We next create the mixtures of abov

We next create the mixtures of above uniform distributions. Considering the first class 1 1 g f = and the second class ( ) 2 1 2 1 g f f λ λ = + − , where [ ] 0,1 λ ∈ and receive the value as 0, 0.2, 0.4, respectively. Figure 3 shows the classes 1 g (black) and 2 g (red) in the cases 0.2 λ = and 0.4λ = .
[Figure 3 near here].
The clustering results of SCC criterion and other methods (with some references from (Chen and
Hung 2014)) in each case of λ are presented in Table 2:
[Table 2 near here].
In this example, the largerλ is, the more overlapping degree between pdfs is and the more complicated problem. It can be observed that the proposed method and method in (Chen and
Hung, 2015) give the obsolutely exact results in all cases of λ while others make some errors.
The proposed method gives extra information about quality of established clusters by value of
SCC in Table 3.
[Table 3 near here].
Example 3. In two above examples, the suitability of SCC criterion is proved when it and the
method of Chen and Hung have given the best results. However, in some other cases, SCC criterion will give the better result in the comparison with Chen and Hung method. Let’s examine an example in image recognition. The data set of images collected from 101 objects database will be considered. We take 18 images includes 3 categories (lotus, bonsais and sunflowers) with 6 images each. The detail will be shown in Figure 4. We use the raw colour data in Grayscale colour space for these images and estimate the pdfs for each image by the Grayscale distribution of image pixels. Figure 5 shows the pdfs estimated from three classes of images with the solid lines for bonsais pdfs, the dash lines for lotus pdfs and the remainder for sunflower pdfs

Kết quả (Việt) 1:

Sau đó, chúng tôi đã tạo các hỗn hợp trên bản phân phối đồng đều. Xem xét đầu tiên của class 1 1 g f = và hạng hai () 2 1 2 1 g f f λ λ = + −, nơi [] 0,1 λ ∈ và nhận được giá trị là 0, 0,2 0,4, tương ứng. Hình 3 cho thấy các lớp 1 g (đen) và 2 g (đỏ) trong trường hợp 0.2 λ = và 0.4λ =. [Hình 3 gần đây]. Kết quả kết cụm SCC tiêu chí và phương pháp khác (với một số tài liệu tham khảo từ (trần và Hung 2014)) trong mỗi trường hợp của λ được trình bày trong bảng 2: [Bảng 2 gần đây]. Trong ví dụ này, largerλ, mức độ hơn chồng chéo giữa file PDF và các vấn đề phức tạp hơn. Nó có thể được quan sát thấy rằng các đề xuất phương pháp và phương pháp trong (Chen và Anh hùng, 2015) cung cấp cho obsolutely kết quả chính xác trong mọi trường hợp của λ trong khi những người khác làm cho một số lỗi. Các phương pháp được đề xuất cho các thông tin thêm về chất lượng của cụm được thành lập bởi các giá trị của SCC trong bảng 3. [Bảng 3 gần đây]. Ví dụ 3. Ở hai phía trên ví dụ, sự phù hợp của SCC tiêu chí đã được chứng minh khi nó và các Các phương pháp của Chen và Hưng đã đưa ra kết quả tốt nhất. Tuy nhiên, trong một số trường hợp khác, SCC tiêu chí sẽ cho kết quả tốt hơn trong việc so sánh với phương pháp trần và Hưng. Chúng ta hãy xem xét một ví dụ trong hình ảnh nhận dạng. Các thiết lập dữ liệu của các hình ảnh thu thập được từ các đối tượng 101 cơ sở dữ liệu sẽ được xem xét. Chúng tôi mất 18 hình ảnh bao gồm 3 loại (Hoa sen, bonsais và Hoa hướng dương) với 6 hình ảnh mỗi. Các chi tiết sẽ được hiển thị trong hình 4. Chúng tôi sử dụng các dữ liệu thô màu trong màu xám màu sắc không gian cho những hình ảnh và ước tính các file PDF cho mỗi hình ảnh bằng việc phân phối màu xám hình ảnh pixel. Hình 5 cho thấy các file PDF được ước tính từ 3 lớp hình ảnh với các dây chuyền rắn bonsais PDF, dây chuyền dash lotus file PDF và phần còn lại cho file PDF hướng dương

Kết quả (Việt) 2:

Tiếp theo chúng ta tạo ra các hỗn hợp của các phân bố đồng đều trên. Xem xét các lớp học đầu tiên 1 1 gf = và lớp thứ hai () 2 1 2 1 GFF λ λ = + -, nơi [] 0,1 λ ∈ và nhận giá trị là 0, 0,2, 0,4, tương ứng. Hình 3 cho thấy các lớp 1 g (màu đen) và 2 g (màu đỏ) trong các trường hợp 0,2 λ = và 0.4λ =.
[Hình 3 gần đây].
Các kết quả phân nhóm của tiêu chí SCC và các phương pháp khác (với một số tài liệu tham khảo từ (Chen và
Hùng năm 2014)) trong mỗi trường hợp của λ được thể hiện trong Bảng 2:
. [Bảng 2 gần đây]
trong ví dụ này, largerλ được, mức độ chồng chéo hơn giữa các file PDF là gì và các vấn đề phức tạp hơn. Nó có thể được quan sát thấy rằng các phương pháp được đề xuất và phương pháp trong (Chen và
Hùng, 2015) cho kết quả chính xác obsolutely trong tất cả các trường hợp của λ trong khi những người khác làm cho một số sai sót.
Các phương pháp đề nghị cung cấp thông tin thêm về chất lượng của các cụm thành lập bởi giá trị của
SCC trong bảng 3.
[bảng 3 gần đây].
Ví dụ 3. trong hai ví dụ trên, sự phù hợp của tiêu chí SCC được chứng minh khi nó và các
phương pháp của Chen và Hưng đã đưa ra những kết quả tốt nhất. Tuy nhiên, trong một số trường hợp khác, SCC tiêu chí sẽ cho kết quả tốt hơn trong việc so sánh với Trần và Hưng phương pháp. Hãy xem xét một ví dụ trong hình ảnh ghi nhận. Các dữ liệu tập hợp các hình ảnh thu được từ cơ sở dữ liệu 101 đối tượng sẽ được xem xét. Chúng tôi có 18 hình ảnh bao gồm 3 loại (sen, cây cảnh và hoa hướng dương) với 6 hình ảnh mỗi. Các chi tiết sẽ được hiển thị trong hình 4. Chúng tôi sử dụng các dữ liệu màu nguyên trong không gian màu xám cho những hình ảnh này và ước tính các file PDF cho mỗi hình ảnh bằng cách phân phối xám của pixel ảnh. Hình 5 cho thấy các file PDF ước tính từ ba lớp học của hình ảnh với dòng rắn cho file PDF cây cảnh, các đường gạch ngang cho file PDF sen và phần còn lại cho các file PDF hướng dương