Question

好人帮帮忙！英文翻译！

3. GA-RBF neural network for nonlinear system
modeling
A RBF neural network has an input layer, a nonlinear hidden
layer and a linear output layer. The nodes within each layer
are fully connected to the previous layer nodes. The input variables are each assigned to nodes in the input layer and connected directly to the hidden layer without weights. The hidden layer nodes are RBF units. The nodes calculate the Euclidean distances between the centers and the network input vector, and pass the results through a nonlinear function [17]. The output layer nodes are weighted linear combinations of the RBF in hidden layer.
The structure of a RBF neural network with n inputs,
one output and q hidden nodes is given in Fig. 1.
Where, input x = [x1, x2, . . ., xn]T and w = [w1,w2, . . . , wq]T is the neural network weight. ui is a
nonlinear function and here, it is chosen as a Gaussian
activation function
where ci = (ci1, ci2, . . ., cij)T, j=1, 2, . . ., n, is the center of the ith RBF hidden unit, and bi is the width of the ith RBF hidden unit. Then the ith RBF network output can be represented as a linearly weighted sum of q basis functions
Let y(k) represent the target value of the network at time k.
The error of the network at time k is defined as:
The cost function of the network is the squared error between
the target and the predicted values, which is given by the following equation:
The learning algorithm aims to minimize the squared error
using a gradient descent procedure. Hence, the change of the
output weight wi, the centers cij and the widths bi is determined
according to the following equation:
where α is the momentum term and η is the learning rate, α ∈ [0,1], η ∈ [0, 1]. The term _wi, _cij and _bi are defined as:
When we program to realize the RBF algorithm, how to
choose the optimum initial values of the following three parameters in Eqs. (5)–(7): the output weight wi, the centers cij and the widths bi, is very important. If they are not appropriately chosen, the RBF neural network may degrade validity and accuracy of modeling. So a genetic algorithm is used to optimize the RBF neural network parameters.
Agenetic algorithm is an interactive procedure that maintains
a population of strings which constitute the set of candidate solutions to the specific problem [18]. During each generation, the strings in the current population are rated for their effectiveness as solutions. On the basis of these evaluations, a new population of candidate solutions is formed by using genetic operations, such as selection, crossover and mutation. There are four major steps required to use the genetic algorithm to solve a problem, include, coding, evaluation of fitness, genetic operations and the terminate criterion.

要90%正确
急急，感谢下面的人，但翻译实在差别太大啊，能准确些吗？

Answer 1

塑造
A RBF神经网络有输入层数，非线性暗藏
layer和线性产品层数。 在每层数之内的结
are充分地连接了到早先层数结。 输入变数其中每一被分配到在输入层数的结并且被连接直接地到暗藏的层数，不用重量。 暗藏的层数结是RBF单位。 结计算中心和网络输入传染媒介之间的欧几里德的距离，并且通过结果一个非线性作用[17]。 产品层数结是RBF的被衡量的线性组合在暗藏的层数的。 一个RBF神经网络的The结构与n输入的，
one输出了，并且q暗藏的结在图1.被给。
Where，输入x = [x1、x2，…， xn] T和w = [w1， w2，…， wq] T是神经网络重量。 ui是a
nonlinear作用和这里，它被选择作为高斯
activation作用
where ci = (ci1， ci2，…， cij) T， j=1， 2，…， n，是ith RBF暗藏的单位的中心，并且双是ith RBF暗藏的单位的宽度。 然后ith RBF网络产品可以代表作为q依据作用的一个线性地被衡量的总和
Let y (k)代表网络的指标值在时间k。 网络的The错误在时间k的被定义如下：
The网络的价值函数是被摆正的错误之间
the目标和被预言的价值，以下等式给：
The使被摆正的错误减到最小的学习算法目标
using梯度下降做法。 因此，变动的
output重量wi、中心cij和宽度双是坚定的 根据以下等式的 ：
where α是动量期限，并且η是学习的率， α ∈ [0,1]， η ∈ [0， 1]。 期限_wi、_cij和_bi被定义如下： 我们编程体会RBF算法的When，怎么
choose以下三个参量的最宜的原始价值在Eqs的。 (5)–(7) ： 产品重量wi、中心cij和宽度双，是非常重要的。 如果他们没有适当地被选择， RBF神经网络也许贬低塑造的有效性和准确性。 因此一种基因算法被用于优选RBF神经网络参量。
Agenetic算法是维护的一个交互式做法 构成套候选人解答对具体串的a人口[第18个问题]。 在每个世代时，在当前人口的串为他们的有效率是额定的作为解答。 通过使用基因操作，例如选择、天桥和变化，根据这些评估，候选人解答的新的人口被形成。 有要求的四主要步使用基因算法解决问题，包括，健身的编码，评估，基因操作和终止标准。

Answer 2

加文- RBF神经网络的非线性系统
建模
RBF神经网络有一个输入层，一个非线性隐患
层和线性输出层。该节点的每一层
完全连接到前层节点。输入变量是每个分配到节点，在输入层，并直接连到隐层无砝码。隐含层节点的RBF单位。节点计算欧几里德人之间的距离，中心和网络输入向量，并通过结果将通过一个非线性函数[ 17 ] 。输出层节点的加权线性组合的RBF在隐层。
结构RBF神经网络与N投入，
一个输出和Q隐节点给出图。 1 。
那里，输入为x = [象X1 ， x2 ， 。 。 ， xn ] T和W = [ W1的，条西2 ， 。 。 。 ，发布时间： T是神经网络的重量。 UI的是一个
非线性函数，并在这里，这是选择作为一个高斯
激活功能
凡词= （ ci1 ， ci2 ， … … 。 ， cij ）笔，强= 1 ， 2 ， 。 。 ，氮，是该中心的提取RBF的隐患单位，而BI是宽度的提取RBF的隐患单位。然后提取RBF网络输出可派代表作为线性加权的Q基函数
让钇（十一）代表目标值网络上的时间k.
误差网络的时候， k是定义为：
成本函数的网络就是误差平方之间
这一目标和预测值，这是由以下公式：
学习算法的目的是为了最大限度地减少误差平方
采用梯度下降的程序。因此，转变中的
输出重量的Wi ，中心cij和宽度BI是决心
根据以下公式：
其中α是动量任期和η是学习率， α ∈ [ 0,1 ] ， η ∈ [ 0 ， 1 ] 。任期_wi ， _cij和_bi被定义为：
当我们计划，以实现RBF算法，如何
选择不同的初始值以下三个参数均衡器。 （ 5 ） -（ 7 ） ：输出重量的W i，中心c ij和宽度碧，是非常重要的。如果他们得不到妥善选定后， RBF神经网络，可降解的有效性和准确性的造型。因此，用遗传算法优化RBF神经网络参数。
agenetic算法是一个互动的程序保持
人口弦乐构成了一套候选解决方案，以具体的问题[ 18 ] 。在每一代人，弦乐，在当前人口额定其有效性作为解决方案。在此基础上的这些评价，一个新的人口候选人的解决办法是由使用遗传操作，如选择，交叉和变异。主要有四个方面需要采取的步骤，以利用遗传算法来解决一个问题，其中包括，编码，评价健身，遗传操作和终止的标准