concentrate products (see Fig. 1a–d

concentrate products (see Fig. 1a–d) the value of two informational
peaks on 230/310 and 285/310 nm decreases in relation to the
peaks on 260/340 and 320/430 nm.
The task for application of analysis for ISC analyser is rapid measurement
and classification of commercial apple juice type. The
k-Nearest Neighbor (kNN) Search technique is used in classification
procedure (Shakhnarovish, Darrell, & Indyk, 2006). Minkowski
metric of second order is selected as a distance measure for kNN.
The procedure of analysis is defined in steps. First, new sample
SFS is embedded into two dimensional PCs space using transform
matrix obtained from statistical analysis. Then kNN classifier is
constructed in PCs space using reference dataset of 59 samples
for learning. At last the nearest neighbourhood is found for
instance and sample is classified. The separate novelty detection
algorithm is used to exclude samples that do not apply to the apple
products

ผลลัพธ์ (ไทย) 1:

เข้มข้นผลิตภัณฑ์ (ดูรูปที่ 1a – d) ค่าของข้อมูลทั้งสองยอด 230/310 และ 285/310 nm ลดลงในความสัมพันธ์กับการยอด 260/340 และ 320/430 nmงานสำหรับประยุกต์ใช้การวิเคราะห์ ISC วิเคราะห์เป็นการวัดที่รวดเร็วและการจำแนกชนิดน้ำแอปเปิ้ลพาณิชย์ การใช้ k ใกล้บ้าน (kNN) ค้นหาเทคนิคในการจัดประเภทขั้นตอน (Shakhnarovish หนาวกวาง & Indyk, 2006) มินคอฟสกีเลือกเมตริกลำดับที่สองเป็นการวัดระยะทางสำหรับ kNNมีกำหนดขั้นตอนของการวิเคราะห์ในขั้นตอน ตัวอย่างแรก ใหม่SFS ฝังอยู่เป็นสองมิติพื้นที่ของพีซีที่ใช้แปลงเมทริกซ์ที่ได้จากการวิเคราะห์ทางสถิติ แล้ว เป็นลักษณนาม kNNสร้างขึ้นในเครื่องคอมพิวเตอร์โดยใช้ชุดข้อมูลอ้างอิงของตัวอย่าง 59การเรียนรู้ ในที่สุด ได้ละแวกที่ใกล้ที่สุดอินสแตนซ์และตัวอย่างจัด การตรวจจับของแปลกแยกอัลกอริทึมใช้ในการแยกตัวอย่างที่ไม่มีผลกับแอปเปิ้ลผลิตภัณฑ์

ผลลัพธ์ (ไทย) 2:

สมาธิผลิตภัณฑ์ (ดูรูป. 1a-D) มูลค่าของทั้งสองให้ข้อมูล
บนยอดเขา 230/310 และ 285/310 นาโนเมตรลดลงในความสัมพันธ์กับ
บนยอดเขา 260/340 และ 320/430 นาโนเมตร.
งานสำหรับการประยุกต์ใช้การวิเคราะห์สำหรับการวิเคราะห์ ISC เป็นวัดอย่างรวดเร็ว
และการจำแนกประเภทของแอปเปิ้ลน้ำผลไม้ในเชิงพาณิชย์
เพื่อนบ้าน (kNN) เทคนิคการค้นหา K-ที่ใกล้ที่สุดถูกนำมาใช้ในการจำแนก
ขั้นตอน (Shakhnarovish ดาร์เรลและ Indyk 2006) คอฟสกี
ตัวชี้วัดของการสั่งซื้อที่สองคือการคัดเลือกให้เป็นวัดระยะทางสำหรับ kNN.
ขั้นตอนของการวิเคราะห์ถูกกำหนดไว้ในขั้นตอน แรกใหม่ตัวอย่าง
SFS ถูกฝังลงในเครื่องคอมพิวเตอร์สองมิติโดยใช้พื้นที่แปลง
เมทริกซ์ที่ได้รับจากการวิเคราะห์ทางสถิติ แล้ว kNN ลักษณนามถูก
สร้างขึ้นในพื้นที่โดยใช้เครื่องคอมพิวเตอร์ชุดข้อมูลที่อ้างอิงจาก 59 ตัวอย่าง
สำหรับการเรียนรู้ ที่ล่าสุดย่านใกล้ที่สุดจะถูกพบ
ตัวอย่างและตัวอย่างจะถูกจัด การตรวจสอบความแปลกแยกต่างหาก
อัลกอริทึมที่ใช้ในการยกเว้นกลุ่มตัวอย่างที่ไม่ได้นำไปใช้กับแอปเปิ้ล
ผลิตภัณฑ์

ผลลัพธ์ (ไทย) 3:

สนใจผลิตภัณฑ์ ( ดูภาพประกอบ 1 ( D ) ค่าของข้อมูลยอดบน 230 / 310 / 310 นาโนเมตร และ 285 ลดลงในความสัมพันธ์กับยอดที่ 260 / 320 / 340 และ 430 nm .งานสำหรับโปรแกรมวิเคราะห์วิเคราะห์ ISC คือการวัดอย่างรวดเร็วและการจำแนกชนิดน้ำแอปเปิ้ลในเชิงพาณิชย์ ที่ละเพื่อนบ้าน ( knn ) เทคนิคที่ใช้ในการค้นหาขั้นตอน ( shakhnarovish Darrell และนไดก์ , 2006 ) มินโควสกี้ใบที่สองจะถูกเลือกเป็นค่าระยะห่างในการวัด knn .ขั้นตอนของการวิเคราะห์ที่กำหนดไว้ในขั้นตอน ตัวอย่างแรกใหม่SFS ถูกฝังลงใน 2 มิติ ชิ้นพื้นที่ใช้แปลงเมตริกซ์ที่ได้จากการวิเคราะห์ทางสถิติ จากนั้น knn ลักษณนามคือสร้างขึ้นในพื้นที่ชิ้นใช้อ้างอิงข้อมูล 59 คนเพื่อการเรียนรู้ สุดท้ายใกล้ๆพบสำหรับตัวอย่างและตัวอย่างที่เป็นความลับ การตรวจหาแปลกแยกวิธีที่ใช้รวมกลุ่มตัวอย่างที่ไม่ใช้กับแอปเปิ้ลผลิตภัณฑ์