where is the th incoming link weigh

where is the th incoming link weight to node and is its threshold.
3) Clustering and Self Organization: One of the big chal-lenges of data mining is the organization and retrieval of docu-ments from archives. Kohonen et al. [31] have demonstrated the utility of a huge self-organizing map (SOM) with more than one million nodes to partition a little less than seven million patent abstracts where the documents are represented by 500-dimen¬sional feature vectors. Vesanto et al. [32] employ a step-wise strategy by partitioning the data with a SOM, followed by its clustering. Alahakoon et al. [33] perform hierarchical clustering of SOMs, based on a spread factor which is independent of the dimensionality of the data.
Shalvi and DeClaris [29] have designed a data mining tech-nique, combining Kohonen’s self-organizing neural network with data visualization, for clustering a set of pathological data containing information regarding the patients’ drugs, topographies (body locations) and morphologies (physiological abnormalities). König [69] has combined SOM and Sammon’s nonlinear mapping for reducing the dimension of data repre-sentation for visualization purposes.
4) Regression: Neural networks have also been used for a variety of classification and regression tasks [23]. Time series prediction has been attempted by Lee and Liu [53]. They have employed a neural oscillatory elastic graph matching model with hybrid radial basis functions for tropical cyclone identification and tracking.
C. Neuro-Fuzzy Computing
Neuro-fuzzy computation [11] is one of the most popular hybridizations widely reported in literature. It comprises ajudi-cious integration of the merits of neural and fuzzy approaches, enabling one to build more intelligent decision-making systems. This incorporates the generic advantages of artificial neural networks like massive parallelism, robustness, and learning in data-rich environments into the system. The modeling of imprecise and qualitative knowledge in natural/linguistic terms as well as the transmission of uncertainty are possible through the use of fuzzy logic. Besides these generic advantages, the neuro-fuzzy approach also provides the corresponding application specific merits as highlighted earlier.
The rule generation aspect of neural networks is utilized to ex-tract more natural rules from fuzzy neural networks [36]. The fuzzy MLP [18] and fuzzy Kohonen network [19] have been used for linguistic rule generation and inferencing. Here the input, besides being in quantitative, linguistic, or set forms, or a combination of these, can also be incomplete. The compo-nents of the input vector consist of membership values to the overlapping partitions of linguistic properties low, medium, and high corresponding to each input feature. Output decision is pro¬vided in terms of class membership values. The block diagram of a fuzzy neural network is depicted in Fig. 2.

Hasil (Bahasa Indonesia) 1:

mana adalah th berat link masuk ke node dan ambang.Clustering 3) dan organisasi diri: salah satu tantangan besar-lenges data pertambangan adalah organisasi dan pengambilan docu nyata dari arsip. Kohonen et al. [31] telah menunjukkan kegunaan peta mengorganisasikan diri besar (SOM) dengan lebih dari satu juta node untuk partisi sedikit kurang dari 7 juta paten abstrak mana dokumen yang diwakili oleh vektor fitur 500-dimen¬sional. Vesanto et al. [32] menggunakan strategi yang digambarkan oleh partisi data dengan SOM, diikuti dengan pengelompokan. Alahakoon et al. [33] melakukan pengelompokan hirarkis SOMs, berdasarkan faktor penyebaran yang independen dari dimensi data.Shalvi dan DeClaris [29] telah merancang sebuah data pertambangan tech-nique, menggabungkan Kohonen's Self-Organizing jaringan saraf dengan visualisasi data untuk clustering satu set data patologis yang berisi informasi mengenai obat-obatan pasien, topografi (tubuh lokasi) dan morfologi (fisiologis kelainan). König [69] telah menggabungkan SOM dan Sammon's nonlinier pemetaan untuk mengurangi dimensi dari data tersembunyi mewakili-sentation untuk tujuan visualisasi.4) regresi: Jaringan saraf juga telah digunakan untuk berbagai tugas klasifikasi dan regresi [23]. Waktu seri prediksi yang telah berusaha oleh Lee dan Liu [53]. Mereka telah mempekerjakan grafik elastis oskilasi saraf pencocokan model dengan hibrida radial dasar fungsi untuk identifikasi Siklon tropis dan pelacakan.C. Neuro-kabur komputasiNeuro fuzzy perhitungan [11] adalah salah satu hybridizations paling populer yang meluas dilaporkan dalam literatur. Ini terdiri dari integrasi ajudi-cious terhadap manfaat dari pendekatan saraf dan fuzzy, memungkinkan untuk membangun sistem pengambilan keputusan yang lebih cerdas. Ini menggabungkan keunggulan generik buatan jaringan saraf seperti paralelisme besar-besaran, ketahanan, dan belajar di data-kaya lingkungan ke dalam sistem. Modeling pengetahuan yang tepat dan kualitatif secara alami dan linguistik serta transmisi ketidakpastian yang mungkin melalui logika fuzzy. Selain keuntungan generik, pendekatan neuro fuzzy juga memberikan manfaat spesifik aplikasi sesuai sebagai disorot sebelumnya.Aspek generasi aturan jaringan saraf dimanfaatkan ex-saluran lebih alami aturan dari jaringan saraf yang kabur, [36]. Fuzzy MLP [18] dan kabur Kohonen jaringan [19] telah digunakan untuk aturan linguistik generasi dan inferencing. Masukan, selain bentuk kuantitatif, linguistik atau set, atau kombinasi ini, di sini juga dapat tidak lengkap. Compo-nents dari masukan vektor terdiri dari nilai-nilai keanggotaan untuk partisi tumpang tindih linguistik sifat rendah, sedang, dan tinggi sesuai untuk setiap fitur masukan. Keputusan output adalah pro¬vided dalam hal nilai-nilai keanggotaan kelas. Blok diagram jaringan saraf kabur digambarkan dalam Fig. 2.

Hasil (Bahasa Indonesia) 2:

di mana adalah th berat link masuk ke node dan ambang batas.
3) Clustering dan Organisasi sendiri: Salah besar chal-tantangan-data mining adalah organisasi dan pengambilan dokumen-KASIH dari arsip. Kohonen dkk. [31] telah menunjukkan kegunaan peta mengorganisir diri besar (SOM) dengan lebih dari satu juta node untuk partisi sedikit kurang dari tujuh juta abstrak paten di mana dokumen yang diwakili oleh vektor fitur 500-dimen¬sional. Vesanto dkk. [32] menggunakan strategi langkah-bijaksana dengan membagi data dengan SOM, diikuti oleh pengelompokan nya. Alahakoon dkk. [33] melakukan pengelompokan hirarki soms, berdasarkan faktor spread yang independen dari dimensi dari data.
Shalvi dan DeClaris [29] telah merancang data mining teknologi-nique, menggabungkan diri mengatur jaringan saraf Kohonen dengan visualisasi data, untuk mengelompokkan satu set data patologis yang berisi informasi mengenai obat pasien, topografi (lokasi tubuh) dan morfologi (kelainan fisiologis). König [69] telah menggabungkan SOM dan Sammon pemetaan nonlinear untuk mengurangi dimensi data Repre-sentation untuk tujuan visualisasi.
4) Regresi: Jaringan saraf juga telah digunakan untuk berbagai klasifikasi dan regresi tugas [23]. Prediksi time series telah dicoba oleh Lee dan Liu [53]. Mereka telah mempekerjakan osilasi saraf grafik elastis Model yang sesuai dengan fungsi dasar radial hybrid untuk identifikasi siklon tropis dan pelacakan.
C. Neuro-Fuzzy Computing
neuro-fuzzy perhitungan [11] adalah salah satu hibridisasi paling populer secara luas dilaporkan dalam literatur. Ini terdiri integrasi ajudi-cious dari manfaat pendekatan saraf dan fuzzy, yang memungkinkan seseorang untuk membangun sistem pengambilan keputusan yang lebih cerdas. Ini menggabungkan keuntungan generik jaringan saraf tiruan seperti paralelisme besar, ketahanan, dan belajar di lingkungan yang kaya data ke dalam sistem. Pemodelan pengetahuan tidak tepat dan kualitatif dalam hal alami / linguistik serta transmisi ketidakpastian yang mungkin melalui penggunaan fuzzy logic. Selain ini keuntungan generik, pendekatan neuro-fuzzy juga menyediakan sesuai manfaat yang spesifik aplikasi sebagai disorot sebelumnya.
Aspek generasi aturan jaringan saraf digunakan untuk mantan saluran aturan yang lebih alami dari jaringan saraf kabur [36]. Fuzzy MLP [18] dan kabur Kohonen jaringan [19] telah digunakan untuk generasi aturan linguistik dan inferensia. Berikut input, selain di kuantitatif, linguistik, atau bentuk set, atau kombinasi dari ini, bisa juga tidak lengkap. The compo-komponen-dari vektor input terdiri dari nilai-nilai keanggotaan untuk partisi tumpang tindih sifat linguistik rendah, sedang, dan tinggi sesuai dengan masing-masing fitur input. Keputusan output pro¬vided dalam hal nilai-nilai keanggotaan kelas. Diagram blok dari jaringan saraf fuzzy digambarkan dalam Gambar. 2.