Wherenis the number of data point u

Wherenis the number of data point used in deriving the
regression equation,Si
is the signal ofith sensor,Fis the value
F-test of significance andpis the significance level of the equation.
Table 2shows the correlation coefficient, SEC and SEP for
quality indices predicted for “xueqing” pear from calibration
set and prediction set. The correlations of calibration model
of CF, SSC for pears were higher as 0.94, 0.92 with the standard
error of calibration of 3.09, 0.46, respectively. In the case of the
pH, there was a poor correlation 0.53 for calibration samples.
When the models were used to predict the 25 samples of the
data for pears, prediction results were also higher correction
(r= 0.93, 0.86), standard error of prediction of 3.13, 0.50 for CF,
SSC, a poor correlation was 0.43 for pH.Figs. 5a–7ashowed the
prediction ability of the electronic nose, where each square
represents the predicted values versus the real value of each
measurement. The figures illustrate a strong linear correlation
between the signals of sensors and the CF and SSC of quality
indices, indicating that the responses of sensors were linearly
correlated with CF and SSC. There was a very poor correlation
for the acidity because there were less changes of the pear pH
during later three weeks, however the signals of sensors were
different with respect to pear ripeness in 3 weeks.
3.3.2. ANN analysis
A standard procedure in back-propagation ANN analysis is
the training of the network by using a set of data (consist-ing of input variables and target output), that, by means of
iterative minimization of the prediction error, allows to optimise the adjustable parameters of the network (the weights
and the biases). The same data of MLR are employed: A for
calibration set, used to develop the calibration models (125
pears, 25 for each picking date) and the remaining samples
of the population were used for prediction set (25 pears, 5
for each picking date). The artificial neural network chose
Fig. 7 – Comparison of the measured pH values with the predicted ones from the MLR and ANN models for the prediction
set.
a tan-sigmoid transfer function in the hidden layers and a
pureline transfer function in the output layer. The min training rate was 0.01, momentum factor was 0.6 and parameter
SIGMOID was 0.9 for the artificial neural network. The architecture of the artificial neural network chosen was 8×17×5
three-layer back-propagation according to Kolmogorov’s theorem, hereinto, eight is the num of input neurons, five picking
date indices as target output, respectively.

ผลลัพธ์ (ไทย) 1:

Wherenis จำนวนของจุดข้อมูลที่ใช้ในบริษัทฯสมการถดถอย ศรีคือเซ็นเซอร์สัญญาณ ofith, Fis ค่าF-ทดสอบความสำคัญ andpis ระดับนัยสำคัญของสมการตาราง 2shows สัมประสิทธิ์สหสัมพันธ์ วินาทีและ SEP สำหรับคาดว่า สำหรับลูกแพร์ "xueqing" จากเทียบดัชนีคุณภาพชุดและทำนายได้ ความสัมพันธ์ของการปรับเทียบแบบจำลองCF, SSC สำหรับแพร์มีสูงขึ้นเป็น 0.94, 0.92 มาตรฐานข้อผิดพลาดของการปรับเทียบ 3.09, 0.46 ตามลำดับ ในกรณีของการpH มีความสัมพันธ์ดี 0.53 ตัวอย่างเทียบเมื่อใช้แบบจำลองเพื่อทำนายตัวอย่าง 25แพร์ ทำนายผลลัพธ์ข้อมูลแนะนำการแก้ไขสูง(r = 0.93, 0.86), ข้อผิดพลาดมาตรฐานของการคาดการณ์ของ 3.13, 0.50 สำหรับ CFSSC ความสัมพันธ์ดีขึ้น 0.43 สำหรับ pH.Figs ของ 5a – 7ashowedความสามารถในการคาดเดาของจมูกอิเล็กทรอนิกส์ ซึ่งแต่ละตารางแสดงค่าคาดการณ์เมื่อเทียบกับมูลค่าแท้จริงของแต่ละวัด ตัวเลขแสดงให้เห็นถึงความสัมพันธ์เชิงเส้นแข็งแรงระหว่างสัญญาณของเซนเซอร์ และ CF และ SSC คุณภาพดัชนี การบ่งชี้ว่า การตอบสนองของเซนเซอร์ไม่เชิงเส้นcorrelated กับ CF SSC มีความสัมพันธ์ที่ดีมากสำหรับที่ว่าเนื่องจากมีน้อยกว่าการเปลี่ยนแปลงของ pH ลูกแพร์ในช่วงหลังจากสามสัปดาห์ อย่างไรก็ตามสัญญาณของเซนเซอร์ได้แตกต่างกับลูกแพร์ ripeness ใน 3 สัปดาห์3.3.2. แอนวิเคราะห์ขั้นตอนมาตรฐานในการวิเคราะห์การเผยแพร่หลังแอนการฝึกอบรมของเครือข่ายโดยใช้ชุดของข้อมูล (ประกอบด้วย-ing ของตัวแปรที่ป้อนเข้าและผลผลิตเป้าหมาย), ที่ โดยหมายถึงลดภาระซ้ำข้อผิดพลาดการทำนาย ช่วยให้การอินพุทพารามิเตอร์การปรับเครือข่าย (น้ำหนักกยอม) พนักงานข้อมูลเดียวกันของ MLR: A สำหรับเทียบชุด ใช้ในการพัฒนารูปแบบการปรับเทียบ (125แพร์ 25 แต่ละวันรับ) และตัวอย่างที่เหลือประชากรใช้สำหรับทำนายชุด (25 แพร์ 5แต่ละวันรับ) เลือกโครงข่ายประสาทเทียมFig. 7 – เปรียบเทียบการวัดค่า pH ของน้ำมีคนคาดการณ์จากแบบจำลอง MLR และแอนสำหรับคำทำนายตั้งค่าฟังก์ชันโอนย้ายตาล sigmoid ในชั้นซ่อนและฟังก์ชันถ่ายโอน pureline ในชั้นออก อัตราการฝึกอบรมขั้นต่ำ 0.01 สัดส่วนของโมเมนตัมเป็น 0.6 และพารามิเตอร์SIGMOID มี 0.9 สำหรับเครือข่ายประสาทเทียม สถาปัตยกรรมของเครือข่ายประสาทเทียมเลือกได้ 8 × 17 × 53 ชั้นหลังเผยแพร่ตามทฤษฎีบทของฟ hereinto, 8 เป็นเลขของ neurons อินพุต ห้ารับวันดัชนีเป้าหมายผลผลิต ตามลำดับ

ผลลัพธ์ (ไทย) 2:

Wherenis
จำนวนจุดข้อมูลที่ใช้ในการสืบสมการถดถอยศรีสัญญาณ
ofith เซ็นเซอร์ Fis ค่า
F-การทดสอบอย่างมีนัยสำคัญ andpis ระดับความสำคัญของสม.
ตาราง 2shows ค่าสัมประสิทธิ์สหสัมพันธ์ที่สำนักงานคณะกรรมการ ก.ล.ต.
และกันยายนสำหรับดัชนีคุณภาพคาดการณ์ไว้สำหรับ"xueqing"
ลูกแพร์จากการสอบเทียบชุดและชุดคำทำนาย ความสัมพันธ์ของรูปแบบการสอบเทียบของ CF, SSC สำหรับลูกแพร์ที่สูงขึ้นเป็น 0.94, 0.92 ตามมาตรฐานข้อผิดพลาดของการสอบเทียบ3.09, 0.46 ตามลำดับ ในกรณีของพีเอชมีความสัมพันธ์ที่ไม่ดี 0.53 สำหรับตัวอย่างการสอบเทียบ. เมื่อรุ่นที่ถูกนำมาใช้ในการทำนาย 25 ตัวอย่างของข้อมูลสำหรับลูกแพร์ผลการทำนายนั้นยังมีการแก้ไขที่สูงขึ้น(r = 0.93, 0.86) ข้อผิดพลาดมาตรฐานของ ทำนาย 3.13, 0.50 สำหรับ CF, SSC, ความสัมพันธ์ที่ไม่ดีเป็น 0.43 สำหรับ pH.Figs 5a-7ashowed ความสามารถในการคาดการณ์ของจมูกอิเล็กทรอนิกส์ที่แต่ละตารางแสดงให้เห็นถึงค่าที่คาดการณ์ไว้เมื่อเทียบกับมูลค่าที่แท้จริงของแต่ละวัด ตัวเลขที่แสดงให้เห็นถึงความสัมพันธ์เชิงเส้นที่แข็งแกร่งระหว่างสัญญาณของเซ็นเซอร์และ CF และเอสเอสที่มีคุณภาพดัชนีแสดงให้เห็นว่าการตอบสนองของเซ็นเซอร์ถูกเส้นตรงมีความสัมพันธ์กับCF และเอสเอส มีความสัมพันธ์ที่ดีมากสำหรับความเป็นกรดเพราะมีการเปลี่ยนแปลงค่า pH น้อยกว่าของลูกแพร์ในช่วงต่อมาสามสัปดาห์แต่สัญญาณของเซ็นเซอร์มีที่แตกต่างกันเกี่ยวกับการสุกลูกแพร์ใน 3 สัปดาห์. 3.3.2 การวิเคราะห์ ANN ขั้นตอนมาตรฐานในการกลับมาขยายพันธุ์การวิเคราะห์ ANN คือการฝึกอบรมของเครือข่ายโดยใช้ชุดของข้อมูล(ประกอบด้วยไอเอ็นจีของตัวแปร input และ output เป้าหมาย) ที่โดยใช้วิธีการลดซ้ำความผิดพลาดของการคาดการณ์ที่จะช่วยให้การเพิ่มประสิทธิภาพปรับพารามิเตอร์ของเครือข่าย (น้ำหนักและอคติ) ข้อมูลเดียวกันของอัตราดอกเบี้ย MLR มีการจ้างงาน: สำหรับชุดการสอบเทียบการใช้ในการพัฒนารูปแบบการสอบเทียบ(125 ลูกแพร์, 25 สำหรับทุกวันที่เลือก) และกลุ่มตัวอย่างที่เหลืออยู่ของประชากรที่ถูกนำมาใช้สำหรับการตั้งค่าการทำนาย(25 ลูกแพร์, 5 สำหรับแต่ละวันเลือก ) เครือข่ายประสาทเทียมเลือกรูป 7 - การเปรียบเทียบค่า pH วัดกับคนที่คาดการณ์ไว้จากรุ่น MLR และ ANN สำหรับการทำนาย. ชุดฟังก์ชั่นการถ่ายโอนสีน้ำตาล-sigmoid ในชั้นที่ซ่อนอยู่และฟังก์ชั่นการถ่ายโอนPureline ในชั้นการส่งออก นาทีอัตราการฝึกอบรมเป็น 0.01, ปัจจัยที่เป็นแรงผลักดันที่ 0.6 และพารามิเตอร์sigmoid เป็น 0.9 สำหรับเครือข่ายประสาทเทียม สถาปัตยกรรมของเครือข่ายประสาทเทียมได้รับการแต่งตั้งเป็น 8 × 17 × 5 สามชั้นหลังการขยายพันธุ์ตามทฤษฎีบท Kolmogorov ของ hereinto แปดเป็น NUM ของเซลล์ประสาทใส่ห้ายกดัชนีวันที่เป็นเป้าหมายการส่งออกตามลำดับ

ผลลัพธ์ (ไทย) 3:

wherenis จำนวนจุดข้อมูลที่ใช้ในการอนุพันธ์สมการถดถอยศรี

, เป็นสัญญาณที่ ofith เซ็นเซอร์ ปรับค่า
andpis F-test ผลการศึกษาพบว่าระดับของสมการ .
โต๊ะ 2shows สัมประสิทธิ์สหสัมพันธ์ , SEC และกันยายนสำหรับ
ดัชนีคุณภาพทำนายสำหรับ " Xueqing " ลูกแพร์จากชุดสอบเทียบ
และการคาดการณ์ชุด . ความสัมพันธ์ของการสอบเทียบแบบจำลอง
ของโฆษณาSSC สำหรับแพร์สูงขึ้นเป็น 0.94 0.92 กับความคลาดเคลื่อนมาตรฐานของการประมาณ
0.46 ตามลำดับ ในกรณีของ
M มีคนจน ( 0.53 สำหรับตัวอย่างการสอบเทียบ .
เมื่อโมเดลทำนาย 25 ตัวอย่างของ
ข้อมูลสำหรับแพร์ ผลการทำนายก็
แก้ไขสูงกว่า ( r = 0.93 , 0.86 ) ค่าความคลาดเคลื่อนมาตรฐานของการพยากรณ์ 3.13 0.50
SSC สำหรับโฆษณา ,ความสัมพันธ์ที่น่าสงสารเป็น 0.43 สำหรับ ph.figs . 7ashowed
5a และความสามารถในการทำนายของจมูกอิเล็กทรอนิกส์ ซึ่งแต่ละตาราง
หมายถึงค่าพยากรณ์เมื่อเทียบกับมูลค่าที่แท้จริงของแต่ละ
การวัด ตัวเลขที่แสดงให้เห็นถึงแข็งแรงมีสหสัมพันธ์เชิงเส้นตรง
ระหว่างสัญญาณของเซ็นเซอร์ และโฆษณา และ SSC ดัชนีคุณภาพ
แสดงว่าการตอบสนองของเซ็นเซอร์เป็นเส้นตรง
มีความสัมพันธ์กับโฆษณา และ SSC .มีความสัมพันธ์ที่ดีมากสำหรับเม
เพราะมีการเปลี่ยนแปลงน้อยของลูกแพร์ในช่วง pH
ต่อมาสามสัปดาห์ แต่สัญญาณจากเซนเซอร์ต่างๆ ด้วยความเคารพ
ลูกแพร์สุกใน 3 สัปดาห์ .
3.3.2 . การวิเคราะห์แอน
ขั้นตอนมาตรฐานในการวิเคราะห์ back-propagation แอน
การฝึกอบรมเครือข่ายโดยใช้ชุดข้อมูล ( ประกอบด้วยอิงตัวแปรอินพุตและเอาต์พุตเป้าหมาย ) , ที่โดย
ลดซ้ำของการทำนายผิดพลาด ให้เลือกปรับพารามิเตอร์ของเครือข่าย ( น้ำหนัก
และอคติ ) ข้อมูลเดียวกันจะใช้สำหรับการสอบเทียบสำหรับ
: ชุด ที่ใช้ในการพัฒนารูปแบบการสอบเทียบ ( 125
แพร์ 25 สำหรับแต่ละเลือกวันที่ ) และอีกอย่าง
ของประชากรที่ใช้คือชุดพยากรณ์ ( 25 ลูกแพร์ , 5
สำหรับแต่ละเลือกวันที่ )โครงข่ายประสาทเทียมเลือก
รูปที่ 7 - การเปรียบเทียบการวัดค่า pH กับคาดการณ์ที่ MLR และแอนจากแบบจำลองเพื่อทำนาย

tan แบบชุด โอนหน้าที่ในชั้นซ่อนและ
เพียว ไลน์ฟังก์ชันถ่ายโอนในการแสดงผลชั้น มินการฝึกอบรมอัตรา 0.01 ปัจจัยโมเมนตัมคือ 0.6 และพารามิเตอร์
sigmoid 0.90 สำหรับโครงข่ายประสาทเทียมสถาปัตยกรรมของโครงข่ายประสาทเทียมเลือกได้ 8 17 ×× 5
สามชั้น back-propagation ตามทฤษฎีบทของแอนเดอร์สัน , hereinto แปดเป็นหนุ่มประสาทเข้าห้ารับ
ดัชนีวันที่เป็นผลลัพธ์เป้าหมายตามลำดับ