Two critical parameters for LLE alg

Two critical parameters for LLE algorithm need to be
identified. One is the number of neighbors k and the other is
the number of reduction dimension d. Parameter k refers to the
number of the K-nearest neighbors, which is the only free
parameter of LLE algorithm. The k value should be neither
too big nor too small. The other parameter d will affect
discrimination classification results. Considering with values
from electronic nose and principal components, d value was
identified as d=3 in this study.
Theory of SVM
SVM is a classifier method developed by Cortes and Vapnik
(1995) for performing classification tasks. It functions by
constructing hyperplanes in a multidimensional space that
separates cases of different class labels. The transformation
into higher-dimensional space is implemented by a kernel
function (Thissen 2004). Generally, there are three classical
kernel functions: polynomial function, radial basis function
(RBF), and sigmoid kernel function. RBF kernel function is
often the optimal choice without the guidance from those prior
experiences. Therefore, only RBF kernel function was
attempted in this study. To obtain a good performance, the
kernel parameter c and regularization parameter g in SVM
model should be optimized. In this study, c=2−10, 2−9,…, 29,
210, respectively, and g=2−10, 2−9, …, 29, 210, respectively,
were attempted.
Theory of KNN
KNN first described by Fix and Hodges (1951) is a machine
learning technique based on linear supervised pattern recognition
that has proved to be successful in many applications.
An unknown sample in prediction set is classified according
to the majority of its K nearest neighbors in the training set.
An appropriate value of K has a great influence on the accuracy
of KNN model, and the optimal parameter K value is
determined by cross-validation in KNN model calibration.
The value of parameter K (i.e., 3, 5, 7, 9, 11) were sequentially
optimized to obtain an optimum model.
Statistical Software
All statistical analyses were carried out in MATLAB software
version 2011b.
Results
Chemical Analysis
The conventional and hybrid rice samples displayed great
variability for these chemical parameters. The average HRY
of conventional rice was 3 % larger than hybrid one. The
average GCs of conventional and hybrid rice were 81.4 and
74.5 %, respectively. The average ACs of two types rice were
15.7 and 18.4 %, respectively.
Dimension Reduction by PCA
PCA used for the data from electronic tongue and nose was
performed. In the part of electronic tongue (Fig. 4a), the first
component (PC1), the second component (PC2), and the third
component (PC3) contributed 40.4, 19.0, and 11.3%of the total
variance, respectively. Figure 4c shows the PCA results from
electronic nose, where PC1, PC2, and PC3 contributed 57.9,
15.9, and 13.4 % of the total variance, respectively. It was
obvious that neither the electronic tongue nor the electronic
nose can clearly classify two types of rice just by PCA, although
two types of rice were distributed widely on PCA score plots.

ผลลัพธ์ (ไทย) 1:

ต้องมีสองพารามิเตอร์ที่สำคัญในอัลกอริทึม LLEระบุ หนึ่งเป็นจำนวน k เพื่อนบ้าน และอื่น ๆหมายถึงจำนวนลดขนาด d. k พารามิเตอร์จำนวนบ้าน K ใกล้ ที่ฟรีเท่านั้นพารามิเตอร์ของอัลกอริทึม LLE ค่า k จะไม่ใหญ่เกินไป หรือเล็กเกินไป จะมีผลต่อ d พารามิเตอร์อื่น ๆแบ่งแยกประเภทผล พิจารณาค่าจมูกอิเล็กทรอนิกส์และส่วนประกอบหลัก มีค่า dระบุเป็น d = 3 ในการศึกษานี้ทฤษฎีของ SVMSVM คือ วิธี classifier พัฒนา โดยสคอทส์และ Vapnik(1995) สำหรับการดำเนินงานการจัดประเภทการ ฟังก์ชันโดยสร้าง hyperplanes ในมีหลายพื้นที่ที่แยกกรณีป้ายชื่อคลา การแปลงในพื้นที่สูงมิติจะดำเนินการ โดยเคอร์เนลฟังก์ชัน (Thissen 2004) โดยทั่วไป มีสามคลาสสิกฟังก์ชันเคอร์เนล: พหุนามฟังก์ชัน ฟังก์ชันฐานรัศมี(RBF), และฟังก์ชันเคอร์เนล sigmoid ฟังก์ชันเคอร์เนล RBFมักจะเลือกสูงสุด โดยไม่มีการแนะนำจากผู้ที่ทราบประสบการณ์ ดังนั้น เฉพาะฟังก์ชันเคอร์เนล RBF ไม่ความพยายามในการศึกษานี้ เพื่อให้ได้ประสิทธิภาพที่ดี การเคอร์เนลพารามิเตอร์ c และ regularization พารามิเตอร์ g ใน SVMควรจะปรับรุ่น ในการศึกษานี้ c = 2−10, 2−9,..., 29210 ตาม ลำดับ และ g = 2−10, 2−9,..., 29, 210 ตามลำดับได้มีความพยายามทฤษฎีของ KNNKNN แรก อธิบายแก้ไขและ Hodges (1951) เป็นเครื่องเทคนิคการเรียนรู้ตามรูปแบบเชิงเส้นที่มีการรับรู้ที่ได้พิสูจน์ให้ประสบความสำเร็จในงานหลาย ๆตัวอย่างไม่รู้จักในการคาดเดาถูกจัดประเภทตามการส่วนใหญ่ของ K ใกล้บ้านในชุดฝึกอบรมค่า K ที่เหมาะสมมีอิทธิพลมากในความถูกต้องรุ่น KNN และพารามิเตอร์เหมาะสม K มีค่ากำหนด โดยข้ามการตรวจสอบในการปรับเทียบแบบจำลอง KNNค่าของพารามิเตอร์ K (เช่น 3, 5, 7, 9, 11) ได้ตามลำดับปรับให้เหมาะสมเพื่อให้ได้แบบจำลองที่เหมาะสมซอฟต์แวร์ทางสถิติสถิติวิเคราะห์ทั้งหมดถูกทำในซอฟต์แวร์ MATLABรุ่น 2011bผลลัพธ์เคมีวิเคราะห์ตัวอย่างข้าวธรรมดาและผสมแสดงดีสำหรับความผันผวนสำหรับพารามิเตอร์ทางเคมีเหล่านี้ HRY เฉลี่ยข้าวทั่วไปมี 3% ผสมหนึ่งมากกว่า ที่GCs เฉลี่ยของทั่วไปและข้าวไฮบริด 81.4 และ74.5% ตามลำดับ มีค่าเฉลี่ย ACs สองชนิดข้าว15.7 และ 18.4% ตามลำดับลดขนาด โดย PCAPCA ใช้สำหรับข้อมูลจากอิเล็กทรอนิกส์ลิ้น และจมูกได้ดำเนินการ ในส่วนของลิ้นอิเล็กทรอนิกส์ (Fig. 4a), แรกส่วนประกอบ (PC1), คอมโพเนนต์ที่สอง (PC2), และที่สามส่วนประกอบ (PC3) ส่วน 40.4, 19.0 และ 11.3%of รวมผลต่าง ตามลำดับ รูปที่ 4 c แสดงผลสมาคมจากจมูกอิเล็กทรอนิกส์ ที่ PC1, PC2 และ PC3 ส่วน 57.915.9 และร้อยละ 13.4 ของความแปรปรวนทั้งหมด ตามลำดับ มันเป็นชัดเจนที่ไม่ลิ้นอิเล็กทรอนิกส์หรืออิเล็กทรอนิกส์จมูกสามารถชัดเจนจัดประเภทสองชนิดของข้าวโดย PCA แม้ว่าข้าวสองชนิดมีกระจายอย่างกว้างขวางบนผืน PCA คะแนน

ผลลัพธ์ (ไทย) 2:

สองตัวแปรที่สำคัญสำหรับขั้นตอนวิธี LLE
จะต้องมีการระบุ หนึ่งคือจำนวนของเพื่อนบ้าน k และอื่น ๆ
เป็นจำนวนมิติลดง k
พารามิเตอร์หมายถึงจำนวนของเพื่อนบ้านที่ใกล้ที่สุดK-ซึ่งเป็นฟรีเท่านั้นพารามิเตอร์ของขั้นตอนวิธี LLE
ค่า k
ควรจะไม่ใหญ่เกินไปหรือเล็กเกินไป งพารามิเตอร์อื่น ๆ
จะส่งผลกระทบต่อผลการจัดหมวดหมู่ของการเลือกปฏิบัติ พิจารณาที่มีค่าจากจมูกอิเล็กทรอนิกส์และส่วนประกอบที่สำคัญค่างได้รับการระบุว่าเป็นd = 3 ในการศึกษานี้. ทฤษฎี SVM SVM เป็นวิธีการจําแนกที่พัฒนาโดยคอร์เทสและ Vapnik (1995) สำหรับการดำเนินงานการจัดหมวดหมู่ มันทำงานโดยการสร้าง hyperplanes ในพื้นที่หลายมิติที่แยกกรณีของป้ายระดับที่แตกต่างกัน การเปลี่ยนแปลงลงในช่องว่างมิติที่สูงขึ้นจะดำเนินการโดยเคอร์เนลฟังก์ชั่น(THISSEN 2004) โดยทั่วไปมีสามคลาสสิกฟังก์ชั่นเคอร์เนล: ฟังก์ชันพหุนาม, ฟังก์ชั่นพื้นฐานรัศมี (RBF) และฟังก์ชันเคอร์เนล sigmoid RBF ฟังก์ชันเคอร์เนลคือมักจะเลือกที่ดีที่สุดโดยไม่มีคำแนะนำจากผู้ที่ก่อนประสบการณ์ ดังนั้นเฉพาะฟังก์ชันเคอร์เนล RBF ได้พยายามในการศึกษานี้ ที่จะได้รับผลงานที่ดีที่เคอร์เนลพารามิเตอร์คและ regularization พารามิเตอร์กรัม SVM ในรูปแบบที่ควรจะเพิ่มประสิทธิภาพ ในการศึกษานี้ c = 2-10, 2-9, ... , 29, 210 ตามลำดับและ g = 2-10, 2-9, ... , 29, 210 ตามลำดับถูกพยายาม. ทฤษฎี KNN KNN ครั้งแรก โดยการแก้ไขปัญหาและฮอดจ์ส (1951) เป็นเครื่องที่ใช้เทคนิคการเรียนรู้บนพื้นฐานของการจดจำรูปแบบภายใต้การดูแลเชิงเส้นที่มีการพิสูจน์แล้วว่าประสบความสำเร็จในการใช้งานมาก. ตัวอย่างที่ไม่รู้จักอยู่ในชุดทำนายจำแนกตามส่วนใหญ่ของประเทศเพื่อนบ้านที่ใกล้ที่สุด K อยู่ในชุดฝึกอบรม มูลค่าที่เหมาะสมของ K มีอิทธิพลอย่างมากกับความถูกต้องของรูปแบบKNN และพารามิเตอร์ที่เหมาะสมค่า K ที่ถูกกำหนดโดยการตรวจสอบข้ามในการสอบเทียบรุ่นKNN. ค่าของพารามิเตอร์ K (เช่น 3, 5, 7, 9, 11 ) เป็นลำดับที่ดีที่สุดที่จะได้รับรูปแบบที่เหมาะสม. ซอฟท์แวสถิติวิเคราะห์ทางสถิติทั้งหมดได้ดำเนินการในซอฟต์แวร์ MATLAB รุ่น 2011b. ผลการวิเคราะห์ทางเคมีธรรมดาและไฮบริดตัวอย่างข้าวที่ดีแสดงความแปรปรวนสำหรับพารามิเตอร์สารเคมีเหล่านี้ เกมส์เฉลี่ยของข้าวธรรมดาเป็น 3% มีขนาดใหญ่กว่าหนึ่งไฮบริด GCs เฉลี่ยของข้าวธรรมดาและไฮบริดเป็น 81.4 และ74.5% ตามลำดับ เอซีเอสเฉลี่ยของข้าวทั้งสองประเภทเป็น15.7 และ 18.4% ตามลำดับ. ลดขนาดโดย PCA PCA ใช้สำหรับข้อมูลจากลิ้นและจมูกอิเล็กทรอนิกส์ได้รับการดำเนินการ ในส่วนของลิ้นอิเล็กทรอนิกส์ (รูป. 4a) เป็นครั้งแรกส่วนประกอบ(PC1) องค์ประกอบที่สอง (PC2) และคนที่สามองค์ประกอบ(PC3) มีส่วน 40.4, 19.0 และ 11.3% ของทั้งหมดแปรปรวนตามลำดับ 4c รูปที่แสดงให้เห็นถึงผลการ PCA จากจมูกอิเล็กทรอนิกส์ที่PC1, PC2 และ PC3 มีส่วน 57.9, 15.9 และ 13.4% ของความแปรปรวนรวมตามลำดับ มันเป็นที่ชัดเจนว่าทั้งลิ้นอิเล็กทรอนิกส์หรืออิเล็กทรอนิกส์จมูกอย่างชัดเจนสามารถแบ่งสองประเภทของข้าวเพียงแค่PCA แม้ว่าทั้งสองประเภทของข้าวกระจายอย่างกว้างขวางในPCA แปลงคะแนน

ผลลัพธ์ (ไทย) 3:

สองพารามิเตอร์ที่สำคัญสำหรับขั้นตอนวิธีที่ไหนต้อง
ระบุ หนึ่งคือจำนวนเพื่อนบ้าน K และอื่น ๆ จำนวนของการลดมิติ D .

ค่า K หมายถึงจำนวนเพื่อนบ้านละ ซึ่งเป็นเพียงฟรี
พารามิเตอร์อัลกอริทึมที่ไหน . ส่วนค่า K จะไม่
ใหญ่เกินไป หรือ เล็กเกินไป . อื่น ๆค่า D จะมีผลต่อ
จำแนกหมวดหมู่ผลลัพธ์พิจารณาด้วยค่า
จากจมูกอิเล็กทรอนิกส์และส่วนประกอบหลัก , D มีค่าเท่ากับ
ระบุเป็น D = 3 ในการศึกษาทฤษฎี SVM

SVM เป็นลักษณนาม ) และพัฒนาโดย Cortes vapnik
( 1995 ) สำหรับงานประเภท . ฟังก์ชัน โดยสร้างในพื้นที่ hyperplanes

หลายมิติที่แยกกรณีของป้ายห้องที่แตกต่างกัน การเปลี่ยนแปลง
ในมิติที่สูงขึ้นจะใช้เคอร์เนล
ฟังก์ชัน ( ทีสั้น 2004 ) โดยทั่วไปมี 3 ฟังก์ชันเคอร์เนลฟังก์ชันพหุนามคลาสสิก
: รัศมีพื้นฐานการทำงาน
( RBF ) , และการทำงานในลักษณะเป็นแบบ ฟังก์ชันเคอร์เนลฐานคือ
มักจะเหมาะสมเลือกโดยไม่มีคำแนะนำจากประสบการณ์ก่อน
. ดังนั้นฟังก์ชันเคอร์เนลฐานเดียวคือ
พยายามในการศึกษานี้เพื่อให้ได้ประสิทธิภาพที่ดี และค่าพารามิเตอร์ c
เคอร์เนล regularization G แบบ SVM
ควรปรับให้เหมาะสม ในการศึกษานี้ , C = 2 − 10 2 − 9 , . . . , 29 ,
210 ตามลำดับ และ g = 10 − 2 , − 2 , 9 . . . . . . . , 29 , 210 )

พยายาม . ทฤษฎีของ knn
knn รายงานครั้งแรกโดยการแก้ไขและเจส ( 2494 ) เป็นเครื่อง เทคนิคการเรียนรู้ที่ยึดเส้น

ดูแลการจดจำรูปแบบที่ได้พิสูจน์แล้วว่าประสบความสำเร็จในการใช้งานมาก ตัวอย่างที่ไม่รู้จักในชุด

เพื่อการทำนายนี้แบ่งตามเพื่อนบ้านที่ใกล้ที่สุดส่วนใหญ่ของ K ในการตั้งค่าเป็นค่าที่เหมาะสมของ K .
ที่มีอิทธิพลมากในความถูกต้อง
รูปแบบ knn และพารามิเตอร์ที่กำหนดโดยค่า K
ข้ามการตรวจสอบในรูปแบบการสอบเทียบ knn .
ค่าของพารามิเตอร์ K ( เช่น 3 , 5 , 7 , 911 ) มีความสามารถปรับเพื่อให้ได้แบบที่เหมาะสม

.
ซอฟต์แวร์ทางสถิติการวิเคราะห์ทางสถิติทั้งหมดที่ได้ดำเนินการในโปรแกรมซอฟต์แวร์รุ่น 2011b



ผลวิเคราะห์เคมีแบบดั้งเดิมและลูกผสมตัวอย่างข้าวแสดงดี
แปรปรวนพารามิเตอร์สำหรับสารเคมีเหล่านี้ เฉลี่ย !
ข้าวปกติ 3 % กว่า ไฮบริด 1
ระดับเฉลี่ยของข้าวลูกผสม คือ ธรรมดาและเป็นและ
74.5 ตามลำดับ เอซีเอสเฉลี่ยสองชนิดข้าว และค่าบริการ
15.7 ล้านบาท ลดลงโดย PCA

ขนาดถูกใช้สำหรับข้อมูลอิเล็กทรอนิกส์ลิ้นและจมูกถูก
แสดง ในส่วนของลิ้นอิเล็กทรอนิกส์ ( รูปที่ 4 ) , ส่วนประกอบแรก
( PC ) , องค์ประกอบที่สอง ( pc2 ) และองค์ประกอบที่ 3
( ด้วย ) ส่วนความเกิน , ,และ ร้อยละ 11.3 จากทั้งหมด
แปรปรวน ตามลำดับ รูปที่ 4 ซีแสดง PCA ผลลัพธ์จาก
จมูกอิเล็กทรอนิกส์ที่ PC pc2 และสนับสนุนโครงการด้วย , , ,
15.9 และร้อยละ 13.4 ของความแปรปรวนทั้งหมด ตามลำดับ มันเห็นได้ชัดว่าทั้งอิเล็กทรอนิกส์
ลิ้นและจมูกอิเล็กทรอนิกส์
ชัดเจนสามารถแบ่งสองประเภทของข้าว โดยในปัจจุบัน ถึงแม้ว่า
สองชนิดของข้าวมีการกระจายอย่างกว้างขวางใน PCA คะแนนแปลง