Generalisation ability of the train

Generalisation ability of the trained ANN was further
checked on a prediction set. The test procedure evaluates the
capability of the network to predict a new quality indices
(maximum penetrating force, SSC and pH, in this case), not
included in training. The results are given inTable 2. The correlations of calibration model of CF, SSC, pH for pears were 0.94,
0.94, 0.62, with the standard error of calibration of 2.98, 0.34,
0.041, respectively. When the models were used prediction
samples, prediction correction werer= 0.93, 0.93, 0.54, standard error of prediction of 3.12, 0.41, 0.046. The ANN models
appeared to be high ability of predicted maximum penetrating
force, SSC of pears. There was a poor correlation for the pH.
In Figs. 5–7were shown the relationships between predicted
and measured quality indices of the prediction set.
3.3.3. Comparison of the prediction ability between MLR
and ANN models
A graphical comparison of MLR and ANN analyses was given in
Figs. 5–7, where the CF, SSC and pH values calculated by means
of the respective models were plotted against the experimental values.Figs. 5–7showed the predictive ability of MLR and
ANN model.
The corresponding SEP andrvalues obtained for all models
are listed inTable 2. Comparing rvalues of MLR and ANN, in
all cases better results were obtained by the ANN method (0.93
for CF, 0.93 for SSC, and 0.54 for pH). On the other hand, ANN
models showed lower values of SEP (3.12 for CF, 0.41 for SSC,
and 0.046 for pH, respectively).
4. Conclusions
By means of multivariate calibration technique a relationship
was established between signal of electronic nose and quality
indices. The models for firmness and SSC show a good prediction performance. However for acidity, there was a very poor
correlation with the signal of the electronic nose. It was found
that ANN model is more precise prediction than MLR methods. The results indicate that it is possible to use electronic
nose for predicting firmness and SSC of pear. The methods
(MLR and ANN) have the potential to predict fruit quality from
signal of sensors.

ผลลัพธ์ (ไทย) 1:

ความ generalisation แอนฝึกได้เพิ่มเติมตรวจสอบชุดการคาดเดา ขั้นตอนการทดสอบการประเมินการความสามารถของเครือข่ายเพื่อทำนายดัชนีคุณภาพความใหม่(สูงสุดเจาะแรง SSC และ pH ในกรณีนี้), ไม่รวมอยู่ในการฝึกอบรม ผลลัพธ์ที่ได้ inTable 2 ความสัมพันธ์ของเทียบรุ่น CF, SSC, pH สำหรับแพร์ได้ 0.940.94, 0.62 ข้อผิดพลาดมาตรฐานของแต่ง 2.98, 0.340.041 ตามลำดับ เมื่อแบบจำลองที่ใช้ทำนายตัวอย่าง ทำนายการแก้ไข werer = 0.93, 0.93, 0.54 ความคลาดเคลื่อนมาตรฐานของการคาดการณ์ของ 3.12, 0.41, 0.046 รุ่นแอนปรากฏ ว่าความสูงของการคาดการณ์เจาะสูงสุดกองทัพ SSC ของแพร์ มีความสัมพันธ์ที่ดีสำหรับ pHใน 5 Figs.-แสดงความสัมพันธ์ระหว่าง 7were ทำนายและวัดดัชนีคุณภาพของชุดการคาดเดา3.3.3 การเปรียบเทียบความสามารถในการคาดเดาระหว่าง MLRและรูปแบบของแอนการเปรียบเทียบภาพวิเคราะห์ MLR และแอนได้รับในFigs. 5-7 ซึ่งคำนวณค่า CF, SSC และ pH โดยวิธีรุ่นนั้น ๆ มีพล็อตกับการทดลอง values.Figs. 5-7showed ความสามารถในการคาดการณ์ของ MLR และรุ่นแอนAndrvalues กันยายนสอดคล้องกันได้ทุกรุ่นมี inTable อยู่ 2 เปรียบเทียบ rvalues ของ MLR และแอน ในผลดีที่ได้รับมา โดยวิธีแอน (0.93 ทุกกรณีสำหรับ CF, 0.93 สำหรับ SSC และ 0.54 สำหรับ pH) ในทางกลับกัน แอนแบบจำลองที่แสดงให้เห็นว่าค่าต่ำกว่าของ SEP (3.12 สำหรับ CF, 0.41 ใน SSC0.046 สำหรับ pH และตามลำดับ)4. บทสรุปโดยใช้เทคนิคการปรับแต่งตัวแปรพหุเป็นความสัมพันธ์ก่อตั้งขึ้นระหว่างสัญญาณของจมูกอิเล็กทรอนิกส์และคุณภาพดัชนี แบบจำลองสำหรับไอซ์และ SSC แสดงประสิทธิภาพการคาดเดาดี อย่างไรก็ตาม สำหรับมี มีไม่มากความสัมพันธ์กับสัญญาณของจมูกอิเล็กทรอนิกส์ พบรุ่นแอนที่จะทำนายอย่างละเอียดกว่าวิธี MLR ผลลัพธ์บ่งชี้ว่า จำเป็นต้องใช้อิเล็กทรอนิกส์จมูกสำหรับคาดการณ์ไอซ์และ SSC ของลูกแพร์ วิธีการ(MLR และแอน) มีศักยภาพในการทำนายคุณภาพผลไม้จากสัญญาณของเซนเซอร์

ผลลัพธ์ (ไทย) 2:

ความสามารถของ Generalisation ANN
ผ่านการฝึกอบรมได้รับการต่อไปตรวจสอบกับชุดการทำนาย
ขั้นตอนการทดสอบประเมินความสามารถของเครือข่ายเพื่อทำนายดัชนีคุณภาพใหม่
(สูงสุดเจาะแรง SSC และค่า pH ในกรณีนี้)
ไม่ได้รวมอยู่ในการฝึกอบรม ผลที่จะได้รับ inTable 2. ความสัมพันธ์ของรูปแบบการสอบเทียบ CF, เอสเอสพีเอชสำหรับลูกแพร์เป็น 0.94,
0.94, 0.62, ด้วยข้อผิดพลาดของการสอบเทียบมาตรฐาน 2.98, 0.34,
0.041 ตามลำดับ เมื่อรูปแบบถูกนำมาใช้ทำนายตัวอย่างการแก้ไขทำนาย werer = 0.93, 0.93, 0.54, ข้อผิดพลาดมาตรฐานของการทำนาย 3.12, 0.41, 0.046 รุ่นแอนดูเหมือนจะเป็นความสามารถในการคาดการณ์ที่สูงของการเจาะสูงสุดแรงSSC ของลูกแพร์ มีความสัมพันธ์ที่ดีสำหรับค่า pH เป็น. ในมะเดื่อ 5-7were แสดงความสัมพันธ์ระหว่างทำนายและวัดดัชนีคุณภาพของชุดคำทำนาย. 3.3.3 การเปรียบเทียบความสามารถในการทำนายระหว่าง MLR และ ANN รุ่นเปรียบเทียบกราฟิกของอัตราดอกเบี้ยMLR และวิเคราะห์ ANN ได้รับในมะเดื่อ 5-7 ที่ CF, เอสเอสพีเอชและค่านิยมที่คำนวณโดยวิธีการของแต่ละรุ่นได้รับการพล็อตกับvalues.Figs ทดลอง 5-7showed ความสามารถในการคาดการณ์ร้อยละ MLR และแบบจำลองANN. ที่ได้รับ andrvalues ​​กันยายนที่สอดคล้องกันสำหรับทุกรุ่นมีการระบุไว้inTable 2. เปรียบเทียบ rvalues ​​ร้อยละ MLR และ ANN ในทุกกรณีผลลัพธ์ที่ดีกว่าที่ได้รับโดยวิธีANN (0.93 สำหรับ CF, 0.93 สำหรับ เอสเอสและ 0.54 สำหรับค่า pH) ในทางตรงกันข้าม, ANN รุ่นมีค่าต่ำกว่าของกันยายน (3.12 สำหรับ CF, 0.41 สำหรับเอสเอส, และสำหรับค่า pH 0.046 ตามลำดับ). 4 สรุปผลการวิจัยโดยวิธีการของเทคนิคการสอบเทียบหลายตัวแปรความสัมพันธ์ที่ก่อตั้งขึ้นระหว่างสัญญาณของจมูกอิเล็กทรอนิกส์และคุณภาพดัชนี รุ่นสำหรับความแน่นและ SSC แสดงผลการดำเนินงานการทำนายที่ดี อย่างไรก็ตามสำหรับความเป็นกรดมีความยากจนมากความสัมพันธ์กับสัญญาณของจมูกอิเล็กทรอนิกส์ ผลการศึกษาพบว่าแบบจำลอง ANN เป็นคำทำนายที่แม่นยำมากขึ้นกว่าวิธี MLR ผลการศึกษาพบว่ามันเป็นไปได้ที่จะใช้อิเล็กทรอนิกส์จมูกในการทำนายความแน่นและเอสเอสของลูกแพร์ วิธีการ(MLR และ ANN) มีศักยภาพในการทำนายผลไม้ที่มีคุณภาพจากสัญญาณของเซ็นเซอร์

ผลลัพธ์ (ไทย) 3:

ความสามารถใน generalisation ของแอนก็ฝึกต่อไป
ตรวจสอบการคาดการณ์ชุด ขั้นตอนการทดสอบประเมินความสามารถของเครือข่าย
ทำนายใหม่ดัชนีคุณภาพ
( สูงสุด 10 แรง , SSC และ pH ) ในกรณีนี้ ไม่ใช่
รวมอยู่ในการฝึกอบรม ผลที่ได้รับ intable 2 ความสัมพันธ์ของการสอบเทียบแบบ CF , SSC , pH สำหรับแพร์เป็น 0.94 0.94 0.62
, ,กับความคลาดเคลื่อนมาตรฐานของการสอบเทียบ 2.98 , 0.34 ,
0.041 ตามลำดับ เมื่อนางแบบถูกใช้ตัวอย่างการทำนาย
ทำนายแก้ไขเอกชน = 0.93 , 0.93 ตามลำดับ ความคลาดเคลื่อนมาตรฐานของการพยากรณ์ 3.12 , 0.41 0.046 , . ส่วนแอนรุ่น
ปรากฏเป็น ความสามารถสูง คาดการณ์สูงสุดเจาะ
บังคับ SSC ของลูกแพร์ มีความสัมพันธ์ที่ไม่ดีสําหรับ PH
ในมะเดื่อ .5 – 7were แสดงความสัมพันธ์ระหว่างทำนาย
และวัดดัชนีคุณภาพของการทำนายชุด .
3.3.3 . การเปรียบเทียบความสามารถในการทำนายระหว่าง MLR
และแอนรุ่น
เปรียบเทียบกราฟิกของอัตราดอกเบี้ย MLR และแอนวิเคราะห์ได้รับใน
Figs 5 – 7 , CF , SSC และค่า pH ที่คำนวณโดยวิธีของรุ่นนั้นๆมี
วางแผนกับ values.figs ทดลอง5 – 7showed ความสามารถในการทำนาย MLR และ

แอนนางแบบ เพื่อสอดคล้อง andrvalues รับได้ทุกรุ่น
อยู่ intable 2 เปรียบเทียบ rvalues ของอัตราดอกเบี้ย MLR และแอนใน
ทุกกรณีผลลัพธ์ที่ดีขึ้นได้ โดยวิธีการ แอน ( 0.93
โฆษณา , 0.93 สำหรับ SSC และ 0.54 ตามลำดับสำหรับค่า pH ) บนมืออื่น ๆ , แอน
รุ่นพบค่าล่าง ( 3.12 เพื่อโฆษณา , 0.41 และสำหรับ SSC
( สำหรับพีเอชตามลำดับ )
4สรุป
โดยวิธีการของหลายตัวแปรการสอบเทียบเทคนิคความสัมพันธ์
ก่อตั้งขึ้นระหว่างสัญญาณของจมูกอิเล็กทรอนิกส์และดัชนีคุณภาพ

แบบให้ความแน่นและ SSC แสดงประสิทธิภาพการพยากรณ์ที่ดี แต่สำหรับเม มีความสัมพันธ์ที่ยากจนมาก
กับสัญญาณของจมูกอิเล็กทรอนิกส์ พบว่าแบบจำลองการทำนายที่แม่นยำ
แอนมากกว่าวิธีการที่อัตราดอกเบี้ย MLRผลการศึกษาพบว่ามันเป็นไปได้ที่จะใช้จมูกอิเล็กทรอนิกส์
ทำนายความแน่นและ SSC ของลูกแพร์ วิธีการ
( MLR และแอน ) มีศักยภาพที่จะทำนายคุณภาพผลไม้จาก
สัญญาณของเซ็นเซอร์