elements: flabbiness, size, shape,

elements: flabbiness, size, shape, intensity and defects. The hidden
layer has 10 neurons and the output layer has three neurons:
each neuron representing the fruit grade described
earlier. The second model has same number of neurons in
the output and hidden layers as model one but only two neurons,
representing tow features only: the color (representing
brightness) and diameter (representing size) features, in the input
layer. The transfer function in the first layer is tan-sigmoid,
and in the output layer is linear. Batch training was used to
train the networks.
5. Experiments
As described earlier, we implemented two back-propagation
neural network models. In Table 1, we present the results of
our experiment where the two neural network models are referred
to as models 1 and 2.
The system was trained on 1200 (400 Samples/Grade) training
set samples. It was tested on 660 (220 Samples/Grade) test
samples. The confusion tables of the test experiment are shown
in Tables 2 and 3 respectively.
The Table 1 shows the percentages of correctly classified
test set fruit. We investigated reasons of misclassification and
observed the following (Tables 2 and 3).
(1) The grade 1 samples were misclassified as grade 3
because of the shape and size features and they were
confused with grade 2 because of the color features.
(2) The grade 2 fruit were misclassified as grade 1 because of
the variations in size, wrinkles and color features, and
they were confused with grade 3 because of the variations
in the shape, size, color and wrinkle features.
(3) The grade 3 fruit were misclassified as grade 1 because of
the variations in the defect feature. The reasons for the
misclassification were mainly due to the limited visibility
of the defects. The subnormal visibility affected the
extraction of size and the shape features.
The results indicate that model two (with fewer input features)
yielded better results (in general) and we are investigating
reason for the better performance.

ผลลัพธ์ (ไทย) 1:

องค์ประกอบ: flabbiness ขนาด รูปร่าง ความเข้ม และข้อบกพร่อง ที่ซ่อนอยู่ชั้นมี 10 neurons และชั้นออกมีสาม neurons:เซลล์ประสาทแต่ละเกรดผลไม้อธิบายแทนก่อนหน้านี้ รุ่นที่สองมีจำนวน neurons ในที่เดียวกันผลผลิตและชั้นซ่อนเป็นรุ่นหนึ่งแต่ neurons เท่าสองแทนใยคุณลักษณะเฉพาะ: สี (แทนความสว่าง) และเส้นผ่าศูนย์กลาง (แทนขนาด) ในการป้อนข้อมูลชั้น ฟังก์ชั่นโอนย้ายในชั้นแรกคือตาล sigmoidและในการแสดงผล ชั้นเป็นเชิงเส้น มีใช้ชุดฝึกอบรมรถไฟในเครือข่าย5. ทดลองตามที่อธิบายไว้ก่อนหน้านี้ เราใช้สองหลังเผยแพร่รูปแบบจำลองโครงข่ายประสาท ในตารางที่ 1 เรานำเสนอผลการอย่างที่สองประสาทเครือข่ายรูปแบบการทดลองของเราเพื่อเป็นรูปแบบที่ 1 และ 2ได้เข้าอบรมระบบการฝึกอบรม 1200 (400 ตัวอย่าง/เกรด)ตัวอย่างการ มันถูกทดสอบใน 660 (220 ตัวอย่าง/เกรด) ทดสอบตัวอย่างการ แสดงตารางความสับสนทดลองทดสอบในตาราง 2 และ 3 ตามลำดับตารางที่ 1 แสดงเปอร์เซ็นต์ของการจัดประเภทอย่างถูกต้องทดสอบชุดผลไม้ เราสอบสวนสาเหตุของ misclassification และสังเกตต่อไปนี้ (ตารางที่ 2 และ 3)(1 ตัวอย่างชั้นประถมศึกษาปีที่ 1)ได้งานเป็นเกรด 3เนื่องจากรูปร่างและขนาด ลักษณะการทำงานและพวกเขาได้สับสนกับเกรด 2 เนื่องจากคุณลักษณะของสี(2) ผลไม้เกรด 2 ได้งานเป็นเกรด 1 เนื่องจากความแตกต่างในขนาด ริ้วรอย และสี คุณลักษณะ และพวกเขาสับสนกับชั้นประถมศึกษาปีที่ 3 เนื่องจากรูปแบบในลักษณะรูปร่าง ขนาด สี และริ้วรอย(3 ผลไม้)ชั้นประถมศึกษาปีที่ 3 ได้งานเป็นเกรด 1 เนื่องจากรูปแบบในลักษณะข้อบกพร่อง สาเหตุของการmisclassification กล่าวมาจากการมองเห็นได้จำกัดของข้อบกพร่อง เห็น subnormal ที่ได้รับผลกระทบแยกขนาดและลักษณะรูปร่างผลลัพธ์บ่งชี้ว่า รุ่นสอง (กับคุณลักษณะการป้อนข้อมูลให้น้อยลง)หาผลลัพธ์ที่ดีขึ้น (โดยทั่วไป) และเราจะตรวจสอบเหตุผลเพื่อประสิทธิภาพที่ดี

ผลลัพธ์ (ไทย) 2:

องค์ประกอบความอ่อนแอ, ขนาดรูปร่างความเข้มและข้อบกพร่อง ที่ซ่อนอยู่
มี 10 ชั้นและชั้นเซลล์ประสาทที่ส่งออกมีสามเซลล์:
เซลล์ประสาทที่เป็นตัวแทนของแต่ละชั้นผลไม้ที่อธิบายไว้
ก่อนหน้านี้ รูปแบบที่สองมีหมายเลขเดียวกันของเซลล์ประสาทใน
การส่งออกและชั้นที่ซ่อนอยู่เป็นหนึ่งในรูปแบบ แต่มีเพียงสองเซลล์ประสาท
ที่เป็นตัวแทนของการดึงมีเฉพาะสี (ที่เป็นตัวแทนของ
ความสว่าง) และเส้นผ่าศูนย์กลาง (ขนาดที่เป็นตัวแทน) คุณสมบัติในการป้อนข้อมูล
ชั้น ฟังก์ชั่นการถ่ายโอนในชั้นแรกเป็นสีแทน-sigmoid,
และในชั้นออกเป็นเส้นตรง การฝึกอบรมรุ่นที่ถูกใช้ในการ
ฝึกอบรมเครือข่าย.
5 การทดลอง
ตามที่อธิบายไว้ก่อนหน้านี้เราดำเนินการสองหลังการขยายพันธุ์
แบบจำลองโครงข่ายประสาทเทียม ในตารางที่ 1 เรานำเสนอผลการ
ทดลองของเราที่ทั้งสองรูปแบบเครือข่ายประสาทที่เรียก
ว่ารุ่นที่ 1 และ 2.
ระบบได้รับการฝึกอบรมเกี่ยวกับ 1200 (400 ตัวอย่าง / ชั้นประถมศึกษาปี) การฝึกอบรม
ตัวอย่างชุด มันได้รับการทดสอบใน 660 (220 ตัวอย่าง / ชั้นประถมศึกษาปี) การทดสอบ
ตัวอย่าง ตารางความสับสนของการทดลองทดสอบจะแสดง
ในตารางที่ 2 และ 3 ตามลำดับ.
ตารางที่ 1 แสดงค่าร้อยละของการจัดอย่างถูกต้อง
ทดสอบการตั้งค่าผลไม้ เราตรวจสอบสาเหตุของการจำแนกและ
ตั้งข้อสังเกตดังต่อไปนี้ (ตารางที่ 2 และ 3).
(1) ชั้นประถมศึกษาปีที่ 1 กลุ่มตัวอย่างที่ถูกแบ่งเป็นเกรด 3
เพราะคุณสมบัติรูปร่างและขนาดและพวกเขาก็
สับสนกับชั้นประถมศึกษาปีที่ 2 เพราะคุณสมบัติสี.
(2 ) ชั้นประถมศึกษาปีที่ 2 ผลไม้ที่ถูกแบ่งเป็นเกรด 1 เพราะ
การเปลี่ยนแปลงในขนาด, ริ้วรอยและคุณสมบัติสีและ
พวกเขากำลังสับสนกับชั้นประถมศึกษาปีที่ 3 เนื่องจากการเปลี่ยนแปลง
ในรูปร่างขนาดสีและคุณสมบัติลดเลือนริ้วรอย.
(3) ชั้นประถมศึกษาปีที่ 3 ผลไม้ที่ถูกแบ่งเป็นเกรด 1 เพราะ
การเปลี่ยนแปลงในลักษณะข้อบกพร่อง เหตุผลในการ
จำแนกเป็นส่วนใหญ่เนื่องจากทัศนวิสัย จำกัด
ของข้อบกพร่อง การมองเห็นต่ำกว่าปกติได้รับผลกระทบ
การสกัดของขนาดและคุณสมบัติรูปร่าง.
ผลแสดงให้เห็นรูปแบบที่สอง (พร้อมกับคุณสมบัติการป้อนข้อมูลน้อยกว่า)
ให้ผลที่ดีกว่า (ทั่วไป) และเราจะตรวจสอบ
เหตุผลสำหรับประสิทธิภาพที่ดีขึ้น

ผลลัพธ์ (ไทย) 3:

องค์ประกอบ : flabbiness , ขนาด , รูปร่าง , ความเข้มและข้อบกพร่อง ซ่อน
ชั้นมี 10 เซลล์ประสาทและเซลล์ประสาท :
3 ชั้นออกได้แต่ละเซลล์ประสาทแทนผลไม้เกรดอธิบาย
ก่อนหน้านี้ แบบที่ 2 มีหมายเลขเดียวกันของการทำงาน
ผลผลิต และชั้นซ่อนเป็นรูปแบบหนึ่ง แต่เพียงสองประสาท ,
แสดงคุณสมบัติพ่วงเท่านั้น : สี ( แทน
ความสว่าง ) และเส้นผ่าศูนย์กลาง ( แทนขนาด ) คุณสมบัติในการป้อนข้อมูล
ชั้น โอนหน้าที่ในชั้นแรกเป็นตันแบบ
และผลผลิต , ชั้น คือ เชิงเส้น ชุดฝึกใช้รถไฟเครือข่าย
.
5 การทดลอง
ตามที่อธิบายไว้ก่อนหน้านี้ เราใช้สอง back-propagation
โครงข่ายประสาทเทียมแบบ ตารางที่ 1 ผล
เราปัจจุบันเราทดลองที่ 2 แบบจำลองโครงข่ายประสาทจะเรียกว่าเป็นแบบจำลองที่ 1 และ 2
.
ระบบการฝึกอบรมที่ 1200 ( 400 / เกรด ) การฝึกอบรม
ชุดตัวอย่าง มันถูกทดสอบใน 660 ( 220 ตัวอย่าง / เกรด ) ตัวอย่างทดสอบ

ความสับสนที่โต๊ะของการทดสอบจะแสดงในตารางที่ 2 และ 3 ตามลำดับ
.
ตารางที่ 1 แสดงร้อยละของจัด
อย่างถูกต้องชุดทดสอบผลไม้เราได้ตรวจสอบ และพบว่าสาเหตุของการผิดพลาด
ต่อไปนี้ ( ตารางที่ 2 และ 3 )
( 1 ) ระดับ 1 จำนวน misclassified เป็นเกรด 3
เพราะรูปร่างและลักษณะขนาดและพวกเขา
สับสนกับ ป. 2 เพราะสีคุณสมบัติ .
( 2 ) เกรด 2 ผล misclassified เป็นเกรด 1 เพราะ
รูปแบบขนาดและสีและมีริ้วรอย
,พวกเขากำลังสับสนกับ ป. 3 เพราะรูปแบบ
ในรูปร่าง ขนาด ลักษณะ สี และริ้วรอย
( 3 ) เกรด 3 ผล misclassified เป็นเกรด 1 เพราะ
รูปแบบในข้อบกพร่องคุณสมบัติ เหตุผลสำหรับ
ผิดพลาดเป็นส่วนใหญ่เนื่องจากการจำกัดการมองเห็น
ของข้อบกพร่อง ทัศนวิสัยไม่เต็มเต็งมีผลต่อ
การสกัดของขนาดและรูปร่างลักษณะ .
ผลการศึกษาพบว่า รูปแบบ 2 ( ที่มีคุณลักษณะอินพุตน้อยกว่า )
ให้ผลผลลัพธ์ที่ดี ( โดยทั่วไป ) และเรากำลังสืบสวน
เหตุผลสำหรับประสิทธิภาพที่ดีขึ้น