We repeated the latter experiment u

We repeated the latter experiment using a single frequency
in order to demonstrate the utility of employing a swept
frequency approach. We used attribute selection to identify
753.5kHz as the single best frequency at which to differentiate
users. It should be noted that in a real world system
this ideal frequency depends on the set of users and environmental
conditions, and thus cannot be known a priori –
thus our estimate is idealized. On average, user differentiation
was 87.3% accurate vs. 97.8% when all frequencies
were used, or roughly six times the error rate.

ผลลัพธ์ (ไทย) 1:

เราซ้ำแล้วซ้ำอีกการทดลองหลังใช้
ความถี่เดียวเพื่อที่จะแสดงให้เห็นถึงประโยชน์ของการจ้าง
วิธีการกวาดความถี่ ที่เราใช้ในการเลือกคุณลักษณะที่จะระบุ
753.5khz เป็นความถี่ที่ดีที่สุดเดียวที่จะแยกความแตกต่างของผู้ใช้
มันควรจะตั้งข้อสังเกตว่าในระบบของโลกจริง
ความถี่ในอุดมคตินี้ขึ้นอยู่กับการตั้งค่าของผู้ใช้และเงื่อนไข
สิ่งแวดล้อม,และทำให้ไม่สามารถที่รู้จักกันนิรนัย -
จึงประมาณการของเราคือเงียบสงบ โดยเฉลี่ยผู้ใช้ที่แตกต่างกัน
เป็น 87.3% เทียบกับ 97.8 ถูกต้อง% เมื่อทุก
ความถี่ถูกนำมาใช้หรือประมาณหกครั้งอัตราความผิดพลาด

ผลลัพธ์ (ไทย) 2:

เราซ้ำหลังทดลองใช้ความถี่เดียว
เพื่อแสดงให้เห็นถึงอรรถประโยชน์ของการใช้การ swept
วิธีการความถี่ เราใช้เลือกแอททริบิวต์ระบุ
753.5 kHz เป็นความถี่เดียวดีที่สุดที่แตกต่าง
ผู้ใช้ ควรสังเกตว่า ในระบบโลก
ความถี่นี้เหมาะที่ขึ้นอยู่กับการตั้งค่าของผู้ใช้ และสิ่งแวดล้อม
เงื่อนไข และจึง ไม่สามารถทราบการ priori –
ดัง idealized ประเมินของเรา บนเฉลี่ย ผู้สร้างความแตกต่าง
ถูก 87.3% แม่นยำเทียบกับ 97.8% เมื่อความถี่ทั้งหมด
ใช้ หรือประมาณ 6 ครั้งอัตราข้อผิดพลาด

ผลลัพธ์ (ไทย) 3:

เราจะทำซ้ำการทดลองหลังโดยใช้ความถี่เดียว
ซึ่งจะช่วยในการสั่งซื้อจะแสดงให้เห็นถึงยูทิลิตีที่ใช้วิธีการ
ความถี่ที่กวาด เราใช้การเลือกแอตทริบิวต์ในการระบุ
753.5 kHz เป็นความถี่เดียวที่ดีที่สุดที่จะสร้างความแตกต่างให้กับ
ซึ่งจะช่วยผู้ใช้ ควรบันทึกไว้ด้วยว่าในระบบโลกของความเป็นจริงที่ดีเยี่ยมแห่งนี้
ซึ่งจะช่วยความถี่ขึ้นอยู่กับที่ตั้งของผู้ใช้และสิ่งแวดล้อม
เงื่อนไขและเป็นที่รู้จักกันดีดังนั้นจึงไม่สามารถ Priori ที่ -
ดังนั้นการประเมินของเราคือผุด โดยเฉลี่ยแล้วสามารถแยกแยะความแตกต่าง
ซึ่งจะช่วยผู้ใช้เป็น 87.3% ได้อย่างถูกต้องเมื่อเทียบกับ 97.8% เมื่อความถี่
ทั้งหมดจะถูกใช้หรือประมาณ 6 เท่าเมื่อเทียบกับอัตราเกิดข้อผิดพลาด