Due to the obvious spectral diversi

Due to the obvious spectral diversities of the six kinds of oils, several wavelength selection methods, including iPLS, uninformative variables elimination (UVE), and correlation coefficient method, were investigated to obtain optimum wavelengths. UVE can eliminate the variables which have no more informative variables for modeling than noise, and employing the variables selected by UVE for modeling can avoid a model over-fitting and usually improve its predictive ability (Ye, Wang, & Min, 2008). The theory and algorithm about UVE can be found in the papers written by Cai et al., 2008 and Zou et al., 2010. The correlation coefficient is calculated by relating the concentrations and the absorbance for each wavelength (Chu et al., 2004 and Wu et al., 1995).

PLS, PCR and another advanced algorithm, support vector regression (SVR), were investigated for modeling. Because the result of modeling by PCR was quite unsatisfactory, further discussion about it was omitted here. The principle of SVR was introduced in our previous papers (Liang et al., 2014 and Zou et al., 2014) and Smola’s paper (Smola, 1996). In this study, the radial basis function (RBF) kernel was used as the kernel function of SVR. There are three parameters about the RBF kernel, including γ, С and ε. In this study, the parameter ε was set as 0.01 and the other two were optimized using gird searching method.

After all the three steps of modeling, 225 wavelengths were selected by correlation coefficient method and MSC was the best pretreatment method. The optimum parameters γ and С for SVR were 0.0625 and 2048, respectively. 11 outliers for SVR and 16 outliers for PLS were excluded, respectively. The PLS and SVR models for all the six kinds of oils were listed in Table 3. It is obvious that the integrate model by SVR had much better performance than the PLS model.

ผลลัพธ์ (ไทย) 1:

จากที่เห็นได้ชัดสเปกตรัมความหลากหลายของชนิดน้ำมันหก หลายความยาวคลื่นการเลือกวิธีการ iPLS ตัดตัวแปร uninformative (UVE), และสัมประสิทธิ์สหสัมพันธ์ วิธี ถูกสอบสวนเพื่อให้ได้ความยาวคลื่นที่เหมาะสม UVE สามารถแยกแยะตัวแปรที่ไม่มีข้อมูลตัวแปรการสร้างโมเดลกว่าเสียง และใช้ตัวแปรที่เลือกสำหรับการสร้างโมเดล UVE สามารถหลีกเลี่ยงความกระชับมากกว่ารุ่น และมักจะปรับปรุงความสามารถในงาน (เย วัง วิทยาศาสตร์ 2008) ทฤษฎีและอัลกอริทึมเกี่ยวกับ UVE สามารถพบในเอกสารที่เขียนโดยไก et al., 2008 และ Zou et al., 2010 สัมประสิทธิ์สหสัมพันธ์จะคำนวณ โดยการเชื่อมโยงที่ความเข้มข้นและ absorbance สำหรับแต่ละความยาวคลื่น (al. et ชู 2004 และวูและ al., 1995)กรุณา PCR และขั้นตอน วิธีขั้นสูงอื่น สนับสนุนการถดถอยแบบเวกเตอร์ (SVR), ถูกตรวจสอบสำหรับการสร้างโมเดล เนื่องจากผลของโมเดลโดย PCR ค่อนข้างเฉย ๆ เพิ่มเติมสนทนาเกี่ยวกับเรื่องถูกข้ามที่นี่ไป หลักการของ SVR ถูกนำมาใช้ในเอกสารของเราก่อนหน้านี้ (Liang et al., 2014 และ Zou et al., 2014) และกระดาษของ Smola (Smola, 1996) ในการศึกษานี้ มีใช้เคอร์เนล (RBF) ฟังก์ชันฐานรัศมีเป็นฟังก์ชันเคอร์เนลของ SVR มีพารามิเตอร์ที่สามเกี่ยวกับเคอร์เนล RBF γ С และε ในการศึกษานี้ εพารามิเตอร์ถูกกำหนดเป็น 0.01 และอีกสองถูกปรับใช้คาดค้นวิธีหลังจากทั้งหมดสามขั้นตอนของการสร้างโมเดล ความยาวคลื่นที่ 225 ถูกเลือก โดยวิธีสัมประสิทธิ์สหสัมพันธ์ และหลัก วิธีการ pretreatment ที่สุดนั้น Γพารามิเตอร์ที่เหมาะสมและСใน SVR ได้ 0.0625 และ 2048 ตามลำดับ outliers 11 ใน SVR และ outliers 16 สำหรับกรุณาได้ถูกแยกออก ตามลำดับ รุ่นกรุณาและ SVR หกชนิดของน้ำมันแสดงอยู่ในตาราง 3 เป็นที่ชัดเจนว่า รูปแบบสอดแทรก โดย SVR มีประสิทธิภาพมากขึ้นกว่าแบบกรุณา

ผลลัพธ์ (ไทย) 2:

เนื่องจากความแตกต่างที่เห็นได้ชัดสเปกตรัมของหกชนิดของน้ำมันหลายวิธีการเลือกความยาวคลื่นรวมทั้ง iPLS ตัวแปร uninformative กำจัด (UVE) และวิธีการที่ค่าสัมประสิทธิ์สหสัมพันธ์ได้ที่จะได้รับการตรวจสอบความยาวคลื่นที่เหมาะสม UVE สามารถกำจัดตัวแปรที่ไม่มีตัวแปรข้อมูลมากขึ้นสำหรับการสร้างแบบจำลองกว่าเสียงและการจ้างตัวแปรที่เลือกโดย UVE การสร้างแบบจำลองสามารถหลีกเลี่ยงรูปแบบที่เหมาะสมกว่าและมักจะเป็นความสามารถในการคาดการณ์การปรับปรุงของ (เจ้าวังมินและ 2008) ทฤษฎีและขั้นตอนวิธีการเกี่ยวกับการ UVE ที่สามารถพบได้ในเอกสารที่เขียนโดย Cai et al., 2008 และ Zou et al., 2010 ค่าสัมประสิทธิ์สหสัมพันธ์จะถูกคำนวณโดยเกี่ยวข้องกับความเข้มข้นและการดูดกลืนแสงในแต่ละความยาวคลื่น (ชู et al., 2004 และ Wu et al., 1995). PLS, PCR และขั้นตอนวิธีขั้นสูงอื่นสนับสนุนการถดถอยเวกเตอร์ (SVR) ถูกตรวจสอบสำหรับการสร้างแบบจำลอง เพราะผลจากการสร้างแบบจำลองโดยวิธี PCR เป็นที่น่าพอใจมากการอภิปรายต่อไปเกี่ยวกับเรื่องนี้ได้รับการละเว้นที่นี่ หลักการของ SVR ที่ถูกนำมาใช้ในเอกสารของเราก่อนหน้า (เหลียง et al., 2014 และ Zou et al., 2014) และกระดาษ Smola ของ (Smola, 1996) ในการศึกษานี้ฟังก์ชั่นพื้นฐานรัศมี (RBF) เคอร์เนลถูกใช้เป็นฟังก์ชันเคอร์เนลของ SVR มีสามพารามิเตอร์เกี่ยวกับเคอร์เนล RBF รวมทั้งγ, Сและεมี ในการศึกษานี้พารามิเตอร์εถูกกำหนดเป็น 0.01 และอีกสองคนโดยใช้วิธีการเพิ่มประสิทธิภาพการค้นหาล้อม. หลังจากที่ทุกสามขั้นตอนของการสร้างแบบจำลองความยาวคลื่น 225 ได้รับการคัดเลือกโดยวิธีการที่ค่าสัมประสิทธิ์สหสัมพันธ์และ MSC เป็นวิธีการปรับสภาพที่ดีที่สุด พารามิเตอร์ที่เหมาะสมแกมมาและСสำหรับ SVR เป็น 0.0625 และ 2048 ตามลำดับ 11 ค่าผิดปกติสำหรับ SVR และ 16 ค่าผิดปกติสำหรับ PLS ได้รับการยกเว้นตามลำดับ PLS และ SVR รุ่นสำหรับทุกหกชนิดของน้ำมันที่ถูกระบุไว้ในตารางที่ 3 จะเห็นได้ชัดว่ารูปแบบบูรณาการโดย SVR มีประสิทธิภาพที่ดีขึ้นกว่ารูปแบบ PLS

ผลลัพธ์ (ไทย) 3:

เนื่องจากความหลากหลายของสเปกตรัมที่ชัดเจนของหกชนิดของน้ำมันที่ วิธีการ การเลือกความยาวคลื่นต่าง ๆ รวมทั้ง ipls uninformative ขจัดตัวแปร ( uve ) และวิธีสัมประสิทธิ์ เป็นการศึกษาเพื่อให้ได้แสงที่เหมาะสม uve สามารถกำจัดตัวแปรที่ไม่มีตัวแปรข้อมูลเพิ่มเติมสำหรับการจำลองกว่าเสียงและใช้ตัวแปรคัดสรร โดย uve การจำลองสามารถหลีกเลี่ยงรูปแบบที่เหมาะสมและมักจะปรับปรุงความสามารถในการทำนายของ ( ท่าน วัง &มิน , 2008 ) ทฤษฎีและวิธีการเกี่ยวกับ uve สามารถพบได้ในเอกสารที่เขียนโดยไช่ et al . , 2008 และ Zou et al . , 2010 สัมประสิทธิ์สหสัมพันธ์ที่คำนวณโดยสัมพันธ์กับความเข้มข้นและการดูดกลืนแสงในแต่ละความยาวคลื่น ( ชู et al . ,2004 และ Wu et al . , 1995 ) .

กรุณา , PCR และอีกขั้นสูงขั้นตอนวิธีการสนับสนุนเวกเตอร์การถดถอย ( SVR ) ศึกษาแบบ เพราะผลของแบบจำลองโดยวิธี PCR ค่อนข้างน่าพอใจ การอภิปรายเพิ่มเติมเกี่ยวกับมันไว้ที่นี่ หลักการกล่าวแนะนำในเอกสารของเรา ก่อนหน้านี้ ( Liang et al . , 2014 และ Zou et al . , 2010 ) และกระดาษ smola ( smola , 1996 ) ในการศึกษานี้ฟังก์ชันพื้นฐานแนวรัศมี ( RBF ) เคอร์เนลใช้เคอร์เนลฟังก์ชันของ SVR . มีสามพารามิเตอร์เกี่ยวกับ RBF kernel รวมทั้งγСε , และ . ในการศึกษานี้ εพารามิเตอร์ถูกตั้งค่าเป็น 0.01 และอีกสองคนใช้คาดการปรับวิธี

หลังจากทั้งหมดสามขั้นตอนของการสร้างโมเดลจำนวน 225 ความยาวคลื่น โดยวิธีหาค่าสัมประสิทธิ์สหสัมพันธ์ และ MSC เป็นวิธีการที่ดีที่สุด พารามิเตอร์ที่เหมาะสมและได้ผล สำหรับγСกล่าวกับ 2048 ตามลำดับ 11 ค่าผิดปกติและผิดปกติสำหรับ SVR 16 กรุณาได้รับการยกเว้น ตามลำดับ pls กล่าวและรูปแบบทั้งหมดหกชนิดของน้ำมันที่ถูกแสดงไว้ในตารางที่ 3มันเป็นที่ชัดเจนว่ารูปแบบโดยรวม SVR มีสมรรถนะดีกว่า pls รูปแบบ