Как проехать Контакты 
Библиотека
Общие сведения
Вход для зарегистрированных читателей
База данных АГРОС
Авторитетный файл наименований научных учреждений АПК
Библиотека-депозитарий ФАО
Издания
Выставки
Виртуальные выставки
Электронные библиотеки ЦНСХБ
Сельскохозяйственная Электронная Библиотека Знаний (СЭБиЗ)
Биографическая энциклопедия ученых-аграриев

ЦЭБС АПК
Сводный каталог библиотек АПК
Каталоги библиотек АПК
Обменный фонд
Электронная библиотека Сводного каталога
Ведомственный экземпляр НИУ

Услуги
Избирательное распространение информации
Доставка документов
Терминал удаленного доступа
Виртуальное библиографическое обслуживание
Форум читателей ЦНСХБ
Инструкции
Информационные услуги
Транслитерация
Баннеры ФГБНУ ЦНСХБ
Рейтинг@Mail.ru Яндекс.Метрика
[Ввод запроса]

^ШХР: *Agricola (Agricola)
^АВТ: Zhi Ruicong; Zhao Lei; Shi Bolin; Jin Yi
^ЗГЛ: New dimensionality reduction model (manifold learning) coupled with electronic tongue for green tea grade identification [Распознавание по качеству образцов зеленого чая с использованием новой модели нелинейного уменьшения размерности данных в сочетании с электронным языком. (Китай)]
^ВЫХ: European Food Research and Technology, 2014; Vol.239,N 1. - P. 157-167
^ДАТ: 2014
^ПРМ: Режим доступа:http://proquest.umi.com.-Bibliogr.:p.167
+Реферат

^РЕФ: Объектом исследования служили 4 вида настоев зеленого чая, различающиеся по своему составу. Хемометрические данные собирали с помощью системы 7 датчиков, известной как электронный язык. Данные считывались в течение 120 с шагом 0,5 с. Для обработки полученного массива данных применялись 8 различных статистических методов. С целью выделить признаки, наиболее значимые для распознавания, наряду с традиционно используемыми были применены новые способы нелинейного уменьшения размерности данных - алгоритмы множественного обучения. Образцы чая были разделены на 2 части, одна из которых использовалась для обучения системы, а другая - для распознавания. Было показано, что при обработке данных методами линейного дискриминантного анализа с использованием ядра (Kernel linear discriminant analysis) и проекций, сохраняющих расположение ядра (Kernel Locality Preserving Projections), точность распознавания существенно повышается. Для обеспечения высокой точности распознавания не требуется использование большого числа признаков. Проблема избыточности данных об образце может быть преодолена путем их картирования в низкоразмерном пространстве. Ил. 9. Библ. 25. (Климова Е.В.).

^TRN: 1524587
^ВИД: Статья из книги
^ЯЗК: Английский
+Индексирование



  назад   Главная страница ЦНСХБ  

Все права защищены 1998-2017 год ©Федеральное государственное бюджетное научное учреждение «Центральная научная сельскохозяйственная библиотека»