shape properties (roughness, compac

shape properties (roughness, compactness, and elongation) did not represent the shape accurately not because of the use of LVQ. One reason we chose not to use LVQ is that it requires training. LVQ requires input of several shape features and determine the optimal classification result based on those features. The other and the main reason not to use LVQ is that TAC uses turn angle cross-correlation to better represent the shape and it cannot be input to LVQ.

ผลลัพธ์ (ไทย) 1:

คุณสมบัติรูปร่าง (หยาบแน่นและความยืด) ไม่ได้เป็นตัวแทนของรูปร่างได้อย่างถูกต้องไม่ได้เนื่องจากการใช้ lvq เหตุผลหนึ่งที่เราเลือกที่จะไม่ใช้ lvq ก็คือว่ามันต้องมีการฝึกอบรม lvq ต้องมีการป้อนข้อมูลของคุณสมบัติหลายรูปร่างและตรวจสอบผลการจัดหมวดหมู่ที่เหมาะสมบนพื้นฐานของคุณสมบัติเหล่านั้นอื่น ๆ และเป็นเหตุผลหลักที่จะไม่ใช้ lvq คือแทคใช้เปิดมุมมองข้ามความสัมพันธ์ที่ดีขึ้นเพื่อเป็นตัวแทนของรูปร่างและไม่สามารถป้อนข้อมูลไปยัง lvq

ผลลัพธ์ (ไทย) 2:

คุณสมบัติรูปร่าง (ความหยาบ compactness และ elongation) ได้แสดงถึงรูปร่างไม่ถูกต้องเนื่องจากการใช้ LVQ เหตุผลหนึ่งที่เราเลือกที่ไม่ใช้ LVQ เป็นที่ต้องการฝึกอบรม LVQ ต้องการป้อนข้อมูลของหลายรูปทรง และผลประเภทที่เหมาะสมตามคุณลักษณะที่กำหนด อื่น ๆ และเหตุผลหลักที่ไม่ควรใช้ LVQ คือ ใช้มาตรวัดเปิดสัมพันธ์ข้ามมุมเพื่อแสดงรูปร่างดีขึ้น และไม่สามารถเข้าไป LVQ

ผลลัพธ์ (ไทย) 3:

คุณสมบัติ( Properties )รูปทรง(รุนแรงความกะทัดรัดและพกพาและ elongation )ไม่ได้เป็นตัวแทนรูปทรงได้อย่างถูกต้องไม่ได้เนื่องจากมีการใช้ของ lvq. เหตุผลหนึ่งเราไม่ได้เลือกการใช้ lvq คือว่ามันต้องมีการฝึกอบรม lvq ต้องใช้การป้อนข้อมูลของคุณสมบัติหลายรูปทรงและกำหนดส่งผลให้การแบ่ง ประเภท ดีที่สุดที่อยู่บนพื้นฐานของคุณลักษณะเหล่านั้นอื่นๆและเหตุผลสำคัญที่ไม่สามารถใช้ lvq เป็นที่ TAC ใช้มุมเลี้ยวข้าม - ความสัมพันธ์ในการเป็นตัวแทนรูปทรงที่ดีขึ้นและจะไม่สามารถป้อนข้อมูลเพื่อ lvq.