2.4. Statistical analysis and patte

2.4. Statistical analysis and pattern recognition
Statistical analysis and pattern recognition was employed using
the maximum or minimum response values of sensors in e-nose.
MD is used to calculate the similarity of two unknown samples.
It is calculated using the inverse of the variance–covariance matrix
of the data set of interest. Geometrically, the MD class model is an
ellipsoid-shaped cluster with the population mean at its centroid
and its size defined by the value of chi-squared at a user-specified
confidence level [20].
PCA is a very powerful multivariate statistics method used to
analyze the inherent structure of the data [16]. The main purpose
of this linear feature extraction method is to reduce dimensions,
that is projecting the m-dimensional data set (m is the numbers of
the sensors) in a dimension smaller than m.
LDA is another widely used statistic method. Similar to PCA, it is
also a linear combination of the original variable to construct a discriminant
function [21]. Compared with PCA, the LDA method can
notice the distribution of points in the same category and the distance
between them. The graphical view of LDA analysis is similar
to a PCA display.
Stepwise LDA was applied to select the variables with the
highest power of discrimination, it differs from the classical LDA
procedure in the choice of PCs to be used. For classical LDA, the PCs
are taken in order PC1, PC2, PC3, etc. However, the stepwise LDA
procedure picks out, as the first PC in the model, the one that gives
the highest classification success rate. The next and subsequent PCs
are added to the model using the same criterion regardless of the
proportion of variance associated with them. In the development
of the discriminant function, variables are added or deleted based
on their effect on the Wilks’ lambda and on their significance as
measured by a suitable F test [22].

ผลลัพธ์ (ไทย) 1:

2.4. สถิติวิเคราะห์และรูปแบบการสถิติวิเคราะห์และรูปแบบการถูกว่าจ้างโดยใช้ค่าการตอบสนองสูงสุด หรือต่ำสุดของเซ็นเซอร์ใน e-จมูกMD ถูกใช้เพื่อคำนวณความคล้ายคลึงกันอย่างไม่รู้จักสองจะคำนวณโดยใช้ตัวผกผันของเมทริกซ์ความแปรปรวนความแปรปรวนร่วมของชุดข้อมูลที่น่าสนใจ Geometrically แบบเรียน MD เป็นการจัดคลัสเตอร์กับค่าเฉลี่ยประชากรที่เซนทรอยด์ของรูปทรงรีและขนาดที่กำหนด โดยค่าไคสแควร์ที่ผู้ใช้ระบุไว้ระดับความเชื่อมั่น [20]PCA เป็นวิธีสถิติตัวแปรพหุมีประสิทธิภาพสูงที่ใช้ในวิเคราะห์โครงสร้างโดยธรรมชาติของข้อมูล [16] วัตถุประสงค์หลักคุณลักษณะนี้เส้น สกัดด้วยวิธีคือการ ลดขนาดที่เป็น projecting ชุดข้อมูลมิติ m (m คือ จำนวนเซนเซอร์) ในขนาดที่เล็กกว่า mLda ซึ่งเป็นสถิติที่ใช้กันอย่างแพร่หลายอีกวิธี เหมือนกับ PCA เป็นยังรวมเชิงเส้นของตัวแปรเดิมสร้างเป็น discriminantฟังก์ชัน [21] เมื่อเทียบกับ PCA วิธี lda ซึ่งสามารถสังเกตการกระจายของคะแนนในประเภทเดียวกันและระยะห่างระหว่างพวกเขา มุมมองแบบกราฟิกของ LDA วิเคราะห์จะคล้ายเพื่อการแสดงผลสมาคมStepwise LDA ถูกใช้เพื่อเลือกตัวแปรที่มีการอำนาจสูงสุดของการเลือกปฏิบัติ มันแตกต่างจาก LDA คลาสสิกขั้นตอนในตัวเลือกของชิ้นที่จะใช้ สำหรับคลาสสิก LDA ชิ้นมีรับสั่ง PC1, PC2, PC3 ฯลฯ อย่างไรก็ตาม stepwise LDAขั้นตอนรับ เป็นเครื่องแรกในรูปแบบ ให้อัตราความสำเร็จสูงสุดของการจัดประเภท ชิ้นต่อไป และต่อมาเพิ่มแบบจำลองที่ใช้เกณฑ์เดียวกันไม่ว่าจะสัดส่วนของผลต่างที่เกี่ยวข้อง ในการพัฒนาdiscriminant ฟังก์ชัน ตัวแปรที่เพิ่ม หรือลบตามในลักษณะของแลมบ์ดา Wilks' และความสำคัญของพวกเขาเป็นวัด โดยการทดสอบ F เหมาะสม [22]

ผลลัพธ์ (ไทย) 2:

2.4 วิเคราะห์ทางสถิติและการจดจำรูปแบบ
การวิเคราะห์ทางสถิติและรูปแบบการรับรู้ที่ถูกจ้างโดยใช้
ค่าการตอบสนองสูงสุดหรือต่ำสุดของเซ็นเซอร์ในรูปแบบ e-จมูก.
MD ใช้ในการคำนวณความคล้ายคลึงกันของทั้งสองตัวอย่างที่ไม่รู้จัก.
จะมีการคำนวณโดยใช้ผกผันของเมทริกซ์ความแปรปรวน-แปรปรวน
ของชุดข้อมูลที่น่าสนใจ เรขาคณิตคลาสรุ่น MD เป็น
กระจุกทรงรีรูปกับค่าเฉลี่ยของประชากรที่ centroid ของมัน
และขนาดของมันกำหนดโดยค่าของไคกำลังสองที่ผู้ใช้กำหนด
ระดับความเชื่อมั่น [20].
PCA เป็นวิธีการทางสถิติหลายตัวแปรที่มีประสิทธิภาพมากใช้ การ
วิเคราะห์โครงสร้างโดยธรรมชาติของข้อมูล [16] วัตถุประสงค์หลัก
ของวิธีการสกัดคุณลักษณะเชิงเส้นนี้คือการลดมิติ
ที่ฉายข้อมูลชุดเมตรมิติ (m คือตัวเลขของ
เซ็นเซอร์) ในมิติที่มีขนาดเล็กกว่าม.
LDA เป็นอีกหนึ่งวิธีการทางสถิติที่ใช้กันอย่างแพร่หลาย คล้ายกับ PCA มันเป็น
ยังรวมกันเชิงเส้นของตัวแปรเดิมที่จะสร้างจำแนก
ฟังก์ชั่น [21] เมื่อเทียบกับ PCA วิธี LDA สามารถ
สังเกตเห็นการกระจายของคะแนนในประเภทเดียวกันและระยะทาง
ระหว่างพวกเขา มุมมองแบบกราฟิกของการวิเคราะห์ LDA จะคล้าย
กับการแสดงผล PCA.
แบบขั้นตอน LDA ถูกนำมาใช้เพื่อเลือกตัวแปรที่มี
อำนาจสูงสุดของการเลือกปฏิบัติมันแตกต่างจาก LDA คลาสสิก
ขั้นตอนในการเลือกของเครื่องคอมพิวเตอร์ที่จะใช้ สำหรับ LDA คลาสสิก, เครื่องคอมพิวเตอร์
ที่มีการดำเนินการเพื่อ PC1, PC2, PC3 เป็นต้นอย่างไรก็ตาม LDA แบบขั้นตอน
ขั้นตอนที่หยิบออกเป็นเครื่องแรกในรูปแบบหนึ่งที่จะช่วยให้
อัตราความสำเร็จของการจัดหมวดหมู่ที่สูงที่สุด เครื่องคอมพิวเตอร์ต่อไปและต่อมา
มีการเพิ่มรูปแบบการใช้เกณฑ์เดียวกันโดยไม่คำนึงถึง
สัดส่วนของความแปรปรวนที่เกี่ยวข้องกับพวกเขา ในการพัฒนา
ฟังก์ชั่นการจำแนกตัวแปรที่มีการเพิ่มหรือลบตาม
ผลกระทบของพวกเขาในแลมบ์ดาวิลก์สและความสำคัญของพวกเขาเป็น
วัดโดยการทดสอบ F ที่เหมาะสม [22]

ผลลัพธ์ (ไทย) 3:

2.4 . สถิติที่ใช้ในการวิเคราะห์ข้อมูล และรูปแบบการวิเคราะห์ทางสถิติและรูปแบบ

เป็นเครื่องมือในการตอบสนองสูงสุดหรือค่าต่ำสุดของเซ็นเซอร์ในจมูก .
MD จะใช้ในการคำนวณความคล้ายกันของทั้งสองไม่รู้จักตัวอย่าง
ซึ่งคำนวณโดยใช้ผกผันของเมทริกซ์ความแปรปรวนร่วม (
ของชุดข้อมูลที่น่าสนใจ ทางเรขาคณิต , MD ชั้นแบบเป็น
มีรูปกลุ่มที่มีประชากรหมายถึงที่เซนทรอยด์
และขนาดที่กำหนดโดยค่าไคกำลังสองที่ผู้ใช้กำหนดระดับความเชื่อมั่น
[ 20 ] .
PCA เป็นสถิติหลายตัวแปรใช้วิธีที่มีประสิทธิภาพมาก

ศึกษาโครงสร้างที่แท้จริงของข้อมูล [ 16 ] จุดประสงค์หลักของเส้นลักษณะการสกัดวิธีนี้

เพื่อลดขนาดนั่นคือการยื่น m-dimensional ชุดข้อมูล ( เป็นเบอร์ของ
เซ็นเซอร์ ) ในมิติขนาดเล็กกว่า M .
lda เป็นอีกหนึ่งสถิติที่ใช้กันอย่างแพร่หลาย . คล้ายกับ PCA เป็น
ยังเส้นเดิมรวมกันของตัวแปรที่จะสร้างฟังก์ชันจำแนก
[ 21 ] เมื่อเทียบกับ PCA , lda วิธีการ
สังเกตเห็นการกระจายตัวของคะแนนในประเภทเดียวกันและระยะทาง
ระหว่างพวกเขามุมมองแบบกราฟิกของการวิเคราะห์ lda คล้ายคลึง
กับ PCA แสดง .
= lda มาประยุกต์ใช้ในการเลือกตัวแปรที่มีอำนาจสูงสุด
เลือกปฏิบัติ มันแตกต่างจากกระบวนการ lda
คลาสสิกในการเลือกชิ้นที่จะใช้ แบบ lda , ชิ้น
ถ่ายเพื่อ PC pc2 ด้วย , , , ฯลฯ แต่วิธีการ lda
= หยิบออกมาเป็นครั้งแรกในรูปแบบหนึ่งที่ให้
การจำแนกสูงสุดอัตราความสําเร็จ ต่อไปและต่อมาชิ้น
จะเพิ่มรูปแบบ โดยใช้เกณฑ์เดียวกันโดยไม่คำนึงถึง
อัตราส่วนของความแปรปรวนที่เกี่ยวข้องกับพวกเขา ในการพัฒนา
ของฟังก์ชันจำแนกตัวแปรจะถูกเพิ่มหรือลบตาม
ผลของพวกเขาในวิลก์ส ' lambda และความสำคัญของพวกเขา
วัดโดยเหมาะทดสอบ F [ 22 ]