Principal Component Analysis (PCA)

Principal Component Analysis (PCA) is an effective unsupervised linear method to project data
from several sensors to a two-dimensional plane. Is a linear method that has been shown to be effective
for discriminating the response of an EN to simple and complex odours [17]. The neural network
model used in this study was a multilayer perceptron (MLP) that learns by using an algorithm called
backpropagation with an adaptive learning rate [18]. Therefore, in this application a MLP (Multilayer
Perceptron) network with ten hidden and one output neurons was applied to achieve a success rate in
classification a cross-validation technique called “leave one out” of order one, was implemented to
estimate the success rate in classification. A leave-one-out estimates the performance of the network in
the classification of coffee samples. This interactive validation approach generates N evaluation
procedures (1 for each measurement). For each iteration, a different measurement is left out, while the
remaining measurement (the one not used for training) is then projected onto the neural model and
classified using the already trained network. This is repeated N times (one for each measurement) so
that the final result is the average success of entire iterative process. The data pre-processing and processing were done with algorithms written in Matlab 7.5 having added a Graphical User
Interface (GUI).

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ส่วนประกอบหลัก (PCA) เป็นขั่วเชิงเส้นวิธีที่มีประสิทธิภาพเพื่อข้อมูลโครงการจากเซนเซอร์หลายตัวกับสองมิติ เป็นวิธีการเชิงเส้นที่ได้รับการแสดงจะมีประสิทธิภาพสำหรับเหยียดพวกผิวการตอบสนองของ EN ที่ให้กลิ่น และความซับซ้อน [17] ข่ายประสาทรุ่นที่ใช้ในการศึกษานี้ได้มีหลายชั้นเพอร์เซปตรอน (MLP) ที่เรียนรู้ โดยใช้อัลกอริทึมที่เรียกว่าbackpropagation อัตราการเรียนรู้ปรับตัว [18] ดังนั้น ในโปรแกรมประยุกต์นี้ MLP (Multilayerใช้เครือข่ายเพอร์เซปตรอน) สิบที่ซ่อนอยู่และเซลล์ประสาทหนึ่งผลลัพธ์มีอัตราความสำเร็จในประเภทเทคนิคการตรวจสอบข้ามเรียกว่า "ออกจากหนึ่ง" สั่งหนึ่ง ได้ดำเนินการประเมินอัตราความสำเร็จในการจัดประเภท การลาหนึ่งออกประเมินประสิทธิภาพของเครือข่ายในการจัดประเภทของตัวอย่างกาแฟ วิธีการตรวจสอบแบบโต้ตอบนี้สร้างการประเมิน Nวิธีการ (1 แต่ละวัด) สำหรับการเกิดซ้ำแต่ละ การวัดแตกต่างกันที่เหลืออยู่ ขณะคงเหลือ วัด (ที่ไม่ได้ใช้สำหรับการฝึกอบรม) แล้วฉายบนแบบจำลองของระบบประสาท และจำแนกโดยใช้เครือข่ายการฝึกอบรมแล้ว กล่าวซ้ำ N ครั้ง (หนึ่งแต่ละวัด) ดังนั้นว่า ผลสุดท้ายคือ ความสำเร็จเฉลี่ยของการซ้ำทั้งหมด ข้อมูลที่ประมวลผลเบื้องต้น และการประมวลผลทำ ด้วยอัลกอริทึมที่เขียนใน Matlab 7.5 มีเพิ่มผู้ใช้แบบกราฟิกอินเทอร์เฟซ (GUI)

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นวิธีการที่มีประสิทธิภาพเชิงเส้นหากินกับโครงการข้อมูล
จากหลายเซ็นเซอร์ระนาบสองมิติ เป็นวิธีการเชิงเส้นที่ได้รับการแสดงที่จะมีประสิทธิภาพ
สำหรับการจำแนกการตอบสนองของ EN กลิ่นไม่พึงประสงค์ในการที่ง่ายและซับซ้อน [17] เครือข่ายประสาทเทียม
แบบจำลองที่ใช้ในการศึกษาครั้งนี้เป็น Perceptron หลาย (MLP) ที่เรียนรู้โดยใช้ขั้นตอนวิธีการที่เรียกว่า
แพร่กระจายย้อนกลับมีอัตราการเรียนรู้การปรับตัว [18] ดังนั้นในโปรแกรมนี้ MLP (Multilayer
Perceptron) เครือข่ายที่มีสิบเซลล์ประสาทที่ซ่อนอยู่และเอาท์พุทหนึ่งถูกนำมาใช้เพื่อให้บรรลุอัตราความสำเร็จใน
การจัดหมวดหมู่เป็นเทคนิคการตรวจสอบข้ามเรียกว่า "ออกจากหนึ่งออก" ของคำสั่งหนึ่งถูกนำมาใช้ในการ
ประเมินอัตราความสำเร็จ ในการจำแนก ลาหนึ่งออกประมาณการผลการดำเนินงานของเครือข่ายใน
การจัดหมวดหมู่ของกลุ่มตัวอย่างกาแฟ วิธีการตรวจสอบนี้โต้ตอบสร้างไม่มีการประเมินผล
ขั้นตอน (1 สำหรับแต่ละวัด) สำหรับแต่ละย้ำการวัดที่แตกต่างกันออกซ้ายในขณะที่
การวัดที่เหลืออยู่ (หนึ่งไม่ได้ใช้สำหรับการฝึกอบรม) เป็นที่คาดการณ์จากนั้นเข้าสู่รูปแบบของระบบประสาทและการ
จำแนกโดยใช้เครือข่ายผ่านการฝึกอบรมแล้ว นี้ซ้ำ N ครั้ง (สำหรับแต่ละวัด) เพื่อให้
ว่าผลสุดท้ายคือความสำเร็จเฉลี่ยของกระบวนการซ้ำทั้งหมด ข้อมูลก่อนการประมวลผลและการประมวลผลได้ทำกับขั้นตอนวิธีการเขียนใน Matlab 7.5 มีการเพิ่มผู้ใช้แบบกราฟิก
Interface (GUI)

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นวิธีการเชิงเส้นที่มี unsupervised ข้อมูลโครงการจากเซ็นเซอร์หลายระนาบสองมิติ เป็นวิธีการเชิงเส้น ที่ได้แสดงผลการจำแนกกลุ่มการตอบสนองของ en เพื่อง่ายและซับซ้อนเครื่องหอม [ 17 ] โครงข่ายประสาทเทียมแบบจำลองที่ใช้ในการศึกษา คือเพอร์เซปตรอนหลายชั้น ( MLP ) ที่เรียนรู้โดยใช้วิธีการที่เรียกว่าแบบที่สามารถปรับอัตราการเรียนรู้ [ 18 ] ดังนั้น ในการประยุกต์ใช้ MLP ( หลายชั้นธรรมดา ) กับเครือข่ายสิบที่ซ่อนอยู่และหนึ่ง output เซลล์ประสาทถูกนำมาใช้เพื่อให้บรรลุอัตราความสำเร็จในหมวดหมู่ครอสการตรวจสอบเทคนิคที่เรียกว่า " ทิ้ง " เพื่อหนึ่งใช้สำหรับประมาณการอัตราการประสบความสำเร็จในการจำแนก ลาหนึ่งประเมินประสิทธิภาพของเครือข่ายในการจำแนกตัวอย่างกาแฟ นี้โต้ตอบการตรวจสอบวิธีการสร้าง N การประเมินผลขั้นตอนที่ 1 สำหรับการวัดแต่ละครั้ง ) สำหรับแต่ละ iteration , การวัดที่แตกต่างกันออกไป ในขณะที่ที่เหลือวัด ( หนึ่งไม่ได้ใช้สำหรับการฝึกอบรม ) แล้วฉายลงบนแบบจำลองและจำแนกการใช้เครือข่ายการฝึกอบรมแล้ว นี้ซ้ำ n ครั้ง ( หนึ่งในการวัดแต่ละครั้ง )ที่ผลลัพธ์สุดท้ายคือความสำเร็จโดยเฉลี่ยของกระบวนการวนซ้ำทั้งหมด การประมวลผลข้อมูลและการประมวลผลเสร็จขั้นตอนวิธีเขียน Matlab 7.5 มีการเพิ่มผู้ใช้แบบกราฟิกอินเตอร์เฟซ ( GUI )