As mentioned previously, in order t

As mentioned previously, in order to develop a non-linear SVM
model, kernel functions are employed. In this paper, three models
with three kernel functions are developed. The radial basis function (RBF), the Pearson VII function and the polynomial function
kernels are used in this study, which are shown in Eqs.(11)–(13),
respectively[3,8,65].
Kðx;xiÞ¼expðjxxi
j
2
=2r
2
Þð11Þ
Kðx;xiÞ¼11þ 2
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
kxxik
2
q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
2
ð1=xÞ
1
p
=r
0
 2
"#x ,
ð12Þ
Kðx;xiÞ¼ðhx;xiiþ1Þ
d
ð13Þ
where constantsr, x, r
0
anddare kernel parameters which must be
defined by the user;ris the width of the RBF, r
0
andxare the
width and tailing factor of the peak in the Pearson VII function,
respectively, anddis the degree of the polynomial kernel. In this
work, the SVM toolbox[66] in MATLAB has been used to develop
the SVM models.
Once model training has been accomplished successfully, the
performance of the trained model is then evaluated against data
that have not been used in the learning process (i.e. testing set).
Statistical criteria, namely the coefficient of correlation and root

Kết quả (Việt) 1:

Như đã đề cập trước đây, để phát triển một SVM phi tuyến tínhMô hình, hạt nhân chức năng được tuyển dụng. Trong bài báo này, ba mô hìnhvới ba hạt nhân chức năng đang phát triển. Các chức năng cơ sở xuyên tâm (RBF), chức năng Pearson VII và các chức năng đa thứchạt nhân được sử dụng trong nghiên cứu này, mà sẽ được hiển thị trong Eqs.(11)–(13),tương ứng [3,8,65].Kðx; xiÞ¼expð jx xij2= 2r2Þð11ÞKðx; xiÞ¼11þ 2ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiđiện xik2q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi2ð1 = xÞ1p= r02"#x ,ð12ÞKðx; xiÞ¼ðhx; xiiþ1Þdð13Þnơi constantsr, x, r0tham số hạt nhân anddare phảiđược xác định bởi người sử dụng; ris chiều rộng của RBF, r0andxare cácchiều rộng và tailing các yếu tố của đỉnh cao trong các chức năng Pearson VII,tương ứng, anddis mức độ hạt nhân đa thức. Trong điều nàycông việc, hộp công cụ SVM [66] trong MATLAB đã được sử dụng để phát triểnCác mô hình SVM.Sau khi mô hình đào tạo đã được thực hiện thành công, cáchiệu suất của các mô hình được đào tạo sau đó đánh giá so với dữ liệumà đã không được sử dụng trong quá trình học tập (tức là thiết lập thử nghiệm).Tiêu chí thống kê, cụ thể là các hệ số của mối tương quan và gốc

Kết quả (Việt) 2:

Như đã đề cập trước đó, để phát triển một SVM phi tuyến tính
mô hình, chức năng hạt nhân được tuyển dụng. Trong bài báo này, ba mô hình
với ba chức năng hạt nhân được phát triển. Các chức năng cơ sở radial (RBF), các chức năng Pearson VII và các chức năng đa thức
. hạt nhân được sử dụng trong nghiên cứu này, được thể hiện trong phương trình (11) - (13),
. tương ứng [3,8,65]
KDX; xiÞ¼expð? jx xi?
j
2
= 2r
2
Þð11Þ
KDX; xiÞ¼11þ 2
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
? kx xik
2
q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
2
D1 = khoá X
1?
p
= r
0
? 2
"#x,
ð12Þ
KDX; xiÞ¼ðhx; xiiþ1Þ
d
ð13Þ
nơi constantsr, x, r
0
anddare tham số hạt nhân phải được
định nghĩa bởi người sử dụng; RIS chiều rộng của RBF, r
0
andxare các
yếu tố chiều rộng và đuôi của đỉnh trong chức năng Pearson VII,
tương ứng, anddis mức độ của hạt nhân đa thức. Trong
công việc, các SVM hộp công cụ [66] trong MATLAB đã được sử dụng để phát triển
các mô hình SVM.
Sau khi đào tạo mô hình đã được thực hiện thành công, các
hoạt động của các mô hình đào tạo sau đó được đánh giá đối với dữ liệu
đã không được sử dụng trong quá trình học tập (tức là kiểm định).
tiêu chí thống kê, cụ thể là các hệ số tương quan và gốc