The criterion of relevance, used in

The criterion of relevance, used in this work with
nonlinear classifiers, definitely proves that only four of the
six initial features were relevant for the classification of
class defects studied. In this case when the inputs were made
up of four features, the nonlinear classifiers produced high-
performance results for the training data. An input made,
using only the combination of three relevant features,
maintained the indices of success of the classifier, really
proving that the importance is the ‘quality’ of the feature
employed and not the ‘quantity’.
The use of the principal nonlinear discrimination
components, to demonstrate the classes of defects in two
dimensions, gives an idea of the problem of separation
between classes, although for classification three or four
dimensions are still used. When the components are used as
input vectors of the classifiers, good results are obtained.
These methodologies can perfectly well be extended to
larger size problems where the calculations are relatively
much more complex.
The calculations of probability of success of the
classification, using nonlinear classifiers by implemented
neural networks, were high, signifying that even with the
lack of test data to check their generalization, the probability
of success of the classifiers is high for new samples.
Certainly, as can be shown in various publications cited here,
the lack of a high number of samples to increase
the reliability of the results is a frequent problem and
remains as a motive for further investigation by the authors.
It is important to point out that the defect classes such as
cracks and lack of fusion, important in terms of weld beads,
have not yet been evaluated by this technique due to a lack
of the quantity of reliable observations available, but
certainly this will be done in a future work with the
acquisition of new radiographic patterns.

ผลลัพธ์ (ไทย) 2:

เกณฑ์ของความเกี่ยวข้องที่ใช้ในงานนี้ด้วย
ERS จัดประเภทไม่เชิงเส้นเด Fi nitely พิสูจน์ให้เห็นว่าเพียงสี่
หกคุณสมบัติเบื้องต้นมีความเกี่ยวข้องสำหรับไอออนบวกจัดประเภทของ
ข้อบกพร่องระดับการศึกษา ในกรณีนี้เมื่อปัจจัยการผลิตที่ถูกสร้าง
ขึ้นจากสี่คุณสมบัติ ERS จัดประเภทไม่เชิงเส้นผลิตสูง
ผลการดำเนินงานสำหรับข้อมูลการฝึกอบรม ป้อนข้อมูลทำ,
ใช้เพียงการรวมกันของสามคุณสมบัติที่เกี่ยวข้อง,
การบำรุงรักษาดัชนีของความสำเร็จของเอ้อจัดประเภทจริงๆ
พิสูจน์ว่าสำคัญคือ 'คุณภาพ' ของคุณลักษณะ
การจ้างงานและไม่ 'ปริมาณ'.
การใช้งานของการเลือกปฏิบัติที่ไม่เป็นเชิงเส้นหลัก
ส่วนประกอบที่จะแสดงให้เห็นถึงการเรียนของข้อบกพร่องในสอง
มิติให้ความคิดของปัญหาของการแยก
ระหว่างเรียนแม้ไอออนบวกคลาสสิกสายสามหรือสี่
มิติยังคงใช้ เมื่อองค์ประกอบที่จะถูกใช้เป็น
พาหะใส่ของ ERS จัดประเภทผลดีจะได้รับ.
วิธีการเหล่านี้สามารถสมบูรณ์ดีจะขยายไปถึง
ปัญหาใหญ่ขนาดที่คำนวณมีความ
ซับซ้อนมากขึ้น.
การคำนวณความน่าจะเป็นของความสำเร็จของ
ไอออนบวกคลาสสิก fi, ใช้ ERS จัดประเภทไม่เชิงเส้น โดยการดำเนินการ
เครือข่ายประสาทมีสูงแสดงว่าแม้จะมี
การขาดข้อมูลการทดสอบเพื่อตรวจสอบลักษณะทั่วไปของพวกเขาน่าจะเป็น
ของความสำเร็จของ ERS จัดประเภทอยู่ในระดับสูงสำหรับตัวอย่างใหม่.
แน่นอนที่สามารถแสดงให้เห็นในสื่อสิ่งพิมพ์ต่างๆอ้างนี่
ขาด จำนวนมากของกลุ่มตัวอย่างเพื่อเพิ่ม
ความน่าเชื่อถือของผลเป็นปัญหาบ่อยและ
ยังคงเป็นแรงจูงใจสำหรับการตรวจสอบต่อไปโดยผู้เขียน.
มันเป็นสิ่งสำคัญที่จะชี้ให้เห็นว่าการเรียนข้อบกพร่องเช่น
รอยแตกและขาดการฟิวชั่นที่สำคัญในแง่ของ ลูกปัดเชื่อม
ยังไม่ได้รับการประเมินโดยเทคนิคนี้เนื่องจากการขาด
ปริมาณของการสังเกตที่เชื่อถือได้มี แต่
แน่นอนนี้จะทำได้ในการทำงานในอนาคตกับ
การเข้าซื้อกิจการของรูปแบบการถ่ายภาพรังสีใหม่

ผลลัพธ์ (ไทย) 3:

เกณฑ์ที่เกี่ยวข้อง , ใช้ในงานนี้ด้วย
classi ไม่เชิงเส้นจึง ERS , เดอ จึง nitely พิสูจน์ว่ามีแค่ 4
6 เริ่มต้นคุณสมบัตินั้นเกี่ยวข้องกับการถ่ายทอด classi ของ
ชั้นบกพร่อง ) ในกรณีนี้ เมื่อกระผมได้
ขึ้นสี่คุณลักษณะไม่เชิงเส้นจึง classi ERS ผลิตสูง -
การแสดงผลการอบรมข้อมูล ใส่ได้
โดยใช้การรวมกันของทั้งสามคุณสมบัติที่เกี่ยวข้อง
รักษาดัชนีของความสำเร็จของ classi จึงเอ้อจริงๆ
พิสูจน์ว่าสิ่งสำคัญคือคุณภาพ ' ของลูกจ้างและไม่คุณลักษณะ
' ปริมาณ '

ไม่เชิงเส้นการใช้หลักส่วนประกอบ , แสดงให้เห็นถึงประเภทของข้อบกพร่องใน 2
มิติจะช่วยให้ทราบปัญหาของการแยก
ระหว่างเรียนแต่สำหรับ classi จึงบวกสามหรือสี่
มิติจะยังคงใช้ เมื่อองค์ประกอบที่ใช้เป็นพาหะของ ERS
เข้าจึง classi ผลลัพธ์ที่ดีได้ .
วิธีการเหล่านี้สามารถดีจะขยาย

ปัญหาขนาดใหญ่ที่คำนวณที่ค่อนข้างซับซ้อนมาก
.
การคำนวณความน่าจะเป็นของความสำเร็จในการถ่ายทอด classi
,การใช้เส้น classi จึง ERS โดยใช้
เครือข่ายประสาทสูง ซึ่งแม้
ขาดข้อมูลทดสอบเพื่อตรวจสอบลักษณะทั่วไปของความน่าจะเป็น
ของความสำเร็จของผู้ผลิตจึง classi สูง ตัวอย่างใหม่ .
อย่างแน่นอน รวมทั้งสามารถแสดงในสิ่งพิมพ์ต่าง ๆที่อ้างถึงที่นี่
ขาดจำนวน สูงของกลุ่มตัวอย่างเพื่อเพิ่มความน่าเชื่อถือของผล

มีปัญหาบ่อย และยังคงเป็นแรงจูงใจสำหรับการสืบสวนเพิ่มเติมโดยผู้เขียน .
มันเป็นสิ่งสำคัญที่จะชี้ให้เห็นว่าข้อบกพร่องของชั้นเรียนเช่น
แตกและขาด ฟิวชั่น ที่สำคัญในแง่ของลูกปัดเชื่อม
ยังไม่ได้รับการประเมินโดยวิธีนี้เนื่องจากการขาดของปริมาณที่สังเกต

แน่นอนเชื่อถือได้ของ แต่นี้ จะต้องทำในการทำงานในอนาคตด้วยการซื้อรูปแบบใหม่

ภาพถ่าย .