captured from a population of in-se

captured from a population of in-service distribution
circuit breakers and empirical UHF data captured from
laboratory experiments simulating partial discharge defects
typically found in HV transformers. This discovered
knowledge then forms the basis of two separate decision
support systems for the condition assessment/defect
classification of these respective plant items. In this paper
is shown a comparative of competitive learning algorithms
to classify measured PD activities into underlaying
insulation defects or source that generate PD’s using Self
Organizing Maps (SOM). Multidimensional scaling
(MDS) is a nonlinear feature extraction technique [12]. It
aims to represent a multidimensional dataset in two or
three dimensions such that the distance matrix in the
original k-dimensional feature space is preserved as
faithfully as possible in the projected space. The SOM, or
Kohonen Map [13], can also be used for nonlinear feature
extraction. It should be emphasized that the goal here is
not to find an optimal clustering for the data but to get
good insight into the cluster structure of the data for data
mining purposes. Therefore, the clustering method must be
fast, robust, and visually efficien

ผลลัพธ์ (ไทย) 1:

รวบรวมจากประชากรการกระจายการให้บริการแก่วงจรและข้อมูล UHF ประจักษ์ที่จับจากห้องปฏิบัติการทดลองจำลองการปลดปล่อยบางส่วนบกพร่องซึ่งมักพบในหม้อ HV นี้พบรู้แล้วเป็นพื้นฐานของการตัดสินใจที่แยกต่างหากสองระบบสนับสนุนการประเมินเงื่อนไข/ข้อบกพร่องการจัดประเภทสินค้าพืชตามลำดับ ในเอกสารนี้แสดงการเปรียบเทียบของอัลกอริทึมการเรียนรู้แข่งขันการจัดประเภทกิจกรรมการวัด PD เป็น underlayingข้อบกพร่องของฉนวนกันความร้อนหรือแหล่งที่สร้าง PD ของใช้ด้วยตนเองการจัดการแผนผัง (ส้ม) หลายขนาด(ติด) เป็นเทคนิคการสกัดคุณลักษณะไม่เชิงเส้น [12] มันจุดมุ่งหมายเพื่อแสดงถึงชุดข้อมูลหลายมิติ 2 หรือสามมิติเช่นที่เมทริกซ์ระยะทางในการพื้นที่ k มิติคุณลักษณะเดิมจะถูกรักษาไว้เป็นfaithfully เป็นไปได้ในพื้นที่คาดการณ์ ส้ม หรือแผนที่ Kohonen [13], ใช้สำหรับคุณลักษณะที่ไม่เชิงเส้นสกัด ควรเน้นที่ เป้าหมายของที่นี่มีไม่พบคลัสเตอร์เหมาะสมสำหรับข้อมูล แต่ จะได้รับความเข้าใจถึงโครงสร้างคลัสเตอร์ของข้อมูลสำหรับข้อมูลดีเพื่อวัตถุประสงค์ในการทำเหมืองแร่ ดังนั้น ต้องเป็นวิธีการระบบคลัสเตอร์รวดเร็ว แข็ง แกร่ง และเห็น efficien

ผลลัพธ์ (ไทย) 2:

จับจากประชากรของการกระจายในการให้บริการวงจรเบรกเกอร์และข้อมูลเชิงประจักษ์ UHF ยึดมาได้จากการทดลองในห้องปฏิบัติการจำลองข้อบกพร่องปล่อยบางส่วนมักจะพบในหม้อแปลงHV การค้นพบนี้มีความรู้แล้วรูปแบบพื้นฐานของการตัดสินใจของทั้งสองแยกระบบการสนับสนุนสำหรับการประเมินสภาพ/ ข้อบกพร่องการจำแนกประเภทของรายการเหล่านี้พืชที่เกี่ยวข้อง ในบทความนี้จะแสดงให้เห็นการเปรียบเทียบขั้นตอนวิธีการเรียนรู้ในการแข่งขันที่จะจัดกิจกรรมที่วัดPD เข้า underlaying ข้อบกพร่องฉนวนกันความร้อนหรือแหล่งที่สร้าง PD ของตนเองโดยใช้แผนที่จัดงาน (SOM) ปรับหลายมิติ(MDS) เป็นเทคนิคการสกัดคุณลักษณะเชิงเส้น [12] มันมีจุดมุ่งหมายที่จะเป็นตัวแทนของชุดข้อมูลหลายมิติในสองหรือสามมิติดังกล่าวว่าเมทริกซ์ทางไกลในที่เดิมพื้นที่คุณลักษณะk มิติถูกเก็บรักษาไว้เป็นความนับถือเป็นไปได้ในพื้นที่ที่คาดการณ์ไว้ SOM หรือKohonen แผนที่ [13] นอกจากนี้ยังสามารถนำมาใช้สำหรับคุณลักษณะเชิงเส้นสกัด มันควรจะเน้นว่าเป้าหมายคือที่นี่จะไม่ได้พบกับการจัดกลุ่มที่เหมาะสมสำหรับข้อมูลแต่จะได้รับความเข้าใจที่ดีในโครงสร้างกลุ่มของข้อมูลสำหรับข้อมูลวัตถุประสงค์ในการทำเหมืองแร่ ดังนั้นวิธีการจัดกลุ่มจะต้องเป็นไปอย่างรวดเร็วและมีประสิทธิภาพและ efficien สายตา

ผลลัพธ์ (ไทย) 3:

ได้จากประชากรในการแจกจ่าย
เบรกเกอร์วงจรและข้อมูลเชิงประจักษ์ที่ได้จากการทดลอง UHF

การจำลองบางส่วนบกพร่องมักจะพบใน HV หม้อแปลง นี้ค้นพบ
ความรู้แล้วรูปแบบพื้นฐานของระบบสนับสนุนการตัดสินใจแยก
เงื่อนไขการประเมินข้อบกพร่อง /
การจำแนกพืชเหล่านี้แต่ละรายการ ใน
กระดาษนี้แสดงการเปรียบเทียบการแข่งขันอัลกอริทึมการเรียนรู้
แยกวัดกิจกรรม PD เป็น underlaying
ฉนวนบกพร่องหรือแหล่งที่สร้างตำรวจใช้ด้วยตนเอง
จัดแผนที่ ( SOM ) multidimensional scaling
( MDS ) เป็นเทคนิคการสกัดคุณลักษณะไม่เชิงเส้น [ 12 ] มันมีจุดมุ่งหมายที่จะแสดงชุดข้อมูลหลายมิติ

2 หรือ 3 มิติ เช่น ระยะทางที่เมทริกซ์ใน
เดิม k-dimensional คุณลักษณะพื้นที่อนุรักษ์เป็น
นับถือที่สุดในการคาดการณ์พื้นที่ โสมหรือการแผนที่
[ 13 ] ยังสามารถใช้เชิงคุณลักษณะ
การสกัด มันควรจะเน้นว่าเป้าหมายคือไม่หาข้อมูล
ที่เหมาะสม สำหรับข้อมูล แต่จะได้รับข้อมูลเชิงลึกที่ดีในกลุ่ม
โครงสร้างของข้อมูลเพื่อวัตถุประสงค์ในการทําเหมืองข้อมูล

ดังนั้นเป็นวิธีการที่จะต้อง
อย่างรวดเร็วและมีประสิทธิภาพ และปรากฎว่า มองเห็น