chosen from each representative pat

chosen from each representative pattern class. The number of hidden nodes used were m = 11 for Pattern Set A and m = 13 for Pattern Set B [16] for both the models. The perfect match p, best match b mean square error mse correspond to the training set while the remaining measures refer to the test set (classwise, corresponding to the three classes 1, 2, none and also overall, along with the mean square error mseb).
In Tables VIII and X we demonstrate the inferred output responses of a five-layered model (with 10 nodes per hidden layer and trained with perc = 50) on some partial and com¬plete input feature vectors for the two pattern sets. Tables IX and XI illustrate the generation of a few rules from the above-mentioned two knowledge bases. Verification regarding these tables may be made by examining the original patterns given in Figs. The disjunctive (Or) terms in the antecedent parts are obtained by combining the various conjunctive clauses generated for the same feature corresponding to a single rule (produced to justify a single inferred decision). These disjunctive clauses result due to the concave and/or disjoint nature of the pattern class(es).
In Table VIII, the 1st, 4th 5th and 7th entries correspond to horizontal bands across Fig. 5 showing Pattern Set A. Class none, having the largest horizontal coverage at Fl = low in entry 1, produces a significant response. Note that entry 4 (with Fl = medium and inferring class 1) and entry 5 (with Fr = Mol medium and inferring class none) denote ambiguous decisions as observed from the certainty measure. However entry 7 with Fr = Mol high produces a more definite response in favor of class 1. As F2 becomes known as low in entry 2, the response changes from class 1 to class none. This is because of the fact that along the horizontal band at F1 = very low, class 1 has the largest horizontal coverage. However when the smaller region of interest is specified at F2 = low, the decision shifts in favor of class none and the ambiguity in decision decrease

Hasil (Bahasa Indonesia) 1:

dipilih dari setiap kelas perwakilan pola. Jumlah node tersembunyi yang digunakan adalah m = 11 untuk pola Set A dan m = 13 untuk pola Set B [16] untuk kedua model. P cocok, terbaik pertandingan b mean square kesalahan UMK sesuai dengan pelatihan mengatur sementara langkah-langkah yang tersisa merujuk ke set tes (classwise, sesuai dengan tiga kelas 1, 2, tidak ada dan juga secara keseluruhan, bersama dengan mseb kesalahan berarti square).Dalam tabel VIII dan X kita menunjukkan tanggapan inferred output dari model lima-lapis (dengan 10 node per lapisan tersembunyi dan dilatih dengan perc = 50) pada beberapa parsial dan com¬plete fitur masukan vektor set dua pola. Tabel IX dan XI menggambarkan generasi beberapa aturan dari Pangkalan Pengetahuan dua yang disebutkan di atas. Verifikasi mengenai tabel ini dapat dilakukan dengan memeriksa pola yang asli yang diberikan dalam buah ara. Terputus-putus (atau) persyaratan di bagian pendahuluan yang diperoleh dengan menggabungkan berbagai persyaratan conjunctive yang dihasilkan untuk fitur yang sama sesuai dengan aturan satu (diproduksi untuk membenarkan keputusan inferred tunggal). Pasal-pasal yang mereka hasil karena sifat cekung dan/atau utma pola class(es).Dalam tabel VIII, 1, 4 5 dan 7 entri sesuai dengan pita di seluruh gambar 5 menampilkan pola mengatur A. kelas tidak, memiliki cakupan horisontal terbesar di Fl = lemah dalam entri 1, menghasilkan respons yang signifikan. Perhatikan entri 4 (dengan Fl = menengah dan dalam menyimpulkan kelas 1) dan masuk 5 (dengan Fr = Mol menengah dan dalam menyimpulkan kelas tidak ada) menunjukkan keputusan ambigu seperti yang diamati dari ukuran kepastian. Namun entri 7 dengan Fr = Mol tinggi menghasilkan respons yang lebih pasti mendukung kelas 1. Ketika F2 menjadi dikenal sebagai rendah dalam entri 2, respon perubahan dari kelas 1 untuk kelas tidak ada. Hal ini karena fakta bahwa sepanjang band horisontal di F1 = sangat rendah, kelas 1 memiliki cakupan horisontal terbesar. Namun ketika wilayah lebih kecil dari bunga yang ditentukan di F2 = rendah, pergeseran keputusan mendukung kelas tidak ada dan ambiguitas dalam keputusan penurunan

Hasil (Bahasa Indonesia) 2:

dipilih dari masing-masing kelas pola perwakilan. Jumlah node tersembunyi yang digunakan adalah m = 11 untuk Pola Set A dan m = 13 untuk Pola Set B [16] untuk kedua model. Sempurna pertandingan p, terbaik pertandingan b berarti mse square error sesuai dengan set pelatihan sementara langkah-langkah yang tersisa merujuk ke set tes (classwise, sesuai dengan tiga kelas 1, 2, tidak ada dan juga keseluruhan, bersama dengan mean MSEB square error ).
Dalam Tabel VIII dan X kami menunjukkan respon keluaran disimpulkan dari model lima-lapis (dengan 10 node per lapisan tersembunyi dan dilatih dengan PERC = 50) pada beberapa vektor fitur masukan parsial dan com¬plete untuk dua pola set. Tabel IX dan XI menggambarkan generasi beberapa aturan dari dua basis pengetahuan yang disebutkan di atas. Verifikasi mengenai tabel ini dapat dilakukan dengan memeriksa pola asli diberikan pada Gambar. The disjungtif (Or) istilah di bagian yg diperoleh dengan menggabungkan berbagai klausul sambung dihasilkan untuk fitur yang sama sesuai dengan aturan tunggal (diproduksi untuk membenarkan keputusan disimpulkan tunggal). Ini klausa disjungtif mengakibatkan karena cekung dan / atau sifat disjoint dari kelas pola (es).
Pada Tabel VIII, tanggal 1, 5 4 dan entri 7 sesuai dengan band horizontal di Gambar. 5 menunjukkan Pola Set A. Kelas tidak ada, memiliki cakupan horisontal terbesar di Fl = rendah entri 1, menghasilkan respon yang signifikan. Perhatikan bahwa entri 4 (dengan Fl = kelas menengah dan menyimpulkan 1) dan masuk 5 (dengan media Fr = Mol dan menyimpulkan kelas tidak ada) menunjukkan keputusan ambigu seperti yang diamati dari ukuran kepastian. Namun masuknya 7 dengan Fr = Mol tinggi menghasilkan respon yang lebih pasti dalam mendukung kelas 1. Seperti F2 menjadi dikenal sebagai rendah dalam entri 2, perubahan respon dari kelas 1 sampai kelas tidak ada. Hal ini karena kenyataan bahwa di sepanjang band horisontal di F1 = sangat rendah, kelas 1 memiliki cakupan horisontal terbesar. Namun ketika wilayah yang lebih kecil dari bunga ditentukan pada F2 = rendah, pergeseran keputusan mendukung kelas tidak ada dan ambiguitas dalam penurunan keputusan