In the classification (identificati

In the classification (identification) phase as shown in Fig. 5,
total of the adulterated sesame oil samples are randomly split into
two sets, one used as calibration set including 580 samples and the
other with 160 adulterated sesame oils used as validation set (randomly
selected from each class according to the ratio 8/37). Here,
the discrimination of five kinds of mixed oils are also tried to be
done using SVM model with RBF kernel. Through the two-step
parameter optimization, the optimal parameters are determined
with the values of c = 137.2 and g = 0.0583, and the number of support
vectors is 75 (only 12.7% of total samples in calibration set).
With this SVM classification model, the correct predictions are
obtained for the 160 samples, i.e. 100%. These results show that
the SVM classification can further identify which kind of vegetable
oil is adulterated with the sesame oil.

ผลลัพธ์ (ไทย) 1:

ในระยะการจัดประเภท (ระบุ) ตามที่แสดงใน Fig. 5ผลรวมของตัวอย่างแบบสุ่มแบ่งเป็นน้ำมันงาเจือชุดที่สอง ใช้เป็นการปรับเทียบชุดรวม 580 ตัวอย่างและมีน้ำมันงาเจือ 160 ใช้เป็นเซ็ต (แบบสุ่มตรวจสอบเลือกจากแต่ละชั้นตามอัตราส่วน 8/37) ที่นี่เลือกปฏิบัติห้าชนิดของน้ำมันผสมจะยังพยายามจะทำโดยใช้รูปแบบ SVM กับ RBF kernel ผ่านสองขั้นตอนปรับค่าพารามิเตอร์ กำหนดพารามิเตอร์เหมาะสมค่าของ c = 137.2 และ g = 0.0583 และหมายเลขของการสนับสนุนเวกเตอร์เป็น 75 (เพียง 12.7% ของตัวอย่างทั้งหมดในชุดเทียบ)ด้วยรูปแบบการจัดประเภทนี้ SVM คาดคะเนถูกต้องได้รับตัวอย่าง 160 เช่น 100% ผลเหล่านี้แสดงว่าประเภท SVM สามารถระบุชนิดของพืชต่อไปน้ำมันถูกปลอมปนกับน้ำมันงา

ผลลัพธ์ (ไทย) 2:

ในการจัดหมวดหมู่ (บัตรประจำตัว) ขั้นตอนดังแสดงในรูป 5
ทั้งหมดของตัวอย่างน้ำมันงาปลอมปนจะแยกสุ่มออกเป็นสองชุดหนึ่งใช้เป็นชุดรวมถึงการสอบเทียบ 580 ตัวอย่างและอื่นๆ ที่มีการปลอมปนน้ำมัน 160 งาใช้เป็นชุดตรวจสอบ (สุ่มเลือกจากแต่ละชั้นตามอัตราส่วน8/37) . ที่นี่เลือกปฏิบัติของห้าชนิดของน้ำมันผสมนอกจากนี้ยังมีความพยายามที่จะทำโดยการใช้รูปแบบSVM กับเคอร์เนล RBF ผ่านสองขั้นตอนการเพิ่มประสิทธิภาพพารามิเตอร์พารามิเตอร์ที่เหมาะสมมีความมุ่งมั่นที่มีค่าของc = 137.2 และ g = 0.0583 และจำนวนของการสนับสนุนเวกเตอร์75 (เฉพาะ 12.7% ของกลุ่มตัวอย่างรวมอยู่ในชุดการสอบเทียบ). ด้วยรูปแบบการจัดหมวดหมู่ SVM นี้ การคาดการณ์ที่ถูกต้องจะได้รับสำหรับ160 ตัวอย่างเช่น 100% ผลการศึกษานี้แสดงให้เห็นว่าการจัดหมวดหมู่ SVM ยังสามารถระบุชนิดของพืชน้ำมันปลอมปนด้วยน้ำมันงา

ผลลัพธ์ (ไทย) 3:

ในการจัดหมวดหมู่ ( ประชาชน ) เฟสดังแสดงในรูปที่ 5 ,
รวมของการปลอมปนน้ำมันงาตัวอย่างสุ่มแบ่งออกเป็น
2 ชุด ชุดหนึ่งใช้เป็นมาตรฐานรวมถึง 580 ตัวอย่างและ
อื่นปลอมปนน้ำมันใช้เป็นงา 160 ชุดตรวจสอบ ( สุ่ม
เลือกจากแต่ละชั้นตามอัตราส่วน 8 / 37 )
ที่นี่เลยค่าอำนาจจำแนกของห้าชนิดของน้ำมันที่ผสมอยู่ก็พยายามจะทำโดยใช้ SVM ร่วมกับบริษัท
แบบเคอร์เนล ผ่านการเพิ่มประสิทธิภาพของพารามิเตอร์ 2
, พารามิเตอร์ที่ดีที่สุดมุ่งมั่น
ที่มีค่าของ C และ G = = เป็นผล 0.0583 และจำนวนของเวกเตอร์สนับสนุน
คือ 75 ( เพียง 12.7% ของตัวอย่างทั้งหมดในการตั้งค่า ) .
กับ SVM การจำแนกรูปแบบการทำนายที่ถูกต้องคือ
ที่ได้รับจาก 160 ตัวอย่าง เช่น 100 % ผลลัพธ์เหล่านี้แสดงให้เห็นว่า
SVM หมวดหมู่เพิ่มเติมสามารถระบุชนิดของน้ำมันพืช
ถูกปลอมปนกับน้ำมันงาด้วย