2.3. Data acquisition and multivari

2.3. Data acquisition and multivariate data analysis
The instrument remote control and data acquisition was per-
formed by an external personal computer through the standard
communication port RS232. The software, named “Nose Pattern
Editor”, was used for data handling, pre-processing (classical fea-
ture) and explorative analysis (Principal components analysis,
PCA). This software was implemented by Sacmi.
The response of the sensors yields an exponential-like shape
but not all this information was used. In this case, only the classical
feature (R/R0) was extracted, where R0 was the initial resistance of
the sensor balanced in air and R was the resistance of the sensor in
the presence of the volatile compounds emitted from the perfumes
(which decreases with respect to R0).
In order to make a discrimination study, statistic multivariate
analysis was carried out after the classical feature selection by
applying PCA [16]. This is an unsupervised learning technique that
allows reduction of multidimensional data to a lower-dimensionalapproximation, thus simplifying the interpretation of the data by
displaying only the first and second principal components (PC1 and
PC2) in two dimensions while preserving most of the variance in
the data.

ผลลัพธ์ (ไทย) 1:

2.3 การซื้อข้อมูลและการวิเคราะห์ข้อมูลตัวแปรพหุเครื่องมือระยะไกลควบคุมและข้อมูลมาเป็นต่อ-เกิดขึ้น โดยคอมพิวเตอร์ส่วนบุคคลภายนอกผ่านมาตรฐานพอร์ตสื่อสาร RS232 ซอฟต์แวร์ ชื่อ "รูปแบบจมูกใช้ข้อมูลการจัดการ การประมวลผลเบื้องต้น (คลาสสิก fea-บรรณาธิการ"ture) และการวิเคราะห์ explorative (หลักการวิเคราะห์ส่วนประกอบPCA) ซอฟต์แวร์นี้มีการใช้งาน โดย Sacmiการตอบสนองของเซนเซอร์ทำให้มีรูปร่างเหมือนเนนแต่ข้อมูลนี้ไม่ถูกใช้ ในกรณีนี้ เฉพาะคลาสสิกคุณลักษณะ (R/R0) ถูกสกัด ซึ่ง R0 มีความต้านทานเริ่มต้นของสมดุลการเซ็นเซอร์ในอากาศ และ R เป็นความต้านทานของเซ็นเซอร์ในสถานะของสารระเหยออกจากน้ำหอม(ซึ่งลดกับ R0)เพื่อทำการแบ่งแยกการศึกษา สถิติ multivariateวิเคราะห์ถูกดำเนินการหลังจากการเลือกคุณลักษณะคลาสสิกโดยใช้ PCA [16] นี้เป็นเทคนิคการเรียนรู้ unsupervised ที่ทำให้ลดการล่าง-dimensionalapproximation ทำ ให้การตีความข้อมูลโดยข้อมูลหลายมิติแสดงเฉพาะ first และสองหลักส่วนประกอบ (PC1 และPC2) ในขณะที่การรักษาส่วนใหญ่ต่างในสองมิติข้อมูล

ผลลัพธ์ (ไทย) 2:

2.3 การเก็บข้อมูลและการวิเคราะห์ข้อมูลหลายตัวแปร
ที่ใช้ในการควบคุมระยะไกลและการเก็บข้อมูลถูกละ
ที่เกิดขึ้นจากเครื่องคอมพิวเตอร์ส่วนบุคคลภายนอกผ่านมาตรฐาน
RS232 พอร์ตสื่อสาร ซอฟแวร์ในชื่อ "แบบจมูก
Editor "ถูกนำมาใช้สำหรับการจัดการข้อมูลก่อนการประมวลผล (fea- คลาสสิก
ture) และการวิเคราะห์ explorative (หลักวิเคราะห์ส่วนประกอบ
PCA) ซอฟแวร์นี้ได้รับการดำเนินการโดย Sacmi.
การตอบสนองของเซ็นเซอร์ผลตอบแทนถัวเฉลี่ยที่ชี้แจงรูปร่างเหมือน
แต่ไม่ข้อมูลทั้งหมดนี้ถูกนำมาใช้ ในกรณีนี้จะมีเพียงคลาสสิก
คุณลักษณะ (R / R0) ถูกสกัดที่ R0 เป็นต้านทานเริ่มต้นของการ
เซ็นเซอร์สมดุลในอากาศและ R คือความต้านทานของเซ็นเซอร์ใน
การปรากฏตัวของสารระเหยที่ปล่อยออกมาจากน้ำหอม
(ซึ่งลดลง ความเคารพกับ R0).
เพื่อที่จะทำให้การศึกษาการเลือกปฏิบัติหลายตัวแปรสถิติ
การวิเคราะห์ได้ดำเนินการหลังจากการเลือกคุณลักษณะคลาสสิกโดย
ใช้ PCA [16] นี่คือเทคนิคการเรียนรู้ใกล้ชิดที่
จะช่วยให้การลดลงของข้อมูลหลายมิติที่จะต่ำกว่า dimensionalapproximation จึงลดความซับซ้อนของการแปลความหมายของข้อมูลโดย
การแสดงเพียงแรก fi และองค์ประกอบหลักสอง (PC1 และ
PC2) ในสองมิติในขณะที่รักษาส่วนใหญ่ของความแปรปรวนใน
ข้อมูล

ผลลัพธ์ (ไทย) 3:

2.3 ข้อมูลและการวิเคราะห์ข้อมูลหลายตัวแปร
เครื่องมือควบคุมระยะไกลและข้อมูลถูกต่อ -
รูปแบบโดยเครื่องคอมพิวเตอร์ส่วนบุคคลภายนอกผ่านพอร์ต RS232 การสื่อสารมาตรฐาน
. ซอฟต์แวร์ชื่อ " จมูกรูปแบบ
บรรณาธิการ " ถูกใช้ในการจัดการข้อมูล การประมวลผล ( คลาสสิก FEA -
ture ) และการวิเคราะห์การสำรวจ ( ผู้อำนวยการส่วนการวิเคราะห์
PCA )ซอฟต์แวร์นี้ถูกดำเนินการโดย SACMI .
การตอบสนองของเซ็นเซอร์สามารถชี้แจงเช่นรูปร่าง
แต่ไม่ใช่ข้อมูลทั้งหมดนี้ใช้ ในกรณีนี้มีเพียงคุณลักษณะคลาสสิก
( r / r0 ) คือ สารสกัดที่ r0 คือความต้านทานเริ่มต้น
เซ็นเซอร์ความสมดุลในอากาศและ R คือความต้านทานของเซ็นเซอร์
ต่อหน้าระเหยออกมาจากน้ำหอม
( ซึ่งลดลงด้วยความเคารพ r0 ) .
เพื่อให้เลือกศึกษา การวิเคราะห์ตัวแปรพหุ
สถิติถูกพาออกไปหลังจากคลาสสิกคุณลักษณะการใช้ PCA
[ 16 ] นี้เป็นเทคนิคการเรียนรู้ที่ช่วยให้ลด
unsupervised ของข้อมูลหลายมิติ เพื่อลด dimensionalapproximation จึงลดความซับซ้อนของการตีความข้อมูล
แสดงเฉพาะจึงตัดสินใจเดินทางและส่วนประกอบหลักที่สอง ( PC และ
pc2 ) แบบ 2 มิติ ในขณะที่รักษาส่วนใหญ่ของความแปรปรวน
ข้อมูล