of research [4 –15] and according t

of research [4 –15] and according to Liao [13], it is still an
area little explored.
In this work, unlike previous works where linear
classifiers [12,14,15] were used, nonlinear classifiers were
used mainly in order to increase the percentage of success
(the previous percentage was 85% [12]). Using the
nonlinear classifiers, the criterion of neural relevance was
used to study the features, aiming to prove that the quality of
the features is more important than the quantity of features
used. The reduction in the quantity of features used is one of
the large differences in relation to the work of other authors
(Aoki [4] and Liao [13] for example). Although common in
other research areas but not yet in this area, the use of the
Principal Components of Discrimination (PCD) technique
was used, also implemented by neural networks, to reduce
the input dimension and to visualize the bi-dimensionality
of the class separation regions. The results were presented in
percentage terms of success for each class classification.
Due to the frequent problem of reduced number of samples
to evaluate the generalization capacity of the classifiers
(Liao [13] reverted to Bootstrap to overcome the problem),
the authors chose the calculation of correct classification
probability with these types of classifiers. Bearing in mind
that these results give continuity to the studies carried out
and published [12,14,15] earlier, some of the previous
results are briefly presented in this paper to aid comprehen-
sion of the present results.

ผลลัพธ์ (ไทย) 1:

งานวิจัย [4 –15] และ ตามเลี้ยว [13], ก็ยังคงมีตั้งน้อย explored ในงานนี้ ไม่เหมือนก่อนหน้านี้ทำงานเชิงเส้นใช้ classifiers [12,14,15] classifiers ไม่เชิงเส้นได้ใช้ส่วนใหญ่เพื่อเพิ่มเปอร์เซ็นต์ของความสำเร็จ(เปอร์เซ็นต์ก่อนหน้าได้ 85% [12]) โดยใช้การไม่เชิงเส้น classifiers เกณฑ์ความเกี่ยวข้องประสาทถูกใช้ในการศึกษาลักษณะการทำงาน มุ่งพิสูจน์ที่คุณภาพของลักษณะการทำงานเป็นสำคัญกว่าปริมาณของใช้ การลดปริมาณของคุณลักษณะเป็นหนึ่งความแตกต่างขนาดใหญ่เกี่ยวกับการทำงานของคน(ภัตตาคาร [4] และเลี้ยว [13] ตัวอย่าง) แม้ว่าในวิจัยอื่น ๆ แต่ยังไม่ ได้ ใน พื้นที่นี้ การใช้ส่วนประกอบหลักของเทคนิคการเลือกปฏิบัติ (กรมควบคุมมลพิษ)ใช้ ใช้งาน โดยเครือข่ายประสาท ลดขนาดอินพุทและเห็นภาพสอง-dimensionalityภูมิภาคแยกชั้น ผลลัพธ์ได้นำเสนอในเปอร์เซ็นต์การเงื่อนไขของความสำเร็จสำหรับแต่ละคลาส classificationเนื่องจากปัญหาบ่อยจำนวนลดลงอย่างการประเมินกำลังการผลิต generalization ของ classifiers(เลี้ยว [13] แปลงกลับเป็น Bootstrap เพื่อเอาชนะปัญหา),ผู้เขียนเลือกการคำนวณของ classification ถูกต้องความน่าเป็นชนิดเหล่านี้ของ classifiers แบริ่งในจิตใจว่า ผลลัพธ์เหล่านี้ให้ความต่อเนื่องการศึกษาดำเนินการและเผยแพร่ [12,14,15] ก่อนหน้าของก่อนหน้าผลลัพธ์จะแสดงอยู่ในเอกสารนี้เพื่อช่วย comprehen - brieflyนผลการนำเสนอ

ผลลัพธ์ (ไทย) 2:

ของการวิจัย [4 -15] และเป็นไปตามเหลียว [13] ก็ยังคงเป็น
พื้นที่สำรวจเล็ก ๆ น้อย ๆ .
ในงานนี้แตกต่างจากผลงานก่อนหน้านี้ที่เชิงเส้น
ERS จัดประเภท [12,14,15] ถูกนำมาใช้ ERS จัดประเภทไม่เชิงเส้นถูก
ใช้เป็นหลักในการสั่งซื้อ จะเพิ่มขึ้นร้อยละของความสำเร็จ
(ร้อยละก่อนหน้านี้เป็น 85% [12]) ใช้
ERS จัดประเภทไม่เชิงเส้นเกณฑ์ความประสาทที่ถูก
ใช้ในการศึกษาคุณลักษณะเล็งที่จะพิสูจน์ให้เห็นว่าคุณภาพของ
คุณลักษณะที่มีความสำคัญมากกว่าปริมาณของคุณสมบัติที่
ใช้ การลดปริมาณของคุณสมบัติที่ใช้เป็นหนึ่งใน
ความแตกต่างของขนาดใหญ่ที่เกี่ยวข้องกับการทำงานของผู้เขียนอื่น ๆ
(อาโอกิ [4] และเหลียว [13] ตัวอย่าง) แม้ว่าจะร่วมกันใน
ด้านการวิจัยอื่น ๆ แต่ยังไม่ได้อยู่ในพื้นที่นี้ใช้
ส่วนประกอบหลักของการเลือกปฏิบัติ (PCD) เทคนิค
ที่ใช้ดำเนินการโดยเครือข่ายประสาทเพื่อลด
ขนาดการป้อนข้อมูลและการที่จะเห็นภาพสองมิติ
ของการแยกชั้น ภูมิภาค ผลการวิจัยที่นำเสนอใน
แง่เปอร์เซ็นต์ของความสำเร็จสำหรับแต่ละชั้นคลาสสิกไอออนบวก Fi.
เนื่องจากปัญหาที่เกิดขึ้นบ่อยของจำนวนที่ลดลงของกลุ่มตัวอย่าง
ในการประเมินขีดความสามารถทั่วไปของ ERS จัดประเภท
(เหลียว [13] หวนกลับไป Bootstrap ที่จะเอาชนะปัญหา),
ผู้เขียนเลือก การคำนวณของไอออนบวกจัดประเภทที่ถูกต้อง
น่าจะเป็นกับประเภทนี้ ERS จัดประเภท แบริ่งในใจ
ว่าผลเหล่านี้ให้ต่อเนื่องกับการศึกษาไปดำเนินการ
และตีพิมพ์ [12,14,15] ก่อนหน้านี้บางส่วนของก่อนหน้านี้
ผลที่บรีฟลอริด้าและนำเสนอในบทความนี้เพื่อช่วยในการจัดเตรียม
ไซออนของผลในปัจจุบัน

ผลลัพธ์ (ไทย) 3:

วิจัย [ 4 – 15 ] และตามเหลียว [ 13 ] ก็ยังสำรวจพื้นที่น้อย
.
ในงานนี้แตกต่างจากงานก่อนหน้านี้ที่เส้น
classi จึง 12,14,15 ERS [ ] ใช้แบบไม่เชิงเส้นจึงถูก
classi ERS ส่วนใหญ่ที่ใช้เพื่อเพิ่มเปอร์เซ็นต์ของความสำเร็จ
( ร้อยละ ก่อนหน้าเป็น 85% [ 12 ] ) ใช้
ไม่เชิงเส้นจึง classi ERS เกณฑ์ของประสาท Ltd คือ
ใช้เพื่อศึกษาคุณลักษณะเพื่อพิสูจน์ว่า คุณภาพของ
คุณสมบัติสำคัญกว่าปริมาณคุณลักษณะ
ใช้ . ลดปริมาณการใช้ลักษณะเป็นหนึ่ง
ความแตกต่างขนาดใหญ่ในความสัมพันธ์กับงานอื่น ๆที่ผู้เขียน
( อาโอกิ [ 4 ] และเหลียว [ 13 ] ตัวอย่างเช่น ) แม้ว่าโดยทั่วไปในพื้นที่อื่น ๆแต่ยังไม่
การวิจัยในพื้นที่นี้ใช้ส่วนประกอบหลักของค่า

( PCD ) เทคนิคใช้ ยังใช้โดยเครือข่ายประสาทเพื่อลด
เข้ามิติ และเห็นภาพบิ dimensionality
ของชั้นแยกภูมิภาค ผลลัพธ์ที่ได้นำเสนอในแง่ของความสำเร็จสำหรับแต่ละค่า

จึงเรียน classi ไอออนบวก เนื่องจากมีปัญหาบ่อย ลดจำนวนตัวอย่าง
เพื่อประเมินความสามารถในการถ่ายทอด classi ERS
( เหลียว [ 13 ] รับบูทเพื่อเอาชนะปัญหา ) ,
ผู้เขียนเลือกการคำนวณที่ถูกต้อง classi จึงบวก
ความน่าจะเป็นชนิดนี้จึง classi ERS . แบริ่งในใจ
ว่าผลลัพธ์เหล่านี้ให้ต่อเนื่องกับการศึกษาดำเนินการและเผยแพร่ 12,14,15
[ ]
ก่อนหน้านี้ก่อนหน้านี้ บางส่วนของผลลัพธ์เป็น Brie fl Y นำเสนอในกระดาษเพื่อช่วยเข้าใจ -

ไซออนของปัจจุบันผล