The primary experimentation with el

The primary experimentation with electronic nose on black tea has established the fact that the instrument has the potential to be used in the shop floor on a regular basis for instrumental evaluation of the quality of black tea. But its introduction to the user industry, in its present form, is difficult due to non-availability of some generic computational model capable of predicting tea taster like scores for the quality of tea samples. This being a new technology, the tea industry personnel are reluctant as usual and expect that the electronic nose will generate the results with accuracy at par, if not better, than the experienced tea tasters. Evolution of such generic and universal computational model is not possible without elaborate experimentation with the new instrument over several seasons and at different tea producing places. And such data collection exercise would involve a significant number of tea tasters, huge number of tea samples with variations of (a) location of plantation, (b) clonal characteristics and (c) seasonal varieties.
Such complex data collection plan is important since quality of tea varies with the place and season in which it is produced. For example, in north and north-east India, the tea leaves are plucked
in five sessions over a year, called as flushes and they are termed as the first flush, the second flush, the rain flush, the autumn flush and the winter flush. Out of these five flushes, the quality
of tea produced in the second and the autumn flushes is usually better than the tea produced in the other three flushes in the same garden. If the pattern classifier is trained with the dataset available
in one garden during a particular flush, it is unlikely that the same model may give correct results when subjected to data from a different garden or in a different flush. It is thus expected that, for
evolution of a truly universal co-relation model between electronic nose signatures and tea tasters’ scores, an appropriate incremental learning algorithm would be the most preferred pattern classifier.

ผลลัพธ์ (ไทย) 1:

ทดลองหลักกับจมูกอิเล็กทรอนิกส์ในชาดำมีสร้างความจริงที่ว่า เครื่องมือที่มีศักยภาพที่จะใช้ใน floor ร้านประจำสำหรับเครื่องมือการประเมินคุณภาพของชาดำ แต่ที่แนะนำผู้ใช้อุตสาหกรรม นำเสนอรูปแบบ difficult เนื่องจากไม่ใช่-มีรุ่นบางทั่วไปคำนวณความสามารถในการคาดการณ์ taster ชาเช่นคะแนนสำหรับคุณภาพของตัวอย่างชา นี้เป็นเทคโนโลยีใหม่ อุตสาหกรรมชาบุคลากรงี่ตามปกติ และหวังว่า จมูกอิเล็กทรอนิกส์จะสร้างผลความแม่นยำราคาพาร์ ถ้าไม่ดีขึ้น กว่า tasters ชาที่มีประสบการณ์ วิวัฒนาการดังกล่าวจำลองที่คอมพิวเตอร์ทั่วไป และสากลไม่ได้โดยไม่ต้องทดลองอย่างประณีตด้วยมือใหม่หลายซีซั่น และ ในสถานผลิตชาที่แตกต่างกัน และออกกำลังกายชุดเก็บรวบรวมข้อมูลดังกล่าวจะเกี่ยวข้องกับจำนวน tasters ชา significant จำนวนมากอย่างชาด้วยรูปแบบของ (ก) ตำแหน่งที่ตั้งของสวน, (b) clonal ลักษณะ และสายพันธุ์ (c) ตามฤดูกาลแผนการเก็บข้อมูลที่ซับซ้อนดังกล่าวเป็นสิ่งสำคัญเนื่องจากคุณภาพของชาที่แตกต่างกันไปกับสถานที่และฤดูกาลซึ่งจะทำการผลิต ตัวอย่าง เหนือและตะวันออกเฉียงเหนืออินเดีย ใบชาจะออกในเซสชัน five กว่าปี เรียกว่าเป็น flushes และพวกเขาเรียกว่า first flush, flush 2, flush ฝน flush ฤดูใบไม้ร่วง และ flush หนาว ของเหล่านี้ five flushes คุณภาพชาที่ผลิตในที่สองและ flushes ฤดูใบไม้ร่วงเป็นปกติดีกว่าชาที่ผลิตในอื่น ๆ flushes สามในสวนเดียวกัน ถ้า classifier รูปแบบคือการฝึกอบรม ด้วยชุดข้อมูลที่มีสวนหนึ่งใน flush ใด ก็ไม่น่าว่า รุ่นเดียวกันอาจให้ผลลัพธ์ที่ถูกต้องเมื่อต้องการข้อมูล จากสวนต่าง ๆ หรือ ใน flush ที่แตกต่างกัน เป็นดังคาดที่ สำหรับวิวัฒนาการของแบบจำลองความสัมพันธ์ร่วมของสากลอย่างแท้จริงระหว่างจมูกอิเล็กทรอนิกส์ลายเซ็นและของชา tasters คะแนน ที่เหมาะสมเพิ่มขึ้นเรียนรู้อัลกอริทึมจะ classifier รูปแบบที่ต้องการมากที่สุด

ผลลัพธ์ (ไทย) 2:

ทดลองหลักที่มีจมูกอิเล็กทรอนิกส์ในชาดำได้จัดตั้งความจริงที่ว่าเครื่องมือที่มีศักยภาพที่จะนำมาใช้ในชั้น oor ร้านเป็นประจำสำหรับการประเมินผลประโยชน์ของคุณภาพของชาดำ แต่แนะนำให้กับอุตสาหกรรมผู้ใช้ในรูปแบบปัจจุบันคือยากที่เกิดจากการที่ไม่พร้อมของบางรูปแบบการคำนวณทั่วไปที่มีความสามารถในการคาดการณ์ลิ้มลองรสชาเช่นคะแนนสำหรับคุณภาพของตัวอย่างชา นี้เป็นเทคโนโลยีใหม่บุคลากรในอุตสาหกรรมชามีความลังเลที่ตามปกติและคาดหวังว่าจมูกอิเล็กทรอนิกส์จะสร้างผลลัพธ์ที่มีความแม่นยำที่ตราไว้ถ้าไม่ดีขึ้นกว่าชิมชาที่มีประสบการณ์ วิวัฒนาการของรูปแบบการคำนวณทั่วไปและสากลดังกล่าวเป็นไปไม่ได้โดยไม่ต้องทดลองอย่างละเอียดด้วยเครื่องมือใหม่ในช่วงหลายฤดูกาลและชาที่แตกต่างกันที่สถานที่ผลิต และข้อมูลดังกล่าวการออกกำลังกายคอลเลกชันจะเกี่ยวข้องกับการมีนัยสำคัญจำนวนลาดเทของนักชิมชาจำนวนมากของตัวอย่างชากับรูปแบบของ (ก) สถานที่ตั้งของสวน (ข) ลักษณะ clonal และ (ค) สายพันธุ์ตามฤดูกาล.
วางแผนการเก็บรวบรวมข้อมูลที่ซับซ้อนดังกล่าวเป็นสิ่งสำคัญเนื่องจากมีคุณภาพ ชาขึ้นอยู่กับสถานที่และฤดูกาลที่มีการผลิต ยกตัวอย่างเช่นในภาคเหนือและภาคตะวันออกเฉียงเหนือของอินเดีย, ใบชาจะถูกดึงออกมา
ในสายได้ประชุมในช่วงปีที่เรียกว่าเป็น ushes ชั้นและพวกเขาจะเรียกว่าเป็นสายแรกชั้น USH, USH ชั้นที่สองฝนตกชั้น USH, ฤดูใบไม้ร่วงชั้น USH และฤดูหนาวชั้น USH . ออกจากสายเหล่านี้ได้ ushes ชั้นคุณภาพ
ของชาที่ผลิตในสองและชั้น ushes ฤดูใบไม้ร่วงมักจะดีกว่าชาที่ผลิตในอีกสาม ushes ชั้นในสวนเดียวกัน หากรูปแบบการจัดประเภทเอ้อไฟคือการฝึกอบรมที่มีชุดข้อมูลที่มีอยู่
ในสวนในช่วง USH ชั้นโดยเฉพาะอย่างยิ่งก็ไม่น่าที่รูปแบบเดียวกันอาจให้ผลลัพธ์ที่ถูกต้องเมื่ออยู่ภายใต้ข้อมูลจากสวนที่แตกต่างกันหรือ USH ชั้นที่แตกต่างกัน จึงคาดว่าสำหรับ
วิวัฒนาการของรูปแบบความสัมพันธ์ร่วมสากลอย่างแท้จริงระหว่างลายเซ็นจมูกอิเล็กทรอนิกส์และชาคะแนนชิม 'ขั้นตอนวิธีการเรียนรู้ที่เพิ่มขึ้นตามความเหมาะสมที่จะเป็นรูปแบบที่ต้องการมากที่สุดจัดประเภทเอ้อไฟ