patterns recognition and classifica

patterns recognition and classification require an
understanding of the traits commonly associated with the
different source and relationship between observed PD
activity and responsible defect sources. This paper shows
the performance of SOM using different competitive
learning algorithms to classify measured PD activities into
underlaying insulation defects or source that generate
PD’s, its showed that WTA is the better algorithm with
less error and training time, but its overall performance are
not always satisfactory, being alternative in accord at the
performance FSCL or RPCL algorithms

ผลลัพธ์ (ไทย) 2:

การรับรู้รูปแบบและการจัดหมวดหมู่ต้องมีความเข้าใจในลักษณะทั่วไปที่เกี่ยวข้องกับแหล่งที่มาที่แตกต่างกันและความสัมพันธ์ระหว่างPD สังเกตกิจกรรมและแหล่งที่มารับผิดชอบในข้อบกพร่อง บทความนี้แสดงให้เห็นถึงประสิทธิภาพการทำงานของ SOM ใช้ในการแข่งขันที่แตกต่างกันขั้นตอนวิธีการเรียนรู้ที่จะจัดกิจกรรมPD วัดเข้าไปในข้อบกพร่องของฉนวนกันความร้อนunderlaying หรือแหล่งที่สร้างPD ของมันแสดงให้เห็นว่าดับเบิ้ลยูทีเอเป็นอัลกอริทึมที่ดีขึ้นกับข้อผิดพลาดน้อยลงและเวลาการฝึกอบรมแต่ประสิทธิภาพโดยรวมของมันเป็นไปไม่ได้เสมอที่น่าพอใจ เป็นทางเลือกตามที่ FSCL ประสิทธิภาพหรือ RPCL อัลกอริทึม

ผลลัพธ์ (ไทย) 3:

รูปแบบการรับรู้และความเข้าใจของการจำแนกต้องการ

ที่แตกต่างกันลักษณะทั่วไปที่เกี่ยวข้องกับแหล่งที่มาและความสัมพันธ์ระหว่างสังเกต PD
กิจกรรมและแหล่งของเสียที่รับผิดชอบ บทความนี้แสดงให้เห็นถึงประสิทธิภาพของการใช้แตกต่างกัน

สมแข่งขันเรียนรู้กลไกการแยกวัดกิจกรรม PD เป็น
underlaying ฉนวนบกพร่องหรือแหล่งที่สร้าง
โปรดิวเซอร์ของมันแสดงให้เห็นว่า WTA จะดีกว่าวิธี
ข้อผิดพลาดน้อยลงและเวลาในการฝึกซ้อม แต่ประสิทธิภาพโดยรวมของ
ไม่น่าพอใจเสมอเป็นทางเลือกที่สอดคล้องในการปฏิบัติงานหรือ 2
fscl อัลกอริทึม