3.2.3. Principal components of nonl

3.2.3. Principal components of nonlinear discrimination
Fig. 6 shows the two bi-dimensional graphs of the two
principal nonlinear discrimination components in indepen-
dent action. Fig. 6a, refers to the separation for the four
classes, showing that the classes UC and LP present well-
defined regions and consequently are easily separated by
nonlinear separators. The classes PO and SI present a region
of confusion in the graph with some observations of SI
positioned in the PO region. This had been detected before
when using linear classifiers, since the error classifications
were references of these classes. It may be noted in Fig. 6b,
five classes, that the confusion between NLSI, LSI and PO is
even greater but this is easily explained, as the distinction
between the two classes of SI is complicated due to their
similar features. At this point, the question concerning the
high values of success may arise considering the confusion
of the class domains in the graph. However, the graph only
shows the problem in two dimensions but uses three or four
dimensions for the separation of classes, which increases the
capacity of discrimination. As nonlinear classifiers were
now used, the possibility of separation of these classes
became viable since the neuronal networks are capable of
developing extremely complex separation surfaces and
permit high performance success with the training data, as
was proved. However, coming back to the generalization
[20] problem of the network, the graphs obtained for the
distribution of the nonlinear classifier outputs show that
the success probability for the data not used during the
training is high, however, for the results to be even
more reliable, test patterns will have to be used, which
will certainly be done in future works with the acquisition of
new patterns.
It should be noted that the lack of a high number of
samples (with statistical representation) to have a greater
reliability in the classifiers, is a frequent problem in this area
of research, which can also be seen in the work of Liao [13],
who had a total of 147 samples for study covering six defect
classes and therefore resorted to the technique of Bootstrap
to produce training and test data.
The use of these graphs using the principal components is
very useful for systems with high dimensions, as with Mery
[26], who used 71 features to separate the defect and regular
structure classes in radioscopy of aluminum wheels.
The graph in Fig. 7 represents the results of perform-
ance obtained when using only the first component p1 as
an input vector of the classifier, also with ðp1 þ p2 Þ
independents (bi-dimensional vector) and ðp1 þ p2 Þ coop-
erative (for the two types). The results show that using only
the first component the indices of success reached 92.0% for
the training data with four classes, logically dropping for the
more complex situation of five classes (66.4%). With the use
of two components the indices come very close to those
obtained when using three or four features. It was also
confirmed that there is no significant difference in the
performance between the types of components used. These
results prove the efficiency of the principal components to
reduce the dimension of the original data, maintaining a high
capacity of classification success. For the case studied, the
reduction of size from three or four dimensions to two
dimensions was not justified. However, the results are
motivating for similar studies to be made with larger sized
systems such as the work of Mery [25], because the quantity
of calculations made by the neural network could be
significantly less. The same can be done when using gray
profiles of the weld beads, as in the work of Liao [6,7], where
the input vectors of the classifier could contain 500 or more
components. These techniques for the development of
discrimination components are recent and are not found, at
present in other research applications for the development of
automatic systems for the recognition of weld defects in
radiographic images.

ผลลัพธ์ (ไทย) 3:

3.2.3 . ส่วนประกอบหลักของเส้นเลือกปฏิบัติ
ภาพที่ 6 แสดงสองบีมิติกราฟสองเส้นหลักจำแนกส่วนประกอบใน indepen
-
บุ๋มการกระทํา รูปที่ 6 หมายถึง การแยกสำหรับ 4
เรียน แสดงให้เห็นว่าบทเรียน UC และ LP ปัจจุบันดี -
de จึงเน็ดภูมิภาคและจากนั้นได้อย่างง่ายดายโดยแยก
ไม่เชิงเส้นคั่น .ชั้นเรียนและศรีปัจจุบันภูมิภาค
สับสนในกราฟด้วยข้อสังเกตบางประการของ Si
ตั้งอยู่ในภูมิภาคโป นี้ได้ถูกตรวจพบก่อน
เมื่อใช้เส้น classi จึง ERS เนื่องจากข้อผิดพลาด classi จึงทำให้
ถูกอ้างอิงจากชั้นเรียนเหล่านี้ มันอาจจะถูกบันทึกไว้ในรูปบน
จึงได้สอนว่า ความสับสนระหว่าง nlsi ญี่ปุ่นและ PO คือ
ยิ่งแต่นี้สามารถอธิบายเช่นความแตกต่างระหว่างสองประเภทของจังหวัด
ซับซ้อนเนื่องจากคุณสมบัติที่คล้ายกันของพวกเขา

ณจุดนี้คำถามเกี่ยวกับ
ค่าสูงของความสำเร็จอาจเกิดขึ้นจากความสับสน
ของคลาสโดเมนในกราฟ แต่กราฟอย่างเดียว
แสดงปัญหาใน 2 มิติแต่ใช้สามหรือสี่
มิติเพื่อแยกห้องเรียน ซึ่งเพิ่ม
ความจุของการเลือกปฏิบัติ เป็นเส้นจึงมี classi ERS
ตอนนี้ใช้ ความเป็นไปได้ของการแยกชั้นเรียน
เหล่านี้กลายเป็นได้ตั้งแต่เครือข่ายและมีความสามารถในการพัฒนาที่ซับซ้อนมากและพื้นผิวการแยก

ให้ประสิทธิภาพสูงความสำเร็จกับข้อมูลการฝึกอบรม เช่น
ถูกพิสูจน์ แต่กลับมา Generalization
[ 20 ] ปัญหาของเครือข่ายกราฟหาความ
การกระจายของเส้น classi จึงเอ้อผลแสดงให้เห็นว่า
ความน่าจะเป็นความสำเร็จสำหรับข้อมูลที่ใช้ไม่ได้ในช่วง
การฝึกอบรมสูง อย่างไรก็ตาม สำหรับผลที่จะได้
เชื่อถือได้มากขึ้น รูปแบบการทดสอบจะต้องใช้ ซึ่งจะต้องทำใน
งานในอนาคตด้วยการซื้อ

รูปแบบใหม่ มันควรจะสังเกตว่าขาดเป็นจำนวนสูงของ
ตัวอย่าง ( ด้วยการเป็นตัวแทนทางสถิติ ) มีความน่าเชื่อถือมากขึ้น
ใน ERS จึง classi มีปัญหาบ่อยในพื้นที่นี้
ของการวิจัย ซึ่งสามารถเห็นได้ในงานของเหลียว [ 13 ]
ใครมีจำนวน 147 ตัวอย่างสำหรับการศึกษาครอบคลุมหกข้อบกพร่อง
บทเรียนจึงหันไปใช้เทคนิค ของบู
ผลิต การฝึกอบรมและทดสอบข้อมูล .
การใช้กราฟเหล่านี้ใช้ ส่วนประกอบหลักคือ
มีประโยชน์มากสำหรับระบบที่มีขนาดสูงเช่นเดียวกับแมรี่
[ 26 ] ใครใช้ 71 คุณลักษณะแยกของเสียและชั้นเรียน
โครงสร้างปกติใน radioscopy ล้ออลูมิเนียม .
กราฟในรูปที่ 7 แสดงผลแสดง -
ance ได้เมื่อใช้เพียง จึงเป็นองค์ประกอบแรกของ P1
อินพุตเวกเตอร์ของ classi จึงเอ้อยังมีð P1 P2
þÞอิสระ ( เวกเตอร์บี ) และð P1 P2 Þþเล้า -
erative ( ทั้ง 2 ประเภท ) ผลที่ได้แสดงให้เห็นว่าการใช้
จึงตัดสินใจเดินทางองค์ประกอบดัชนีของความสำเร็จถึง 92.0% สำหรับ
ข้อมูลการฝึกอบรมกับสี่ชั้นเรียน ตรรกะลดลง
ซับซ้อนมากขึ้นในสถานการณ์จึงได้เรียน ( เป็น % ) กับใช้
สองส่วนดัชนีมาปิดที่
มากๆที่ได้เมื่อใช้สามหรือสี่คุณสมบัติ มันก็ยัง rmed
คอน จึงไม่มี signi จึงไม่สามารถเปรียบเทียบประสิทธิภาพระหว่าง
ชนิดของชิ้นส่วนที่ใช้ ผลลัพธ์เหล่านี้
พิสูจน์ประสิทธิภาพของ EF จึงส่วนประกอบหลัก

ลดขนาดของข้อมูลเดิม รักษาความจุสูง
ของ classi ไอออนบวกจึงสำเร็จ สำหรับกรณีศึกษา
การลดขนาดจากสามหรือสี่มิติสองมิติ ไม่ใช่แค่
จึงเอ็ด อย่างไรก็ดี
สร้างแรงจูงใจให้คล้ายกันการศึกษาให้กับขนาดใหญ่
ระบบเช่นงานของแมรี่ [ 25 ] เพราะปริมาณ
การคำนวณโดยเครือข่ายประสาทสามารถ
signi จึงลดลงอย่างมีนัยสําคัญเมื่อน้อย เดียวกันสามารถทำได้เมื่อใช้สีเทา
Pro จึงเล ของเชื่อม ลูกปัด ในงานเหลียว [ 6 , 7 ]ที่
ใส่เวกเตอร์ของ classi จึงเอ้อประกอบด้วย 500 หรือมากกว่า
ส่วนประกอบ เทคนิคเหล่านี้สำหรับการพัฒนา
ส่วนประกอบการแบ่งแยกเป็นล่าสุดและไม่พบในงานวิจัยอื่นที่
ปัจจุบันสำหรับการพัฒนา
ระบบอัตโนมัติสำหรับการรับรู้เชื่อมข้อบกพร่องใน

ด้วยภาพ