3.4.2. Step 2Parameter optimization

3.4.2. Step 2
Parameter optimization by PSO. In the optimized parameter
region for classification, PSO algorithm is use to find the optimal
parameters due to its characteristics of fast multi-peak searching
and dynamic optimization. The number of particles is set as 25,
and the position of each particle is initialized as the center of optimized
region. Additionally, to avoid the problem of overfitting, the
parameter (c, g), with which the corresponding model has the
highest classification accuracy and the smallest number of support
vectors, is selected as the optimal one. After 10,000 iterations, the
optimal parameters are obtained with the values of c = 34.3 and
g = 0.0947, and the corresponding classification accuracy is 100%
with 23 support vectors. This result indicates that the SVM classification
is capable to discriminate between authentic sesame oils
and adulterated sesame oils and the detection limit for authentication
is estimated as low as 5% in mixing ratio. In other words, SVM
model and gas chromatography provide a promising recipe as a
detection method for adulterated sesame oil.
In the classification (identification) phase as shown in Fig. 5,
total of the adulterated sesame oil samples are randomly split into
two sets, one used as calibration set including 580 samples and the
other with 160 adulterated sesame oils used as validation set (randomly
selected from each class according to the ratio 8/37). Here,
the discrimination of five kinds of mixed oils are also tried to be
done using SVM model with RBF kernel. Through the two-step
parameter optimization, the optimal parameters are determined
with the values of c = 137.2 and g = 0.0583, and the number of support
vectors is 75 (only 12.7% of total samples in calibration set).
With this SVM classification model, the correct predictions are
obtained for the 160 samples, i.e. 100%. These results show that
the SVM classification can further identify which kind of vegetable
oil is adulterated with the sesame oil.

ผลลัพธ์ (ไทย) 1:

3.4.2 การขั้นตอนที่ 2ปรับค่าพารามิเตอร์ โดย PSO ในพารามิเตอร์ให้เหมาะภูมิภาคสำหรับการจัดประเภท PSO อัลกอริทึมการค้นหาดีที่สุดพารามิเตอร์เนื่องจากลักษณะของการค้นหาอย่างรวดเร็วหลายช่วงและปรับแบบไดนามิก จำนวนอนุภาคถูกตั้งค่าเป็น 25และตำแหน่งของแต่ละอนุภาคจะเริ่มต้นเป็นการเพิ่มประสิทธิภาพภูมิภาคที่ นอกจากนี้ เพื่อหลีกเลี่ยงปัญหา overfitting การพารามิเตอร์ (c, g), ซึ่งรูปแบบที่สอดคล้องกันมีการจัดประเภทความแม่นยำที่สูงสุดและจำนวนการสนับสนุนน้อยที่สุดเวกเตอร์ เลือกเป็นหนึ่งดีที่สุด หลังจากการวนซ้ำ 10000 การพารามิเตอร์ที่เหมาะสมจะได้รับกับค่าของ c = 34.3 และg = 0.0947 และความถูกต้องของประเภทที่สอดคล้องกันเป็น 100%มี 23 สนับสนุนเวกเตอร์ ผลนี้หมายถึงการจัดประเภทของ SVMมีความสามารถในการเหยียดระหว่างน้ำมันงาแท้และน้ำมันงาเจือและตรวจหาขีดจำกัดสำหรับการตรวจสอบคือประมาณต่ำสุด 5% ในการผสมอัตราส่วน ในคำอื่น ๆ SVMแบบจำลองและ chromatography ก๊าซให้สูตรสัญญาเป็นการวิธีการตรวจสอบน้ำมันงาเจือในระยะการจัดประเภท (ระบุ) ตามที่แสดงใน Fig. 5ผลรวมของตัวอย่างแบบสุ่มแบ่งเป็นน้ำมันงาเจือชุดที่สอง ใช้เป็นการปรับเทียบชุดรวม 580 ตัวอย่างและมีน้ำมันงาเจือ 160 ใช้เป็นเซ็ต (แบบสุ่มตรวจสอบเลือกจากแต่ละชั้นตามอัตราส่วน 8/37) ที่นี่the discrimination of five kinds of mixed oils are also tried to bedone using SVM model with RBF kernel. Through the two-stepparameter optimization, the optimal parameters are determinedwith the values of c = 137.2 and g = 0.0583, and the number of supportvectors is 75 (only 12.7% of total samples in calibration set).With this SVM classification model, the correct predictions areobtained for the 160 samples, i.e. 100%. These results show thatthe SVM classification can further identify which kind of vegetableoil is adulterated with the sesame oil.

ผลลัพธ์ (ไทย) 3:

3.4.2 . ขั้นตอนที่ 2 เพิ่มประสิทธิภาพระบบด้วยค่า
. ในการปรับพารามิเตอร์
ภูมิภาคการจำแนกขั้นตอนวิธีระบบคือใช้เพื่อหาพารามิเตอร์ที่เหมาะสม
เนื่องจากลักษณะของยอดการค้นหา
รวดเร็วหลายแบบไดนามิกและปรับให้เหมาะสม จำนวนของอนุภาคเป็น 25
และตำแหน่งของแต่ละอนุภาคเป็นเริ่มต้น เป็นศูนย์กลางของภูมิภาค (
. นอกจากนี้เพื่อหลีกเลี่ยงปัญหาของ overfitting ,
พารามิเตอร์ ( C , G ) ซึ่งสอดคล้องกับแบบจำลองมีความแม่นยำในการจำแนก
สูงสุดและจำนวนน้อยที่สุดของเวกเตอร์สนับสนุน
, เลือกที่เหมาะสมหนึ่ง 10 , 000 รอบหลัง
พารามิเตอร์ที่ดีที่สุดจะได้รับกับค่าของ C = 34.3 และ
g = 0.0947 และความถูกต้องของการจำแนกที่ 100 %
8 สนับสนุนเวกเตอร์ผลที่ได้นี้แสดงว่า SVM หมวดหมู่
มีความสามารถที่จะแยกแยะระหว่างน้ำมันและน้ำมันงางาแท้
ปลอมปนและจำกัดการค้นหาสำหรับการตรวจสอบ
คาดว่าเป็นต่ำเป็น 5 % ในการผสมอัตราส่วน ในคำอื่น ๆ , SVM
รูปแบบและแก๊สโครมาโตกราฟีให้สูตรแวว เป็นวิธีการตรวจที่ปลอมปนน้ำมันงา
.