where is indicates the input neuron

where is indicates the input neurons selected for the clauses and in denotes the input neurons remaining from the set { a°, a?, ..., a°„o } such that
~i31+lint =m°
and 1i5 I, Iinl refer respectively to the number of neurons selected and remaining from the said set. This heuristic allows selection of those currently active input neurons contributing the most to the final conclusion (among those lying along the maximum weighted paths to the output node j) as the clauses of the antecedent part of a rule. Hence, it enables the currently active test pattern inputs (current evidence) to influence the generated knowledge base (connection weights learned during training) in producing a rule to justify the current inference. Clause Generation: For a neuron is, in the input layer (h = 0), selected for clause generation, the corresponding input feature u8, is obtained as in (17). The antecedent of the rule is given in linguistic form with the linguistic property being determined as
1low if igl - 3(uel - 1) = 1
prop = medium
high if i51 - 3(us1 - 1) =
otherwise 2 (21)

Here, the 3-dimensional components for the input feature us, correspond to the appropriate part of the test pattern vector (given in quantitative, linguistic or set form and converted to the respective 3-dimensional space of (4)). Suppose that the relevant input feature had been initially supplied in linguistic form as medium with the individual components given by (5). The neuron i8, selected for clause generation by (19-20) can, however, result in feature us, corresponding to any of the three properties low, medium or high by (21). This is because the path generated during backtracking is primarily determined by the connection weight magnitudes encoded during training. However, the test pattern component magnitudes at the input also play a part in determining whether the input neuron i8, can be selected or not. In the example under consideration,

Hasil (Bahasa Indonesia) 1:

mana adalah menunjukkan neuron masukan yang dipilih untuk klausa dan dalam menunjukkan neuron masukan yang tersisa dari set {°,?,..., ° "o} sedemikian rupa sehingga~ i31 + serat = m °dan 1i5 I, Iinl merujuk pada masing-masing jumlah neuron yang dipilih dan sisa dari kumpulan kata. Heuristic ini memungkinkan pilihan neuron masukan tersebut saat ini aktif memberikan kontribusi yang paling untuk kesimpulan (di antara mereka berbaring sepanjang jalan berbobot maksimal untuk output node j) sebagai klausa bagian pendahuluan dari aturan. Oleh karena itu, hal itu memungkinkan input aktif pola pengujian (bukti saat ini) untuk mempengaruhi basis pengetahuan yang dihasilkan (koneksi bobot belajar selama pelatihan) dalam memproduksi aturan untuk membenarkan kesimpulan saat ini. Generasi klausul: Neuron adalah, dalam lapisan input (h = 0), dipilih untuk generasi klausul, u8 fitur masukan terkait, diperoleh seperti (17). Pendahuluan aturan diberikan dalam bentuk linguistik dengan properti linguistik yang ditentukan sebagai 1low jika igl - 3 (uel - 1) = 1 Prop = mediatinggi jika i51 - 3 (us1 - 1) =Sebaliknya 2 (21)Here, the 3-dimensional components for the input feature us, correspond to the appropriate part of the test pattern vector (given in quantitative, linguistic or set form and converted to the respective 3-dimensional space of (4)). Suppose that the relevant input feature had been initially supplied in linguistic form as medium with the individual components given by (5). The neuron i8, selected for clause generation by (19-20) can, however, result in feature us, corresponding to any of the three properties low, medium or high by (21). This is because the path generated during backtracking is primarily determined by the connection weight magnitudes encoded during training. However, the test pattern component magnitudes at the input also play a part in determining whether the input neuron i8, can be selected or not. In the example under consideration,

Hasil (Bahasa Indonesia) 2:

mana mengindikasikan neuron input yang dipilih untuk klausa dan menunjukkan input neuron yang tersisa dari set {a °, sebuah ?, ..., ° "o} sehingga
~ i31 + lint = m °
dan 1i5 saya, Iinl merujuk masing untuk jumlah neuron yang dipilih dan sisa dari set tersebut. Heuristik ini memungkinkan pemilihan neuron masukan aktif memberikan kontribusi paling untuk kesimpulan akhir (di antara mereka tergeletak di sepanjang jalur tertimbang maksimum output simpul j) sebagai klausul bagian anteseden aturan. Oleh karena itu, memungkinkan pola pengujian input yang sedang aktif (bukti saat ini) untuk mempengaruhi basis pengetahuan yang dihasilkan (bobot hubungan dipelajari selama pelatihan) dalam memproduksi aturan untuk membenarkan kesimpulan saat ini. Klausul Generation: Untuk neuron adalah, pada lapisan masukan (h = 0), karena adanya generasi klausa, fitur input sesuai u8, diperoleh seperti pada (17). Anteseden dari aturan diberikan dalam bentuk bahasa dengan properti linguistik yang ditentukan sebagai
1low jika iGL - 3 (uel - 1) = 1
prop = menengah
tinggi jika i51 - 3 (US1 - 1) =
sebaliknya 2 (21) Di sini, komponen 3-dimensi untuk input fitur kami, sesuai dengan bagian yang tepat dari vektor pola tes (diberikan dalam bentuk kuantitatif, linguistik atau mengatur dan dikonversi ke ruang 3 dimensi masing-masing (4)). Misalkan fitur masukan terkait telah awalnya disediakan dalam bentuk bahasa sebagai media dengan komponen individu yang diberikan oleh (5). Neuron i8, karena adanya generasi klausa oleh (19-20) bisa, bagaimanapun, menghasilkan fitur kita, sesuai dengan salah satu dari tiga sifat rendah, sedang atau tinggi oleh (21). Hal ini karena jalan yang dihasilkan selama backtracking terutama ditentukan oleh besaran berat koneksi dikodekan selama pelatihan. Namun, pola tes besaran komponen di input juga berperan dalam menentukan apakah input neuron i8, bisa dipilih atau tidak. Pada contoh di bawah pertimbangan,