As seen from the principles of mult

As seen from the principles of multivariate analysis
methods (Teye et al. 2014), they play important roles in the
analysis of electronic signals from different rice types. Good
accuracies in the calibration sets were obtained with SVMand
KNN, indicating that these models were effective and scientific.
However, the difference in accuracies of the prediction
sets by different models was relatively large. The
PCA-based models, with the combination of electronic
tongue and nose, possessed the higher accuracy than that
of electronic tongue alone, but lower than that of electronic
nose alone. This result suggested that linear features of the
combined electronic signals extracted by PCA algorithm
cannot adequately reflect the difference between conventional
and hybrid rice. PCA algorithm was not suit to the
data process of the developed multielectrode electronic
tongue combined with multisensor electronic nose. The
LLE-based models with the combination of electronic
tongue and nose achieved the highest accuracy compared
to that of either electronic tongue or electronic nose, indicating
that the LLE-based models were better than the
PCA-based models. It was shown that LLE was effective
for extracting the features of rice. This is because that the
LLE algorithm can keep nonlinear features of the combined
electronic signals to reflect the difference between conventional
and hybrid rice in the volatile compound and chemical
composition, which can predict unknown samples more
accurately. SVM based on kernel mapping tries to find the
optimal hyperplane using support vectors to reflect the
implicit nonlinear relationship, so the classification ability
is better than that of linear classifier KNN, which obtained
5 % lower prediction accuracy by the combination of
electronic tongue and nose.

ผลลัพธ์ (ไทย) 2:

เท่าที่เห็นจากหลักการของการวิเคราะห์หลายตัวแปรวิธีการ (Teye et al. 2014) พวกเขามีบทบาทสำคัญในการวิเคราะห์สัญญาณอิเล็กทรอนิกส์จากข้าวชนิดที่แตกต่างกัน ดีความถูกต้องในชุดที่ได้รับการสอบเทียบกับ SVMand KNN แสดงให้เห็นว่ารูปแบบเหล่านี้มีประสิทธิภาพและวิทยาศาสตร์. อย่างไรก็ตามความแตกต่างในความถูกต้องของการทำนายที่กำหนดโดยรุ่นที่แตกต่างกันเป็นที่ค่อนข้างใหญ่ รุ่น PCA ตามที่มีการรวมกันของอิเล็กทรอนิกส์ลิ้นและจมูกมีความถูกต้องสูงกว่าของลิ้นอิเล็กทรอนิกส์เพียงอย่างเดียวแต่ต่ำกว่าที่ของอิเล็กทรอนิกส์จมูกเพียงอย่างเดียว ผลที่ได้นี้ชี้ให้เห็นว่าคุณสมบัติของเชิงเส้นสัญญาณอิเล็กทรอนิกส์รวมสกัดโดยวิธี PCA ไม่สามารถเพียงพอสะท้อนให้เห็นถึงความแตกต่างระหว่างการชุมนุมข้าวและไฮบริด ขั้นตอนวิธี PCA ถูกไม่เหมาะกับการประมวลผลข้อมูลอิเล็กทรอนิกส์ของการพัฒนาmultielectrode ลิ้นรวมกับจมูกอิเล็กทรอนิกส์ Multisensor รุ่น LLE ตามที่มีการรวมกันของอิเล็กทรอนิกส์ลิ้นและจมูกประสบความสำเร็จในความถูกต้องมากที่สุดเมื่อเทียบกับที่ของทั้งลิ้นอิเล็กทรอนิกส์หรือจมูกอิเล็กทรอนิกส์แสดงให้เห็นว่ารูปแบบLLE ตามได้ดีกว่ารุ่นPCA ตาม มันก็แสดงให้เห็นว่า LLE มีประสิทธิภาพสำหรับการสกัดคุณสมบัติของข้าว เพราะนี่คือว่าขั้นตอนวิธี LLE สามารถให้คุณสมบัติที่ไม่เป็นเชิงเส้นของรวมสัญญาณอิเล็กทรอนิกส์เพื่อสะท้อนให้เห็นถึงความแตกต่างระหว่างการชุมนุมข้าวและไฮบริดในบริเวณระเหยและสารเคมีองค์ประกอบซึ่งสามารถคาดการณ์ตัวอย่างที่ไม่รู้จักมากขึ้นได้อย่างถูกต้อง SVM อยู่บนพื้นฐานของการทำแผนที่เคอร์เนลพยายามที่จะหาไฮเปอร์เพลนที่ดีที่สุดโดยใช้เวกเตอร์การสนับสนุนเพื่อสะท้อนให้เห็นถึงความสัมพันธ์เชิงเส้นโดยปริยายดังนั้นความสามารถในการจัดหมวดหมู่เป็นดีกว่าที่ของลักษณนามKNN เชิงเส้นซึ่งได้รับ5% ต่ำกว่าการคาดการณ์ความถูกต้องโดยการรวมกันของลิ้นและจมูกอิเล็กทรอนิกส์

ผลลัพธ์ (ไทย) 3:

เท่าที่เห็นจากหลักการของตัวแปรหลายตัวการวิเคราะห์
วิธี ( teye et al . 2014 ) พวกเขามีบทบาทสำคัญในการวิเคราะห์สัญญาณอิเล็กทรอนิกส์
จากข้าวชนิดต่างๆ ในการสอบเทียบความถูกต้องดี

ชุดได้ svmand knn ระบุว่า โมเดลเหล่านี้มีประสิทธิภาพและวิทยาศาสตร์ .
อย่างไรก็ตามความแตกต่างในความถูกต้องของการคาดการณ์
ชุด โดยโมเดลที่แตกต่างกันค่อนข้างมาก
PCA ตามรูปแบบ ด้วยการรวมกันของลิ้นอิเล็กทรอนิกส์
จมูกและมีความถูกต้องสูงกว่า
อิเล็กทรอนิกส์ลิ้นอย่างเดียว แต่น้อยกว่าของอิเล็กทรอนิกส์
จมูกอย่างเดียว ซึ่งผลการศึกษาคุณลักษณะเชิงเส้นของ
รวมอิเล็กทรอนิกส์ สัญญาณที่สกัดโดยวิธี PCA
ไม่เพียงพอ สะท้อนให้เห็นถึงความแตกต่างระหว่างปกติ
ผสมข้าว วิธี PCA ได้เหมาะสมกับกระบวนการของการพัฒนาข้อมูล

multielectrode อิเล็กทรอนิกส์ลิ้นรวมกับจมูกอิเล็กทรอนิกส์ multisensor .
ที่ไหนตามรูปแบบกับการรวมกันของลิ้นและจมูกอิเล็กทรอนิกส์
บรรลุความถูกต้องสูงที่สุดเมื่อเทียบกับที่ของทั้งลิ้นอิเล็กทรอนิกส์

แสดงหรือจมูกอิเล็กทรอนิกส์ที่ที่ไหนตามรูปแบบดีกว่า
PCA ตามรุ่น มันแสดงให้เห็นว่าที่ไหนมีผล
สำหรับการสกัดคุณลักษณะของข้าว นี้เป็นเพราะว่า
ที่ไหนขั้นตอนวิธีสามารถเก็บเส้นคุณลักษณะของสัญญาณอิเล็กทรอนิกส์รวม
เพื่อสะท้อนให้เห็นถึงความแตกต่างระหว่างปกติ
และลูกผสมข้าวสารระเหย และองค์ประกอบทางเคมีซึ่งสามารถทำนาย

ไม่รู้จัก ตัวอย่างเพิ่มเติมถูกต้อง ตามแผนที่ของ SVM พยายามหา
ระนาบเกินเหมาะสมใช้เวกเตอร์สนับสนุนสะท้อน
โดยปริยาย เส้นความสัมพันธ์ ดังนั้นการจำแนกความสามารถ
ดีกว่าเส้นลักษณนาม knn ซึ่งได้รับ
ความถูกต้อง 5 ลดลงการพยากรณ์โดยการรวมกันของ
อิเล็กทรอนิกส์ลิ้นและจมูก