3.8. The comparison of the optimum

3.8. The comparison of the optimum R models and PLS models
The developed RBFNN models for monitoring glucose and pH have been optimized by selecting characteristic length variables, the number of hidden nodes, and the spread constants and efficacious pretreatment methods. The effica cious spectra pretreatment methods for glucose and pH were without the pretreatment method and SNV method, the num bers of the characteristic wavelengths were 62 and 71, the suitable numbers of hidden nodes were 19 and 28. and the optimum spread constants were 0.53000 and 0.13000, respec- tively. The optimum RBFNN models with the optimized parameters were used for determining the glucose concentra- tion and the pH values of all the samples and the results are shown in Fig. 6. The correlation coefficient of the calibration set(Re) and the prediction set(Rp) of the optimum RBFNN model for monitoring glucose and pH were over 0.9000. The comparison of capability parameters between the optimum PLS models and RBFNN models are shown in Table 3. As can be seen, the Re and RMSEP of RBFNN model for mon itoring the glucose were much better than those of the PLS model. The RMSEP of RBFNN model for monitoring pH was lower than that of the PLS model, meaning that RBFNN has a better predictive capability. It was suggested that the non-linear modeling method was better than linear

ผลลัพธ์ (ไทย) 1:

3.8. การเปรียบเทียบรุ่น R ที่เหมาะสมและรูปแบบกรุณา รุ่น RBFNN ที่พัฒนาสำหรับการตรวจสอบน้ำตาลกลูโคสและ pH ได้รับการเพิ่มประสิทธิภาพ โดยการเลือกตัวแปรความยาวลักษณะ หมายเลขของโหนที่ซ่อนอยู่ และคงแพร่กระจาย และวิธีบ็อช pretreatment Effica cious แรมสเป็คตรา pretreatment วิธี pH และกลูโคสได้ โดยวิธีการ pretreatment และวิธี SNV, bers num ของความยาวคลื่นลักษณะคำ 62 71 หมายเลขที่เหมาะสมของซ่อนโหนได้ 19 และ 28 และค่าคงที่ที่เหมาะสมกระจาย 0.53000 และ 0.13000, respec-tively รุ่น RBFNN เหมาะสมกับพารามิเตอร์ให้เหมาะใช้สำหรับกำหนด concentra กลูโคสสเตรชันและค่า pH ของตัวอย่างทั้งหมด และแสดงผลลัพธ์ใน Fig. 6 สัมประสิทธิ์สหสัมพันธ์ของ set(Re) ปรับเทียบและ set(Rp) การพยากรณ์ของแบบจำลอง RBFNN เหมาะสมสำหรับการตรวจสอบน้ำตาลกลูโคสและ pH มีกว่า 0.9000 การเปรียบเทียบความสามารถพารามิเตอร์เหมาะสมกรุณารุ่นและรุ่น RBFNN จะแสดงในตาราง 3 สามารถมองเห็น Re และ RMSEP RBFNN รุ่นสำหรับจันทร์ itoring น้ำตาลกลูโคสได้ดีกว่ารุ่นกรุณา รุ่น RMSEP RBFNN สำหรับตรวจสอบค่า pH ที่ต่ำกว่ารุ่นกรุณา ความหมาย ว่า RBFNN ได้ดีกว่าคาดการณ์ความสามารถได้ เขาแนะนำว่า วิธีการสร้างแบบจำลองไม่เชิงเส้นได้ดีกว่าเส้น

ผลลัพธ์ (ไทย) 2:

3.8 เปรียบเทียบรุ่น R ที่เหมาะสมและรูปแบบ PLS
พัฒนารุ่น RBFNN กลูโคสตรวจสอบและพีเอชได้รับการปรับปรุงโดยการเลือกตัวแปรระยะเวลาในลักษณะจำนวนโหนดที่ซ่อนอยู่และค่าคงที่การแพร่กระจายและวิธีการปรับสภาพประสิทธิภาพ effica สเปกตรัมวิธีการปรับสภาพ cious สำหรับกลูโคสและค่า pH ได้โดยไม่ต้องใช้วิธีการปรับสภาพและวิธีการ SNV, Bers NUM ความยาวคลื่นลักษณะเป็น 62 และ 71 ตัวเลขที่เหมาะสมของโหนดที่ซ่อนอยู่ที่ 19 และ 28 และค่าคงที่การแพร่กระจายที่เหมาะสมคือ 0.53000 และ 0.13000, ตามลำดับ รุ่น RBFNN ที่เหมาะสมกับพารามิเตอร์ที่ดีที่สุดถูกนำมาใช้ในการพิจารณาการเข้มข้นกลูโคสและค่าพีเอชของกลุ่มตัวอย่างทั้งหมดและผลจะแสดงในรูป 6. ค่าสัมประสิทธิ์สหสัมพันธ์ของการตั้งค่าการสอบเทียบ (Re) และชุดคำทำนาย (รูเปียห์) ของรูปแบบที่เหมาะสมสำหรับ RBFNN น้ำตาลในการตรวจสอบและค่า pH มากกว่า 0.9000 การเปรียบเทียบความสามารถของพารามิเตอร์ที่เหมาะสมระหว่างรุ่น PLS และรูปแบบ RBFNN จะแสดงในตารางที่ 3 ที่สามารถเห็นได้ในเรื่องและ RMSEP ของรูปแบบสำหรับ RBFNN จันทร์ itoring น้ำตาลมีมากดีกว่ารูปแบบ PLS RMSEP ของรูปแบบ RBFNN สำหรับการตรวจสอบค่า pH ต่ำกว่าของรูปแบบ PLS หมายความว่า RBFNN มีความสามารถที่ดีกว่าการคาดการณ์ มันก็บอกว่าวิธีการสร้างแบบจำลองที่ไม่ใช่เชิงเส้นก็ยังดีกว่าการเชิงเส้น