A Projection Pursuit Dynamic Cluste

A Projection Pursuit Dynamic Cluster (PPDC) model optimized by Memetic Algorithm (MA) was proposed
to solve the practical problems of nonlinearity and high dimensions of sample data, which appear in the context of
evaluation or prediction in complex systems. Projection pursuit theory was used to determine the optimal projection
direction; then dynamic clusters and minimal total distance within clusters (min TDc) were used to build a PPDC
model. 17 agronomic traits of 19 tomato varieties were evaluated by a PPDC model. The projection direction was
optimized by Simulated Annealing (SA) algorithm, Particle Swarm Optimization (PSO), and MA. A PPDC model,
based on an MA, avoids the problem of parameter calibration in Projection Pursuit Cluster (PPC) models. Its final
results can be output directly, making the cluster results objective and definite. The calculation results show that a
PPDC model based on an MA can solve the practical difficulties of nonlinearity and high dimensionality of sample
data.

ผลลัพธ์ (ไทย) 1:

ได้เสนอแบบจำลองฉายแสวงหาแบบไดนามิกคลัสเตอร์ (PPDC) ที่เหมาะสมโดยวิธีการลอกแบบอัลกอริทึม (MA)การแก้ปัญหาในทางปฏิบัติของ nonlinearity และขนาดสูงของตัวอย่างข้อมูล ซึ่งปรากฏในบริบทของการประเมินหรือการคาดเดาในระบบที่ซับซ้อน ใช้ประมาณการแสวงหาทฤษฎีเพื่อกำหนดฉายที่เหมาะสมทิศทาง แล้ว กลุ่มแบบไดนามิกและระยะทางรวมที่น้อยที่สุดภายในกลุ่ม (นาทีบริษัททีดีซี) ใช้ในการสร้างการ PPDCรุ่น ลักษณะ 17 ลักษณะทางสายพันธุ์มะเขือเทศที่ 19 ถูกประเมิน โดยใช้แบบจำลอง PPDC ทิศทางการฉายได้สุด โดยจำลองการหลอม (SA) อัลกอริทึม อนุภาครุมเพิ่มประสิทธิภาพของฉัน และ MA แบบ PPDCอิงจาก MA การ เพื่อหลีกเลี่ยงปัญหาของการสอบเทียบพารามิเตอร์ในรูปแบบคลัสเตอร์แสวงหาฉาย (PPC) สุดท้ายของผลลัพธ์สามารถถูกส่งออกโดยตรง ทำให้คลัสเตอร์ผลวัตถุประสงค์ และชัดเจน ผลการคำนวณแสดงว่ามีPPDC รุ่นอิง MA สามารถแก้ปัญหาความยากลำบาก nonlinearity ในทางปฏิบัติและมีมิติสูงอย่างข้อมูล

ผลลัพธ์ (ไทย) 2:

การฉายแสวงหาไดนามิกคลัสเตอร์ (PPDC) รุ่นที่ดีที่สุดโดย Memetic อัลกอริทึม (MA) ได้เสนอ
การแก้ปัญหาในทางปฏิบัติของการไม่เป็นเชิงเส้นและขนาดสูงของข้อมูลตัวอย่างซึ่งปรากฏอยู่ในบริบทของ
การประเมินผลหรือการคาดการณ์ในระบบที่ซับซ้อน ทฤษฎีการฉายแสวงหาถูกใช้ในการตรวจสอบการจัดทำประมาณการที่ดีที่สุด
ทิศทาง; จากนั้นกลุ่มแบบไดนามิกและรวมระยะทางที่น้อยที่สุดภายในกลุ่ม (นาที TDC) ถูกนำมาใช้ในการสร้าง PPDC
รุ่น 17 ลักษณะทางการเกษตรของ 19 สายพันธุ์มะเขือเทศถูกประเมินโดยรูปแบบการ PPDC ทิศทางการฉายภาพที่ได้รับการ
เพิ่มประสิทธิภาพโดยอบจำลอง (SA) ขั้นตอนวิธีการเพิ่มประสิทธิภาพจับกลุ่มอนุภาค (PSO) และแมสซาชูเซต รูปแบบการ PPDC,
บนพื้นฐานของความ MA, หลีกเลี่ยงปัญหาการสอบเทียบพารามิเตอร์ในการประมาณการแสวงหาคลัสเตอร์ (PPC) รุ่น สุดท้าย
ผลการสามารถส่งออกโดยตรงทำให้ผลการคลัสเตอร์และวัตถุประสงค์ที่ชัดเจน ผลการคำนวณแสดงให้เห็นว่า
รูปแบบการ PPDC ขึ้นอยู่กับแม่สามารถแก้ปัญหาในทางปฏิบัติของไม่เป็นเชิงเส้นและมิติสูงของกลุ่มตัวอย่าง
ข้อมูล

ผลลัพธ์ (ไทย) 3:

แต่ละคนได้ดี