morphological changing information

morphological changing information of volcanic ash cloud [10], [11]. Therefore, accurately remote sensing classification of volcanic ash cloud has an important practical significance for improving the disaster prevention and mitigation of volcanic ash cloud.
At present a variety of volcanic ash cloud detection from remote sensing image have been presented with the new theory‘s in-depth study, i.e., statistical theory, fuzzy theory and machine learning [12], [13]. However, there is some common computation complexity, application narrow and low accuracy in these mainstream approaches. In contrast, the fuzzy C-means clustering (FCM) can get each data sample‘s membership of all types of class centers and then determine the ownership of sample points [14], [15]. This also has great application potential in the volcanic ash cloud detection. As a typical dynamic clustering algorithm, in essence FCM seeks an optimal solution by the gradient descent method. However, the objective function which corresponds to the results often may be a
the rich

ผลลัพธ์ (ไทย) 1:

ข้อมูลการเปลี่ยนแปลงสัณฐานของเมฆเถ้าภูเขาไฟ [10], [11] ดังนั้น การจำแนกประเภทตรวจจับระยะไกลอย่างแม่นยำของเมฆเถ้าภูเขาไฟมีความสำคัญปฏิบัติการสำคัญสำหรับการปรับปรุงการป้องกันภัยและบรรเทาสาธารณภัยของเมฆเถ้าภูเขาไฟในปัจจุบัน ได้หลากหลายตรวจหาเมฆเถ้าภูเขาไฟจากระยะไกลตรวจจับภาพเสนอกับศึกษาในเชิงลึกของทฤษฎีใหม่ เช่น ทฤษฎีทางสถิติ ทฤษฎีพร่าเลือน และเรียนรู้ของเครื่อง [12], [13] อย่างไรก็ตาม มีบางทั่วไปคำนวณซับซ้อน แอพลิเคชันแคบ และต่ำความแม่นยำในวิธีการหลักเหล่านี้ ตรงกันข้าม การเลือน C หมายถึงคลัสเตอร์ (FCM) สามารถรับสมาชิกแต่ละตัวอย่างข้อมูลทุกประเภทของศูนย์การเรียน และจากนั้น ตรวจสอบความเป็นเจ้าของจุดตัวอย่าง [14], [15] นอกจากนี้ยังมีโปรแกรมที่ดีมีศักยภาพในการตรวจจับเมฆเถ้าภูเขาไฟ เป็นการทั่วไปแบบไดนามิกระบบคลัสเตอร์อัลกอริทึม ในสาระสำคัญ FCM พยายามมีโซลูชัน โดยวิธีไล่ระดับโคตร อย่างไรก็ตาม อาจมีฟังก์ชันวัตถุประสงค์ซึ่งสอดคล้องกับผลลัพธ์มักจะมีรวย

ผลลัพธ์ (ไทย) 2:

ข้อมูลการเปลี่ยนแปลงทางสัณฐานวิทยาของเมฆเถ้าภูเขาไฟ [10] [11] ดังนั้นการจัดหมวดหมู่ได้อย่างถูกต้องรู้จากระยะไกลของเมฆเถ้าภูเขาไฟมีความสำคัญในทางปฏิบัติที่สำคัญสำหรับการปรับปรุงการป้องกันภัยพิบัติและการบรรเทาผลกระทบของเถ้าภูเขาไฟเมฆ.
ในปัจจุบันมีความหลากหลายของการตรวจสอบเมฆเถ้าภูเขาไฟจากภาพระยะไกลได้รับการนำเสนอกับทฤษฎีใหม่ในเชิงลึก การศึกษาคือทฤษฎีทางสถิติทฤษฎีฟัซซี่และการเรียนรู้เครื่อง [12], [13] แต่มีบางส่วนที่ซับซ้อนในการคำนวณทั่วไปแอพลิเคชันที่แคบและต่ำความถูกต้องในวิธีการที่สำคัญเหล่านี้ ในทางตรงกันข้ามเลือน C หมายถึงการจัดกลุ่ม (FCM) จะได้รับสมาชิกแต่ละตัวอย่างข้อมูลของทุกประเภทของศูนย์การเรียนและแล้วตรวจสอบความเป็นเจ้าของของจุดตัวอย่าง [14] [15] นอกจากนี้ยังมีศักยภาพในโปรแกรมที่ดีในการตรวจสอบเมฆเถ้าภูเขาไฟ ในฐานะที่เป็นขั้นตอนวิธีการจัดกลุ่มแบบไดนามิกในสาระสำคัญ FCM แสวงหาทางออกที่ดีที่สุดโดยวิธีการไล่ระดับสีโคตร อย่างไรก็ตามเป้าหมายการทำงานซึ่งสอดคล้องกับผลการมักจะอาจจะเป็น
ที่อุดมไปด้วย

ผลลัพธ์ (ไทย) 3:

ลักษณะการเปลี่ยนแปลงข้อมูลเมฆเถ้าของภูเขาไฟ [ 10 ] [ 11 ] จึงถูกต้องระยะไกลการจำแนกเมฆเถ้าภูเขาไฟที่มีความสำคัญในทางปฏิบัติที่สำคัญสำหรับการปรับปรุงการป้องกันและบรรเทาสาธารณภัย เมฆเถ้าภูเขาไฟปัจจุบันความหลากหลายของเถ้าภูเขาไฟเมฆการตรวจสอบจากระยะไกลภาพที่ตรวจจับได้ถูกนำเสนอกับใหม่ ทฤษฎีของการศึกษาเชิงลึก เช่น ทฤษฎีทางสถิติทฤษฎีฟัซซีและการเรียนรู้เครื่อง [ 12 ] , [ 13 ] อย่างไรก็ตาม มีบางทั่วไป การคำนวณที่ซับซ้อน งานแคบและต่ำความถูกต้องในแนวทางหลักเหล่านี้ ในทางตรงกันข้าม , ฟัซซีซีมีนการจัดกลุ่ม ( FCM ) สามารถรับข้อมูลแต่ละตัวอย่างของสมาชิกทุกประเภท ของศูนย์การเรียนและจากนั้นตรวจสอบความเป็นเจ้าของข้อมูล [ 14 ] , [ 15 ] นี้ยังมีศักยภาพที่ดีในการตรวจจับเถ้าภูเขาไฟเมฆ . โดยทั่วไปขั้นตอนวิธีการจัดกลุ่มแบบไดนามิกในสาระ FCM และโซลูชั่นที่เหมาะสม โดยการไล่ระดับสีโคตรด้วย อย่างไรก็ตาม มีฟังก์ชันซึ่งสอดคล้องกับผลที่ได้มักจะอาจเป็นรวย