳＶＭを用いた研究１７）が行われている．
  在解答的提取和选择方面，则有利用了感知器的研究１３）、利用了决定木的研究１２）以及利用了ＳＶＭ的研究１７）。
• カーネル学習器としては，実装の簡便さから，ＳＶＭと比較しても遜色ない性能をもつカーネルパーセプトロン［Ｆｒｅｕｎｄ　９９］を用いた．
  Ｋｅｒｎｅｌ学习机，从实际安装的简便性出发，使用了即使与ＳＶＭ相比，其性能也毫不逊色的的Ｋｅｒｎｅｌ感知器［Ｆｒｅｕｎｄ　９９］。
• たとえば，３層パーセプトロンにおいて，各ユニットのバイアスにはペナルティを施さず，重みについては各層間ごとに異なるペナルティ係数を施す提案１）もこの枠組みに入る．
  例如，３层感知器中，对各组合的偏差不给予处罚，对于加权，在每层之间给予了不同处罚系数的提案１）也装入了框架。
• なぜならば，英語の場合は線形分離可能な問題しか解決できない二層パーセプトロンでタグづけ問題を学習できたのに対し，タイ語の場合は三層以上でなければ学習が正しくできなかった
  因为，英语中使用仅能解决线型分离可能问题的二层感知器学习标注问题即可，而与此相对，泰语中则是非三层以上就不能正确地学习。
• 遅延座標値｛ｘｔ，ｘｔ―１，???，ｘｔ？―τ＋１｝がパーセプトロン各入力層素子ごとに入力され，最初の座標ｘｔから中間層素子へのｗｅｉｇｈｔをまとめて１とする（次元ｈ）．
  假设迟延坐标值｛ｘｔ，ｘｔ―１，???，ｘｔ―τ＋１是被输入到感知器全部各输入层因子中，假设从最初坐标到中间层因子的ｗｅｉｇｈｔ合计为１（维数ｈ）。
• それに対し，例えば中間層のユニット数が入力層の半分であるような三層パーセプトロンを用いたニューロタガーの場合，必要とされるパラメータ（ユニット間の結合）の数は僅か＠ｅｑｕａｔｉｏｎ＿０＠＠ｅｑｕａｔｉｏｎ＿１＠＠ｅｑｕａｔｉｏｎ＿２＠である
  与此相对，使用了中间层的单元数为输入层单元数一半的三层感知器的神经标注器的案例中，必需的参数（单元之间的匹配）的数量仅为＠ｅｑｕａｔｉｏｎ＿０＠＠ｅｑｕａｔｉｏｎ＿１＠。
• 与えられた時系列｛ｘ　｝Ｎからその将来値を予測することが目的の場合，何らかの関数系，たとえばパーセプトロン，ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）などによりｄａｔａｆｉｔｔｉｎｇを行う手法と，必ずしも関数系を用いない手法がある．
  要从给定的时间系列｛ｘ　｝Ｎ中预测其将来值时，该方法有通过某种函数系统，如感知器、ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）等进行ｄａｔａｆｉｔｔｉｎｇ的方法和未必使用函数系统的方法。
• ベイズ統計的枠組みでは，未知パラメータの尤度ベイズ統計的枠組みでは，未知パラメータの尤度（ｌｉｋｅｌｉｈｏｏｄ）と先験分布（ｐｒｉｏｒ）が与えられることで力関数＠ｅｑｕａｔｉｏｎ＿０＠の３層パーセプトロンで学習?予測を行うことを考える．
  贝叶斯统计式的结构中，在未知参数的似然度贝叶斯统计式结构中，未知参数的似然度（ｌｉｋｅｌｉｈｏｏｄ）和先验分布（ｐｒｉｏｒ）是给定的，它们是通过力函数＠ｅｑｕａｔｉｏｎ＿０＠的三层感知器进行学习和预测的。
• 個々のタガーＳＮＴ＠ｅｑｕａｔｉｏｎ＿０＠は入力長さ＠ｅｑｕａｔｉｏｎ＿１＠（＠ｅｑｕａｔｉｏｎ＿２＠）で入力層＠ｅｑｕａｔｉｏｎ＿３＠中間層＠ｅｑｕａｔｉｏｎ＿４＠出力層に＠ｅｑｕａｔｉｏｎ＿５＠個のユニットを持つ三層パーセプトロンであった
  各个标注器ＳＮＴ＠ｅｑｕａｔｉｏｎ＿０＠是输入长度为＠ｅｑｕａｔｉｏｎ＿１＠（＠ｅｑｕａｔｉｏｎ＿２＠）的，在输入层＠ｅｑｕａｔｉｏｎ＿３＠中间层＠ｅｑｕａｔｉｏｎ＿４＠输出层中有＠ｅｑｕａｔｉｏｎ＿５＠个单元的三层感知器。
• 三層パーセプトロンは誤差逆伝播学習アルゴリズム［Ｒｕｍｅｌｈａｒｔ，　ＭｃＣｌｅｌｌａｎｄ，　ＰＤＰ　Ｒｅｓｅａｒｃｈ　ＧｒｏｕｐＲｕｍｅｌｈａｒｔ　ｅｔ　ａｌ．１９８４］を用いて品詞のタグづけ済みの訓練用データを学習することによって品詞タグづけ能力を学習できる
  三层感知器可以使用误差反向传播学习算法［Ｒｕｍｅｌｈａｒｔ，　ＭｃＣｌｅｌｌａｎｄ，　ＰＤＰ　Ｒｅｓｅａｒｃｈ　ＧｒｏｕｐＲｕｍｅｌｈａｒｔ　ｅｔ　ａｌ．１９８４］通过学习已完成词性标注的训练数据，记忆词性标注能力。
• サポートベクターマシン，パーセプトロン，ロジスティック回帰モデル（最大エントロピーモデル）等，幾つかの学習アルゴリズムは，その中で例が単独では現れずに常に二つの例ｘとｚ内積＠ｅｑｕａｔｉｏｎ＿０＠として現れる形に書ける［Ｓｃｈ¨ｏｌｋｏｐｆ　０２，　Ｓｈａｗｅ―Ｔａｙｌｏｒ　０４］．
  在支持向量机、感知器、逻辑回归模型（最大平均信息量）等数个研究程序中，例子都不是单独出现的，而是通常以两个例子ｘ和ｚ的内积＠ｅｑｕａｔｉｏｎ＿０＠的形式出现［Ｓｃｈ¨ｏｌｋｏｐｆ　０２，Ｓｈａｗｅ―Ｔａｙｌｏｒ　０４］