PCA input selection has been shown

PCA input selection has been shown to be useful in classifying and simplifying the representation of patterns and improving the precision of pattern recognition analysis in large (and often redundant) biological and environmental data sets. For example, Dorn et al. (2003) employed PCA input selection to biosignature detection. Results showed that PCA correctly identified glycine and alanine as the amino acids contributing the most information to the task of discriminating biotic and abiotic samples. Samani et al. (2007) applied PCA on a simplified neural network model developed for the determination of nonleaky confined aquifer parameters. This method avoided the problems of selecting an appropriate trained range, determined the aquifer parameter values more accurately, and produced a simpler neural net-work structure that required less training time compared to earlier approaches.

Kết quả (Việt) 1:

Lựa chọn đầu vào PCA đã được hiển thị để được hữu ích trong việc phân loại và đơn giản hoá các đại diện của mẫu và cải thiện độ chính xác của mô hình công nhận phân tích trong lớn (và thường dự phòng) sinh học và môi trường bộ dữ liệu. Ví dụ, Dorn et al. (2003) làm việc PCA lựa chọn đầu vào để phát hiện biosignature. Kết quả cho thấy rằng PCA một cách chính xác xác định glycine và alanine là axit amin đóng góp nhất thông tin cho công việc của các mẫu sinh học và abiotic phân biệt đối xử. Samani et al. (2007) áp dụng PCA trên một mô hình đơn giản hóa mạng nơ-ron phát triển để xác định nonleaky hạn chế aquifer tham số. Phương pháp này tránh được vấn đề của việc lựa chọn một phạm vi được huấn luyện thích hợp, xác định giá trị tham số aquifer chính xác hơn và tạo ra một cấu trúc thần kinh mạng lưới công việc đơn giản yêu cầu thời gian huấn luyện ít hơn so với phương pháp tiếp cận trước đó.

Kết quả (Việt) 2:

lựa chọn đầu vào PCA đã được chứng minh là hữu ích trong việc phân loại và đơn giản hóa các đại diện của các mô hình và cải thiện độ chính xác của phân tích nhận dạng mẫu trong lớn (và thường dư thừa) sinh học và môi trường tập hợp dữ liệu. Ví dụ, Dorn et al. (2003) đã sử dụng lựa chọn đầu vào PCA để biosignature phát hiện. Kết quả cho thấy rằng PCA được xác định một cách chính xác glycine và alanine như các axit amin đóng góp những thông tin mới nhất cho nhiệm vụ phân biệt các mẫu sinh học và phi sinh học. Samani et al. (2007) áp dụng PCA trên một mô hình mạng thần kinh đơn giản được phát triển cho việc xác định các thông số tầng chứa nước bị giới hạn nonleaky. Phương pháp này tránh được những vấn đề trong việc chọn một phạm vi đào tạo phù hợp, xác định các giá trị tham số tầng chứa nước chính xác hơn, và sản xuất một cấu trúc mạng làm việc thần kinh đơn giản mà đòi hỏi thời gian đào tạo ít hơn so với các phương pháp trước đó.