Supervised classification, which is

Supervised classification, which is a fundamental classification approach for e-nose data, requires sufficient labeled data for training. However, sufficient labeled data requires extensive money, materials, energy and time. In this paper, a semi-supervised approach—Cluster-then-Label—that simultaneously uses labeled and unlabeled data to build a better classifier with fewer training data was introduced to deal with e-nose data for the first time. A novel clustering algorithm—spectral clustering—was also introduced to improve this semi-supervised approach. Three experiments—discriminating storage shelf life (SL), identifying pretreatments and authenticating juices, respectively—were conducted on cherry tomato juices using a PEN 2 e-nose, generating three datasets of different data structures. For each dataset, only 20% of data were selected for training. Classifications of the datasets by this semi-supervised approach and four supervised approaches (linear discriminant analysis (LDA), quadratic discriminant analysis, multi-class support vector machine and back propagation neural network) were compared. The results indicate that this spectral clustering based semi-supervised approach outperforms the supervised approaches in all cases. By using this semi-supervised approach, it is now possible to build reliable classifiers with only a few labeled data. It is also worth mentioning that this new approach takes no remarkable superiority over LDA. Thus, our next plan is to use more e-nose datasets for test.

ผลลัพธ์ (ไทย) 1:

มีการจัดประเภท ซึ่งเป็นวิธีการจัดประเภทพื้นฐานสำหรับข้อมูลอีจมูก ต้องมีป้ายชื่อข้อมูลเพียงพอสำหรับการฝึกอบรม อย่างไรก็ตาม ข้อมูลเพียงพอป้ายต้องครอบคลุมเงิน วัสดุ พลังงาน และเวลา ในเอกสารนี้ วิธีกึ่งมี — คลัสเตอร์นั้นป้ายชื่อตัวว่า พร้อมใช้ป้าย และเพียงข้อมูลสร้าง classifier ดีกับข้อมูลการฝึกอบรมน้อยถูกนำมาใช้ในการจัดการกับข้อมูลอีจมูกครั้งแรก อัลกอริทึมเป็นนวนิยายระบบคลัสเตอร์ — คลัสเตอร์สเปกตรัมซึ่งยังมีการแนะนำเพื่อปรับปรุงวิธีการนี้มีกึ่ง ทดลองสาม — รับการจำแนกจัดเก็บอายุ (SL), ระบุ pretreatments และพิสูจน์น้ำ ตามลำดับซึ่งได้ดำเนินการบนน้ำมะเขือเทศเชอร์รี่ใช้ปากกา 2 e-จมูก สร้าง datasets สามโครงสร้างข้อมูลที่แตกต่างกัน สำหรับแต่ละชุดข้อมูล เพียง 20% ของข้อมูลที่ถูกเลือกสำหรับการฝึกอบรม จัดประเภทของ datasets โดยวิธีนี้มีกึ่งและ 4 มีวิธี (discriminant เชิงวิเคราะห์ (LDA), การวิเคราะห์ discriminant กำลังสอง สนับสนุนระดับหลายเวกเตอร์เครื่อง และเครือข่ายประสาทเผยแพร่หลัง) ได้เปรียบเทียบ ผลลัพธ์บ่งชี้ว่า สเปกตรัมนี้คลัสเตอร์ตามกึ่งมีวิธี outperforms วิธีที่มีในทุกกรณี โดยใช้วิธีการนี้มีกึ่ง ตอนนี้สามารถได้สร้างคำนามภาษาที่เชื่อถือได้เพียงไม่กี่ป้ายข้อมูล เป็นมูลค่าการกล่าวถึงว่า วิธีการใหม่นี้จะไม่มีปมเด่น LDA ดังนั้น แผนต่อไปของเราคือการ ใช้ datasets อีจมูกเพิ่มเติมสำหรับการทดสอบ

ผลลัพธ์ (ไทย) 2:

การจัดหมวดหมู่ภายใต้การควบคุมซึ่งเป็นวิธีการจัดหมวดหมู่ข้อมูลพื้นฐานสำหรับ E-จมูกต้องใช้ข้อมูลที่มีข้อความที่เพียงพอสำหรับการฝึกอบรม อย่างไรก็ตามข้อมูลที่มีข้อความที่กว้างขวางเพียงพอต้องใช้เงินวัสดุพลังงานและเวลา ในบทความนี้กึ่งดูแลวิธีการ-คลัสเตอร์-แล้วป้ายที่พร้อมใช้ที่มีข้อความและข้อมูลที่ไม่มีป้ายกำกับที่จะสร้างตัวจําแนกที่ดีกว่าที่มีข้อมูลการฝึกอบรมน้อยได้รับการแนะนำในการจัดการกับข้อมูลที่ E-จมูกเป็นครั้งแรก จัดกลุ่มนวนิยายขั้นตอนวิธีการจัดกลุ่มสเปกตรัมถูกยังแนะนำในการปรับปรุงวิธีการดูแลกึ่งนี้ สามทดลองแบ่งแยกอายุการเก็บรักษาการจัดเก็บข้อมูล (SL) ระบุการเตรียมและตรวจสอบน้ำผลไม้ตามลำดับถูกดำเนินการในน้ำมะเขือเทศเชอร์รี่โดยใช้ PEN E-2 จมูกสามการสร้างชุดข้อมูลของโครงสร้างข้อมูลที่แตกต่าง สำหรับชุดข้อมูลที่แต่ละเพียง 20% ของข้อมูลที่ได้รับการคัดเลือกในการฝึกอบรม การจำแนกประเภทของชุดข้อมูลโดยวิธีกึ่งภายใต้การดูแลและวิธีการภายใต้การดูแลสี่ (การวิเคราะห์จำแนกเชิงเส้น (LDA) วิเคราะห์จำแนกกำลังสอง, การสนับสนุนหลายระดับเครื่องเวกเตอร์และเครือข่ายประสาทกลับมาขยายพันธุ์) ถูกนำมาเปรียบเทียบ ผลการศึกษาพบว่าการจัดกลุ่มสเปกตรัมนี้ตามวิธีกึ่งดูแลมีประสิทธิภาพดีกว่าวิธีการภายใต้การดูแลในทุกกรณี โดยใช้วิธีกึ่งดูแลนี้มันเป็นไปได้ที่จะสร้างตัวจําแนกที่เชื่อถือได้มีเพียงข้อมูลที่มีข้อความไม่กี่ นอกจากนี้ยังเป็นมูลค่าการกล่าวขวัญว่าวิธีการใหม่นี้ใช้เวลาไม่เหนือกว่าโดดเด่นกว่า LDA ดังนั้นแผนต่อไปของเราคือการใช้ชุดข้อมูลเพิ่มเติม E-จมูกสำหรับการทดสอบ

ผลลัพธ์ (ไทย) 3:

ดูแลการจัดหมวดหมู่ ซึ่งเป็นวิธีการจำแนกข้อมูลพื้นฐานสำหรับจมูก ต้องติดป้ายว่าข้อมูลเพียงพอสำหรับการฝึก อย่างไรก็ตาม ข้อมูลที่เพียงพอว่าต้องใช้เงินอย่างกว้างขวาง , วัสดุ , พลังงานและเวลา ในกระดาษนี้กึ่งกลุ่มมีวิธีการที่ใช้ป้ายแล้วป้ายพร้อมกัน และข้อมูลการสร้างดีใกล้เคียงกับลักษณนามข้อมูลการฝึกอบรมน้อยลง เข้าไปจัดการกับข้อมูลที่จมูกเป็นครั้งแรก นวนิยายสำหรับขั้นตอนวิธีการแบ่งกลุ่มก็แนะนำให้ปรับปรุงกึ่งนี้มีวิธีการ 3 การทดลองจำแนกชั้นจัดเก็บชีวิต ( SL )การตรวจสอบผลไม้และการเตตามลำดับ และการทดลองในน้ำมะเขือเทศโดยใช้ปากกา 2 จมูก สร้างสามข้อมูลโครงสร้างของข้อมูลที่แตกต่างกัน สำหรับแต่ละข้อมูลมีเพียง 20% ของจำนวนที่เลือกสำหรับการฝึกอบรม หมวดหมู่ของข้อมูลโดยมีวิธีการดูแลและกึ่งนี้ 4 วิธี ( การวิเคราะห์เชิงเส้น ( lda )การวิเคราะห์จำแนกกำลังสอง , การสนับสนุนหลายชั้นเวกเตอร์เครื่องและกลับแผ่โครงข่ายประสาท ) เปรียบเทียบ ผลการศึกษาพบว่า การใช้วิธีนี้สำหรับกึ่งการดูแลมีประสิทธิภาพดีกว่าวิธีในทุกกรณี โดยใช้วิธีการแบบกึ่งนี้ก็คือตอนนี้ที่เป็นไปได้ที่จะสร้างความน่าเชื่อถือกับคำแค่ไม่กี่ป้ายข้อมูลนอกจากนี้มูลค่าการกล่าวขวัญว่า วิธีการใหม่นี้จะไม่โดดเด่นเหนือ lda . ดังนั้น แผนต่อไปคือการใช้ข้อมูลจมูกมากขึ้น สำหรับการทดสอบ