Example 2. From the result of Subst

Example 2. From the result of Substep( the
difference sequence is calculated as follows.
Modified order:
2000, 2100, 2200, 2500, 2600, 2700, 3200, 3300,
Diflerence sequence:
100, 100, 300, 100, 100, 500, 100.
Substep (1~): Find the value of’ similarity bet-
ween adjacent data. In order to obtain the value
of similarity between adjacent data, we convert
each distance difi to a real number si between
0 and 1 according to the following formula [IS]:
:
i
I_ diffi
~a for d% d C * as,
Si = 5 (7)
10 otherwise,
where Si represents the similarity between yi and
yi+ i, di& is the distance between yi and y:+ ,, as is
the standard derivation of difi’s, and C is a control
parameter deciding the shape of the membership
functions of similarity. A larger C causes a greater
similarity.
Example 3. Assume the control parameter C = 4.
The standard deviation a is first calculated as
145.69. Each membership value of similarity is
shown as follows:
s, = 1 - 100/‘145.69*4 = 0.83,
s2 = 1 - 100,‘145.69*4 = 0.83,
s3 = 1 - 300/145.69*4 = 0.49,
sq = 1 - 100/145.69*4 = 0.83,
sg = 1 - 100/145.69*4 = 0.83,
se = 1 - 500,‘145.69 * 4 = 0.14,
s, = 1 - 100/145.69*4 = 0.83.
Substep (Id): Cluster the training instances ac-
cording to similarity. Here we use the x-cut of sim-
ilarity to cluster the instances. The value of x
determines the threshold for two adjacent data to
be thought of as belonging to the same class. Larger
a will have a smaller number of groups. The pro-
cedure proceeds as follows:

ผลลัพธ์ (ไทย) 1:

ตัวอย่างที่ 2 จากผลของ Substep ( ลำดับความแตกต่างมีคำนวณเป็นดังนี้ แก้ไขใบสั่ง: 2000, 2100, 2200, 2500, 2600, 2700, 3200, 3300 ลำดับที่ Diflerence: 100, 100, 300, 100, 100, 500, 100 Substep (1 ~): ค้นหาค่าของ ' เดิมพันความเหมือน -บริษัทวีข้อมูลที่ติดกัน เพื่อรับค่า ของความเหมือนระหว่างข้อมูลที่ติดกัน เราแปลง difi ระยะทางแต่ละแบบในจำนวนจริงระหว่าง 0 และ 1 ตามสูตรต่อไปนี้ [IS]: : ผม I_ diffi ~ การสำหรับ d % d C * เป็น Si = 5 (7) มิฉะนั้น 10 ที่ศรีหมายถึงความคล้ายคลึงระหว่างยี่ และ ยี + i, di และระยะทางระหว่างยี่และ y: +,, เป็น มามาตรฐานของของ difi และ C คือ ตัวควบคุม พารามิเตอร์รูปร่างของสมาชิกในการตัดสินใจ ฟังก์ชั่นของความคล้ายคลึงกัน C มีขนาดใหญ่ทำให้เกิดขึ้น ความคล้ายคลึงกัน ตัวอย่างที่ 3 สมมติควบคุมพารามิเตอร์ C = 4 ส่วนเบี่ยงเบนมาตรฐานมีคำนวณเป็นครั้งแรก 145.69 แต่ละค่าสมาชิกของความคล้ายคลึงกันคือ แสดงเป็นดังนี้: s, = 1 100 /'145.69 * 4 = 0.83 s2 = 1-100,'145.69 * 4 = 0.83 s3 = 1-300/145.69 * 4 = 0.49 ตารางเมตร = 1-100/145.69 * 4 = 0.83 จำนวน 1-100 = / 145.69 * 4 = 0.83 se = 1-500,'145.69 * 4 = 0.14 s, = 1-100/145.69 * 4 = 0.83 Substep (Id): คลัสเตอร์การฝึกอบรมกรณี ac-cording ถึงความคล้ายคลึงกัน ที่นี่เราใช้การตัด x ของ sim-ilarity กับอินสแตนซ์ของคลัสเตอร์ ค่าของ x กำหนดขีดจำกัดสำหรับข้อมูลที่อยู่ติดกันสองเพื่อ ถือว่า เป็นของประเภทเดียวกัน มีขนาดใหญ่ จะมีกลุ่มจำนวนน้อย Pro-cedure เงินสดรับเป็นดังนี้:

ผลลัพธ์ (ไทย) 2:

ตัวอย่างที่ 2 จากผลของ substep นี้ (
ลำดับที่แตกต่างกันมีการคำนวณดังนี้.
เพื่อ Modified:
2000 2100 2200 2500 2600 2700 3200 3300
ลำดับ Diflerence:
100, 100, 300, 100, 100, 500 , 100
substep (1 ~): หาค่าของ 'ความคล้ายคลึงกันเดิมพัน
ข้อมูลที่อยู่ติดกัน ween เพื่อให้ได้ค่า.
ของความคล้ายคลึงกันระหว่างข้อมูลที่อยู่ติดกันเราแปลง
แต่ละ difi ระยะทางไปยังศรีจำนวนจริงระหว่าง
0 และ 1 ตาม สูตรต่อไปนี้ [IS]:
:
ฉัน
I_ diffi
~ สำหรับ d% d C * เป็น
ศรี = 5 (7)
10 มิฉะนั้น
ที่ศรีแสดงให้เห็นถึงความคล้ายคลึงกันระหว่าง Yi และ
Yi + I, di และเป็นระยะห่างระหว่าง Yi และ Y นี้ + ,, เป็น
รากศัพท์มาตรฐาน difi และ C คือการควบคุม
พารามิเตอร์การตัดสินใจรูปร่างของสมาชิก
ฟังก์ชั่นของความคล้ายคลึงกัน. ขนาดใหญ่ C ทำให้เกิดมากขึ้น
คล้ายคลึงกัน.
ตัวอย่าง 3. สมมติพารามิเตอร์ควบคุม c = 4.
ค่าเบี่ยงเบนมาตรฐานคือ คำนวณได้เป็นครั้งแรกที่
145.69 ค่าสมาชิกแต่ละคนของความคล้ายคลึงกันคือ.
ดังนี้
s, = 1-100 / '145.69 * 4 = 0.83,
S2 = 1-100' 145.69 * 4 = 0.83,
S3 = 1-300 / 145.69 * 4 = 0.49
ตาราง = 1-100 / 145.69 * 4 = 0.83,
SG = 1-100 / 145.69 * 4 = 0.83,
SE = 1-500 '145.69 * 4 = 0.14,
s, = 1-100 / 145.69 * 4. = 0.83
substep (ID): Cluster ฝึกอบรมกรณีทํา
cording ความคล้ายคลึงกัน ที่นี่เราใช้ X-ตัดซิม
ilarity คลัสเตอร์อินสแตนซ์ ค่าของ x
กำหนดเกณฑ์สำหรับข้อมูลสองที่อยู่ติดกับ
จะคิดว่าเป็นที่อยู่ในระดับเดียวกัน ที่มีขนาดใหญ่
จะมีจำนวนที่น้อยกว่าในกลุ่ม โปร
cedure ดำเนินการดังต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

ตัวอย่างที่ 2 จากผล substep (ลำดับความแตกต่างมีการคำนวณดังนี้การแก้ไข :2000 2100 2200 2500 , 2700 , 2600 3200 3300 , , , ,ลำดับ diflerence :100 , 100 , 300 , 100 , 100 , 500 , 100substep ( 1 ) หาค่าของ " เดิมพัน - คล้ายคลึงวีนติดข้อมูล เพื่อให้ได้ค่าความเหมือนระหว่างข้อมูลที่อยู่ติดกัน เราแปลงระยะห่างแต่ละ difi เป็นจํานวนจริง ซี ระหว่าง0 และ 1 ตามสูตรดังต่อไปนี้ คือ ::ฉันi_ diffi~ สำหรับ d% D C * เป็นจังหวัด = 5 ( 7 )ถ้าไม่อย่างนั้นที่แสดงถึง ความเหมือนระหว่าง อี และซีอี + ผมดิ และระยะห่างระหว่างยีและ Y : + , , เป็นความเป็นมาของมาตรฐาน difi , และ c คือ การควบคุมพารามิเตอร์การตัดสินใจรูปร่างของสมาชิกการทำงานของความเหมือน ขนาดใหญ่ C สาเหตุมากขึ้นความเหมือนตัวอย่างที่ 3 ถือว่าการควบคุมพารามิเตอร์ c = 4ส่วนเบี่ยงเบนมาตรฐานเป็นครั้งแรกที่คำนวณเป็น145.69 . ความเหมือนคือ ค่าของแต่ละสมาชิกแสดงได้ดังนี้S = 1 - 100 / "145.69 * 4 = 0.83 ,S2 = 1 - 100 , "145.69 * 4 = 0.83 ,S3 = 1 - 300 / 145.69 * 4 = 0.49 ,SQ = 1 - 100 / 145.69 * 4 = 0.83 ,SG = 1 - 100 / 145.69 * 4 = 0.83 ,SE = 1 - 500 " 145.69 * 4 = 0.14 ,S = 1 - 100 / 145.69 * 4 = 0.83 .substep ( ID ) : กลุ่มการฝึกอบรมกรณี AC -สายไฟกับความเหมือน ที่นี่เราใช้ x-cut ของซิม -องให้กลุ่มกรณี ค่าของ xกำหนดเกณฑ์สำหรับสองติดกัน ข้อมูลถูกมองว่าเป็นชนชั้นเดียวกัน ขนาดใหญ่จะมีจำนวนเล็ก ๆของกลุ่ม โปร -cedure รายได้ดังนี้