3.2.2. Nonlinear relevance criterio

3.2.2. Nonlinear relevance criterion
In this criterion, it should be pointed out that there is no
limit value for a specific feature that is considered as
relevant, differently from the criterion of linear correlation
[14,15], as this analysis is only comparative. Table 3 shows
the present values of relevance found for the six features
originally studied [12,14], in order to be able to prove by
nonlinear relevance that L=A and C can truly be rejected.
Note that the feature P presents high relevance in nearly all
the classes, except in NLSI, definitely proving it to be a very
important feature for the discrimination of the defect classes
considered. The features R; a and e=A present greater
relevance in the discrimination of class PO, a result
compatible with previous results obtained [14,15], which
can also be justified as they are features of defects of the
geometric type, as a spherical aspect is very common for the
class PO. However, the features C and L=A have a low
relevance level compared with the other features used in the
work.
Based on the above-mentioned results, different combi-
nations of inputs (excluding C and L=A) using these features
were tested as input vectors for the nonlinear classifier.
Fig. 5 illustrates the results obtained for these combinations
of features. The results obtained with the input vector
a – e=A – P; discarding the feature R; were equivalent in the
two situations (four and five classes) to that obtained with
four features, showing that the dimension of the input vector
could still be reduced to 3, without affecting the perform-
ance of the classifier. The possibility to use only two
features was also studied, as shown in Fig. 5, although the
performance fell in relation to the use of four or three
features, the values of success in the classification were
superior to 90%, when a nonlinear classifier was used. This
result is contrary to that found by Aoki [4], who in his work
used an input vector with 10 features in the nonlinear
classifier for the classification of the classes: UC, LP, PO
and SI, and the performance was greater with the 10 than
when one or other features was discarded [4]. Although
Aoki [4] worked with features different from those that have
been employed in this work, it can be proved that the
dimension of the input vector of the classifiers can be
significantly reduced, if the irrelevant features are
discarded.
Kato et al. [5] also used 10 features to classify crack, lack
of fusion, lack of penetration, porosity and inclusion defects.
The choice of the relevant features to be used in the system
of intelligent pattern classification followed a criterion
based on interviews made with radiograph inspectors. In
these interviews, Kato et al. [5] concluded that it is difficult
to choose features by this method because the criterion is
very subjective and each inspector adopted specific features
of shape or geometry of the defect for categorizing.
Although the study of feature relevance is new in this
area, the work of Mery [25] using the discriminator of
Fisher and curve ROC to evaluate his features used had
excellent results.

ผลลัพธ์ (ไทย) 2:

3.2.2 เกณฑ์ความไม่เชิงเส้น
ในเกณฑ์นี้ก็ควรจะชี้ให้เห็นว่าไม่มี
ขีด จำกัด สำหรับค่าที่ระบุคุณลักษณะคที่ถือว่าเป็น
ที่เกี่ยวข้องแตกต่างจากเกณฑ์ของความสัมพันธ์เชิงเส้น
[14,15] การวิเคราะห์นี้จะเปรียบเทียบเท่านั้น ตารางที่ 3 แสดง
ค่าปัจจุบันของความเกี่ยวข้องพบสำหรับคุณสมบัติหก
ศึกษาเดิม [12,14] เพื่อที่จะสามารถพิสูจน์ได้จาก
ความไม่เป็นเชิงเส้นที่ L = A และ C สามารถอย่างแท้จริงจะปฏิเสธ.
โปรดสังเกตว่า P คุณลักษณะนำเสนอความเกี่ยวข้องสูง ในเกือบทุก
ชั้นเรียนยกเว้นใน NLSI เด Fi nitely พิสูจน์ว่ามันจะเป็นมาก
คุณลักษณะที่สำคัญสำหรับการเลือกปฏิบัติของการเรียนข้อบกพร่อง
การพิจารณา คุณสมบัติ R; และ e = มากขึ้นในปัจจุบัน
ความสัมพันธ์กันในการเลือกปฏิบัติของ PO ระดับผล
เข้ากันได้กับผลที่ได้รับก่อนหน้านี้ [14,15] ซึ่ง
ยังสามารถเป็นเอ็ด Fi Justi ขณะที่พวกเขามีคุณสมบัติข้อบกพร่องของ
ชนิดเรขาคณิตเป็นลักษณะทรงกลมเป็นอย่างมาก เรื่องธรรมดาสำหรับ
PO ชั้น อย่างไรก็ตาม C คุณสมบัติและ L = มีต่ำ
ระดับความสัมพันธ์กันเมื่อเทียบกับคุณสมบัติอื่น ๆ ที่ใช้ในการ
ทำงาน.
จากผลดังกล่าวข้างต้นที่แตกต่างกัน Combi-
ประเทศของปัจจัยการผลิต (ไม่รวม C และ L =) โดยใช้คุณสมบัติเหล่านี้
ได้ ทดสอบเป็นพาหะสำหรับการป้อนข้อมูลเอ้อจัดประเภทไม่เชิงเส้น.
รูป 5 แสดงให้เห็นถึงผลที่ได้รับการรวมเหล่านี้
ของคุณสมบัติ ผลที่ได้รับด้วยการป้อนข้อมูลเวกเตอร์
- e = - P; ทิ้งคุณลักษณะ R; เทียบเท่าใน
สองสถานการณ์ (สี่สายและชั้นเรียน) ซึ่งได้รับจาก
สี่คุณสมบัติแสดงให้เห็นว่าขนาดของเวกเตอร์เข้าที่
ยังคงสามารถลดลงได้ถึง 3 โดยไม่มีผลต่อเนิน
ance ของคลาสสิกเป็นไฟ ความเป็นไปได้ที่จะใช้เพียงสอง
คุณสมบัติยังได้ศึกษาดังแสดงในรูปที่ 5 แม้ว่า
ผลการดำเนินงานลดลงในส่วนที่เกี่ยวกับการใช้งานของสี่หรือสาม
คุณสมบัติค่าของความสำเร็จในการจัดประเภทไอออนบวกได้
ดีกว่าถึง 90% เมื่อเอ้อจัดประเภทไม่เชิงเส้นที่ใช้ ซึ่ง
ผลที่ได้คือตรงกันข้ามกับที่พบโดยอาโอกิ [4] ซึ่งในการทำงานของเขา
ที่ใช้เวกเตอร์อินพุทที่มี 10 คุณลักษณะในเชิงเส้น
เอ้อจัดประเภทสำหรับไอออนบวกจัดประเภทของการเรียน: UC, LP, PO
และ SI และประสิทธิภาพการทำงานได้มากขึ้นด้วย 10 กว่า
เมื่อหนึ่งหรือคุณสมบัติอื่น ๆ ที่ถูกทิ้ง [4] แม้ว่า
อาโอกิ [4] ทำงานร่วมกับคุณสมบัติที่แตกต่างจากผู้ที่ได้
รับการว่าจ้างในงานนี้ก็สามารถพิสูจน์ให้เห็นว่า
ขนาดของเวกเตอร์ป้อนข้อมูลของ ERS จัดประเภทสามารถ
อย่างมีนัยสำคัญลดลงถ้าคุณสมบัติที่ไม่เกี่ยวข้องจะ
ทิ้ง.
Kato และคณะ [5] นอกจากนี้ยังใช้ 10 คุณลักษณะการจำแนกแตกขาด
ของฟิวชั่น, การขาดการเจาะรูพรุนและข้อบกพร่องรวม.
ทางเลือกของคุณสมบัติที่เกี่ยวข้องเพื่อนำมาใช้ในระบบ
ของรูปแบบฉลาดไอออนบวกคลาสสิกไฟตามเกณฑ์
จากการสัมภาษณ์ที่ทำกับผู้ตรวจภาพรังสี . ใน
การสัมภาษณ์เหล่านี้ Kato และคณะ [5] สรุปว่ามันเป็นสิ่งที่ยากที่
จะเลือกคุณสมบัติด้วยวิธีนี้เพราะเกณฑ์เป็น
ส่วนตัวมากและแต่ละสารวัตรบุญธรรม speci fi Internet คุณสมบัติค
ของรูปร่างหรือรูปทรงเรขาคณิตของข้อบกพร่องในการจัดหมวดหมู่.
แม้ว่าการศึกษาความมีคุณลักษณะใหม่ใน
พื้นที่ทำงาน ของ Mery [25] โดยใช้ discriminator ของ
ฟิชเชอร์และเส้นโค้ง ROC เพื่อประเมินคุณสมบัติของเขาที่ใช้ได้
ผลดี

ผลลัพธ์ (ไทย) 3:

3.2.2 . ความเกี่ยวข้องเชิงเกณฑ์
ในเกณฑ์นี้ มันควรจะชี้ให้เห็นว่าไม่มีขีด จำกัด สำหรับกาจึงค่า

C คุณสมบัติที่ถือว่าเป็นที่แตกต่างจากเกณฑ์ของสหสัมพันธ์เชิงเส้นตรง 14,15
[ ] , การวิเคราะห์นี้เป็นเพียงการเปรียบเทียบ ตารางที่ 3 แสดง
ค่าปัจจุบันของความเกี่ยวข้องที่พบใน 6 ลักษณะ
ตอนแรกเรียน [ 12,14 ] , เพื่อที่จะสามารถพิสูจน์โดย
แบบที่เกี่ยวข้อง L = A และ C อย่างแท้จริงสามารถถูกปฏิเสธ
ทราบว่าคุณลักษณะ P แสดงความเกี่ยวข้องสูงในเกือบทุก
เรียน ยกเว้นใน nlsi เดอ จึง nitely พิสูจน์ให้เป็นมาก
ที่สำคัญคุณลักษณะ ค่าอำนาจจำแนกของแบบการเรียน
ถือว่า คุณสมบัติ R ; A และ E = ของขวัญที่ยิ่งใหญ่
ความเกี่ยวข้องในการเรียน ปอ "
,เข้ากันได้กับก่อนหน้านี้ผล [ 14,15 ] ซึ่ง
ยังสามารถ justi จึงเอ็ดเช่นที่พวกเขามีลักษณะของความบกพร่องของ
พิมพ์เรขาคณิต เป็นลักษณะทรงกลม เป็นเรื่องธรรมดามากสำหรับ
ชั้น Po แต่คุณสมบัติ C และ L = มีระดับความเกี่ยวข้องต่ำ
เมื่อเทียบกับคุณสมบัติอื่น ๆที่ใช้ใน
.
จากผลดังกล่าวข้างต้นแตกต่างกัน Combi -
ประชาชาติของปัจจัยการผลิต ( ยกเว้น C และ L = ) โดยใช้คุณสมบัติเหล่านี้
ทดสอบเข้าเวกเตอร์ classi ไม่เชิงเส้นจึงเอ้อ
รูปที่ 5 แสดงให้เห็นถึงผลลัพธ์ที่ได้สำหรับชุดนี้
คุณสมบัติ ผลลัพธ์ที่ได้กับข้อมูลเชิงเส้น : – e = - P ; ทิ้งคุณลักษณะ R ; ได้เทียบเท่าใน
สองสถานการณ์ ( สี่ จึงได้เรียน ) ที่ใช้กับ
4 คุณลักษณะแสดงขนาดของอินพุตเวกเตอร์
อาจจะลดลง 3 , โดยไม่มีผลต่อการถ่ายทอดของ classi -
ance เอ้อ ความเป็นไปได้ที่จะใช้เพียงสอง
นอกจากนี้ยังได้ศึกษาคุณสมบัติ ดังแสดงในรูปที่ 5 แม้ว่า
ประสิทธิภาพลดลงในความสัมพันธ์กับการใช้สี่หรือสาม
คุณสมบัติ คุณค่าของความสำเร็จในการถ่ายทอด classi ถูก
กว่า 90% เมื่อเส้น classi จึงเอ้อคือใช้ผลนี้
ขัดต่อที่พบโดยอาโอกิ [ 4 ] , ผู้เข้างาน
ใช้อินพุตเวกเตอร์ 10 คุณลักษณะในจึง
classi เส้นเอ้อสำหรับ classi จึงไอออนบวกของชั้นเรียน : UC , LP , โป
และซิลิกอน และประสิทธิภาพก็มากขึ้นด้วย 10
เมื่อหนึ่งหรือมากกว่า คุณสมบัติอื่นๆที่ถูกทิ้ง [ 4 ] แม้ว่า
อาโอกิ [ 4 ] ทำงานกับคุณสมบัติที่แตกต่างไปจากที่เคย
มาใช้ในงานนี้พิสูจน์ได้ว่า ขนาดของอินพุตเวกเตอร์ของ

classi ERS จึงสามารถ signi จึงลดลงอย่างมีนัยสําคัญเมื่อลดลง ถ้าคุณสมบัติที่ถูก
.
คาโต้ et al . [ 5 ] ใช้ 10 คุณลักษณะที่จะจำแนกแตกขาด
ของฟิวชั่น ขาดทะลุ ความพรุนรวมข้อบกพร่อง .
เลือกคุณสมบัติที่เกี่ยวข้องเพื่อใช้ในระบบอัจฉริยะในรูปแบบ classi

จึงตามเกณฑ์จากการสัมภาษณ์ให้กับผู้ตรวจสอบรังสี . ใน
การสัมภาษณ์นี้ คาโต้ et al . [ 5 ] สรุปได้ว่ามันคือระดับศาสนา
จึงเลือกคุณสมบัติโดยวิธีนี้ เพราะเกณฑ์คือ
ส่วนตัวและแต่ละสารวัตรบุญธรรม speci จึง C คุณสมบัติ
ของรูปร่างหรือรูปทรงเรขาคณิตของข้อบกพร่องในการแยกแยะ .
ถึงแม้ว่าการศึกษาความเกี่ยวข้องเป็นคุณลักษณะใหม่ในพื้นที่นี้
,ผลงานของแมรี่ [ 25 ] ใช้ Discriminator ของ
ฟิชเชอร์และเส้นโค้ง Roc ประเมินคุณลักษณะของเขาได้

ใช้ผลลัพธ์ที่ยอดเยี่ยม