1. รายงานการแปลบทความ
Time sequence data mining using
time–frequency analysis
and soft computing techniques
เสนอ
อาจารย์ ดร.ผุสดี บุญรอด
ผู้จัดทำา
นายจักรพันธ์ จารุภูมิ 5370281189
นายณรงค์พิสิษฐ์ อึ้งรังษี 5370281395
นางสาวสรารัตน์ คงสัมฤทธิ์ 5370281403
IT แผน ข Sec.2
รายงานนี้เป็นส่วนหนึ่งของวิชา Distributed
Database Systems
คณะเทคโนโลยีสารสนเทศ สาขาเทคโนโลยี
สารสนเทศ
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ
บทคัดย่อ

2. บทความนีนำาเสนอแนวทางใหม่เป็นการค้นพบความรู้เกี่ยว
้
กับ Data mining แบบช่วงเวลา คุณสมบัติที่ เกี่ยวข้องความไม่นิ่ง
ของข้อมูลจากการรบกวน เครือข่ายอำานาจที่สกัด โดยใช้ความ
ละเอียดแบบ S – transform ทีสามารถรักษาทั้งสองเป็น
่
wavelet transform หรือ short time Fourier transform แบบ
ค้นพบ ความรู้จากข้อมูลที่ได้รบแล้วนำาเสนอสำาหรับรูปแบบการ
ั
เลือกใช้ปริมาณใหม่ขั้นตอนการ วิธีนำาเสนอในบท ความนี้เป็นหนึ่ง
ทัวไปและสามารถนำาไปใช้เวลาชุดใดลำาดับข้อมูลให้เหมือนใน
่
เหมืองแร่ข้อมูลที่
1. บทนำา
ส่วนใหญ่ของข้อมูลใน Data mining จะขึ้นอยู่กับเวลารูป
แบบทั่วไปของข้อมูลขึ้นอยู่กับเวลาเป็น ลำาดับเวลา (ยังเรียกว่า
อนุกรมเวลา) ซึ่งเป็นลำาดับของการสังเกตการเรียงลำาดับตามเวลา
จะเกิดขึ้นในมากทางด้านการเงิน ทางธุรกิจ ทางวิทยาศาสตร์และ
การประยุกต์วิศวกรรม ปัญหาใหญ่ในเหมืองข้อมูลอนุกรมเวลา
เป็นมิติสูง ยังไม่ได้พอที่จะดูที่จุดใน แต่ละครั้งตามลำาดับ มากกว่า
หนึ่งได้เพื่อจัดการกับ เลื่อนหน้าต่างในกรณีที่หลายมิติอาจอนุกรม
เวลา จำานวนมากข้อมูลมากช้าลงเทคนิคเหมืองแร่ยกเว้นการบีบ
อัดข้อมูลเทคนิคที่ใช้เพื่อกำาจัดซำ้าซ้อนและเสียงเป็นต้นการสกัด
คุณลักษณะจึงมีบทบาทสำาคัญในการส่งเสริมข้อมูลขั้นตอนวิธีการ
ทำาเหมืองที่ใช้กับข้อมูลลดลงกว่าเดิมหนึ่ง เวลาเรียนขึ้นอยู่กับแรง
ดันไฟฟ้าและ รูปแบบสัญญาณทางเครือข่ายกำาลังเป็นหนึ่งใน
พื้นทีที่น่าสนใจช่วงเวลาของชุดเหมืองข้อมูล
่
เครือข่ายกำาลังทำางานร่วมกับไมโครสำาคัญอุปกรณ์ไฟฟ้า
และระบบควบคุมตามอำานาจและเป็นแหล่งที่มาของ มลพิษ
สัญญาณดี เครือข่าย suffers จากรบกวนต่างๆเช่น dips แรงดัน
ทันทีและเพิ่มขึ้น magnitudes แรงระยะเวลาสั้น ๆ และ
สูง transients ความถี่หยักเดียวและหลาย spikes, จังหวะผิด
เพี้ยน, ความผิดพลาดของเวลาที่ไม่หยุดนิ่ง เมื่อตรวจสอบ ข้อมูล
ที่บัสเครือข่ายอำานาจบางสำาหรับ 6 เดือนสามารถใช้เป็นกิกะไบต์
ปัญหาพื้นฐานถูกวางโดยข้อมูล ขนาดใหญ่นี้คือวิธีหนึ่งไม่เข้าใจ
และใช้ข้อมูลนี้ เพื่อสกัดความรู้เฉพาะเกี่ยวกับข้อมูล แม้ว่าเทคนิค
ทาง สถิติและเครื่องง่ายเรียนรู้การ วิเคราะห์ข้อมูล ได้แก่ การ
พัฒนานานสูงเทคนิคยังไม่สุก การค้นพบความรู้ (KDD) รบกวนรูป
แบบและคล้ายคลึงจำาแนก patters ข้อมูลยอมรับในข้อมูลเครือ

3. ข่ายด้านพลังงานที่สำาคัญของเวลาสัญญาณไฟชุด เหมืองข้อมูล
เหมืองข้อมูลที่ไม่นิ่ง ข้อมูลอนุกรมเวลาที่รวบรวม จากเครือข่าย
อำานาจเกี่ยวข้องกับรูปแบบเหมาะ สมหรือกำาหนดรูปแบบจากการ
สังเกต (วัด) ข้อมูล รุ่นติดบทบาทของความรู้ inferred ตัดสินใจ
ว่ารูปแบบสะท้อน ประโยชน์รู้หรือไม่เป็นส่วนหนึง ของ่
กระบวนการ KDD ทีอัตนัยการตัดสินของมนุษย์จะต้อง ปกติ โดย
่
ทัวไปฟังก์ชันในคลังข้อมูลรวม ประเภทลวดลาย clustering การ
่
สร้างกฎและค้นพบความรู้
ข้อมูลเทคนิคการทำาเหมืองเพื่อเสนอรูปแบบ การจัดหมวด
หมู่ค้นพบความรูและความวุ่นวายในเครือข่ายอำานาจข้อมูล
้
ประกอบด้วย สองขั้นตอน ในระยะแรกเป็นข้อมูลดิบจัดรูปแบบ
ปกติและ การประมวลผลโดยเวลาความถี่เทคนิคการประมวลผล
สัญญาณสำาหรับแยกที่เกี่ยว ข้องคุณสมบัติ ที่นาสนใจที่สุดเครื่อง
่
มือ AI สำาหรับเครือข่ายอำานาจการศึกษารวมถึง การรบกวนระบบผู้
เชี่ยวชาญ [1] fuzzy ,neural network และขั้นตอนวิธีพันธุกรรม
[2-5] อื่นวิธีการที่มี ประสิทธิภาพจากการวิเคราะห์ wavelet
[6-14] ได้เสนอในบทความ สำาหรับแยกคุณลักษณะที่เกี่ยวข้อง
กับจัดว่าลักษณะของ การรบกวนและยังให้จำากัด วงและการตรวจ
สอบระยะเวลาและเวลาที่เกิดขึ้นของการรบกวน นี้เกิดจากการ
เปลียนแปลงความกว้างซึ่งมีขนาดเล็ก ที่ความถี่สูงและขนาดใหญ่
่
ความถี่น้อย แม้ว่าเวฟมัลติรีโซลูชันเปลี่ยนมีความเหมาะสมดี
สำาหรับการแยกคุณลักษณะจากข้อมูลอนุกรมเวลาจำาแนก จาก
จำานวนข้อเสียของการทำา wavelet transform จำาแนกระยะเวลา
สั้นๆ transients อย่างถูกต้องในขณะที่มีความเป็นไปได้ของ
misclassification ของข้อมูลเป็นของรบกวนสภาวะ เช่น dips
แรงดันไฟฟ้าเพิ่มขึ้นแรงดัน, รบกวน (ยุบ) จังหวะผิดเพี้ยน ฯลฯ
นอกจากหากความถี่เฉพาะ ปัจจุบันส่วนในการ รบกวนจะไม่สกัด
มีโอกาสของ misclassification ข้อมูล ด้วยการทำา wavelet
transform จากความไม่ถูกต้อง เนื่องจาก superposition เสียง
ข้อมูลและ อาจต้อง denoising ประเภทอื่นที่มประสิทธิภาพล่าสุด
ี
กลยุทธ์สำาหรับอำานาจการรับรู้สัญญาณเครือข่ายได้ และได้นำา
เสนอการ wavelet transform และตนเองจัดการเรียนรู้ array
[15,16] ความถูกต้องจำาแนกความแตกต่างกันที่นี่ จาก 90% เป็น
94.5% ตามระดับของเสียงในปัจจุบัน waveform บทความนี้มี
การเปรียบเทียบผลกับที่ได้รับการสนับสนุน vector ลักษณนาม
เครื่องที่พบว่าประสิทธิภาพมากขึ้นใน ofKernel ทางเลือกฟังก์ชัน

4. พิมพ์ SVM ต้องสำาหรับจำานวนของแยกแยะ SVM สำาหรับปัญหา
multiclass ความแม่นยำาในการจำาแนกประเภทนี้กรณีแตกต่างจาก
85% ถึง 90% ใช้วิธีอุปนัยวิธีการอนุมาน [17] ให้แนวทางการ
จำาแนกตำ่าซึ่งเกือบ 90%
บทความ นี้จึงเสนอแนวทางใหม่ที่เรียกว่ามัลติรีโซลูชัน S –
transform สำาหรับการประมวลผลสัญญาณไฟและแยก
คุณลักษณะที่ เกี่ยวข้องกับเหมืองข้อมูล S - transform [18] จะ
ถือว่าเป็นทัง Short Time Fourier Transform (STFT) หรือเป็น
้
ระยะแก้ไขเวฟการแปลงและผลิตคลื่นความถีและเฟสของ non -
่
stationary
ข้อมูลอนุกรมเวลา การแปลงนี้จะพบว่าเหมาะมากสำาหรับการ
วิเคราะห์ข้อมูลการรบกวนสัญญาณไฟ [19,20] หลังจาก
คุณสมบัติที่เกี่ยวข้องเป็นสารสกัดจากสัญญาณดิบข้อมูลต่างๆ
เทคนิคระบบอัจฉริยะจะตรวจสอบให้ผลิตจำาแนกรูปแบบ และค้น
พบความรู้ S-transform ยังสามารถนำาไปใช้ในอนุกรมเวลา
ทางการเงินด้านและข้อมูลสัญญาณ สัญญาณที่คล้ายคลึงกันการ
กำาหนดแนวโน้มและ เหมืองข้อมูล
หลังจาก การแปลงเพื่อแยกคุณลักษณะข้อมูลทีข้อมูลการ
่
ทำาเหมือง ข้อมูลสัญญาณไฟฟ้าจะลดลงในรูปแบบปัญหาการรับรู้
มัน เป็นที่รู้จักกันว่ามีอยู่สองหลักแนวทางในการจดจำา รูปแบบ :
ตัวแปรและวิธีไม่อิงพารามิเตอร์ พิจารณา ข้อเท็จจริงทางสถิติที่
การกระจายของการรบกวนสัญญาณไฟฟ้าไม่สามารถใช้ได้ในส่วน
ใหญ่ไม่อิง พารามิเตอร์คือวิธีเครือข่ายประสาทเชื่อว่ามีความ
เหมาะสมมากขึ้นสำาหรับโปรแกรมนี้ ในบทความนี้
สถาปัตยกรรมต่างๆ ของเครือข่ายประสาทได้ใช้เพื่อกำาหนดความ
เหมาะสมของการรับรูรูปแบบของ power ข้อมูลสัญญาณรบกวน
้
และทำาให้มีประสิทธิภาพของเวลาชุดเหมือง ข้อมูล
หลังจากพิจารณา เครือข่ายประสาทหลายสถาปัตยกรรม
[21-28] สัญญาณเวลาไฟชุดลายจำาแนกเป็น fuzzy multilayer
perception (fuzzy MLP) [24,25] มีพิจารณาในราย ละเอียดมาก
ขึ้นสำาหรับการจำาแนกรูปแบบและกฎรุ่นรับรู้ ธรรมชาติของเวลา
สัญญาณไฟระเบียนข้อมูล fuzzy MLP การฝึกอบรมโดยการขยาย
ขอบเขตและการกลับขนาดของนำ้าหนักการเชื่อมต่อของประสาท
การฝึกอบรมเครือข่ายจะใช้ในขั้นตอนของการทำาเหมือง ขั้นตอน
วิธี fuzzy MLP ในกฎการผลิตและปริมาณของ ผู้เชี่ยวชาญความรู้
สัญญาณไฟได้ถูกนำาเสนอในบทความนี้ แต่ตระหนักทั้งหมดรูป

5. แบบที่เป็นไป ได้จะเสนอให้รวมระบบผู้เชี่ยวชาญและสอง fuzzy
MLPs เป็นสถาปัตยกรรมเหมืองข้อมูล วิธีการชุดสำาหรับปริมาณที่
เวลาไม่หยุดนิ่ง กำาลังสัญญาณพารามิเตอร์ เช่นเวลาเริ่มเวลาสิ้น
สุดระยะ เวลาการรบกวนความถี่ชั่วคราว, amplitude สูงสุดของ
อนุกรมเวลาอื่นๆ จะถูกนำาเสนอในบท ความนี้ด้วย
2. การแยกช่วงเวลาของข้อมูลจากความสามารถ
ความสามารถในการแยกจากแรงดันไฟฟ้าที่ดที่สุด คือการ
ี
แยกจากจุดกำาเนิดผ่านการวิเคราะห์ช่วงความถีที่มีประสิทธิภาพ
่
ซึ่งหลักการนี้ S-transform ได้นำามาใช้ โดยที่ S-transform เกิด
จากความลำ้าหน้าของเครื่องประมวลผลสัญญาณ 2 ตัว คือ Short
Time Fourier Transform (STFT), wavelet transform สามารถ
ดูได้จาก คลื่นความถีที่ขึ้นอยู่กับ STFT หรือดูจากคลื่นความถูก
่
ต้องของ wavelet โดยมีการพิสูจน์ว่า S-transform นำามาใช้ได้ดี
กว่า การแบ่งช่วงเวลาแบบ scale
S-transform ของเวลาที่สัญญาณแตกต่างกัน โดย h(t) จะ
ได้เป็น

6. ที่ฟงก์ชัน w(t,f) จะสามารถแทนด้วย
ั
และ (f) เป็นฟังก์ชันความถี่
ฟังก์ชันที่เป็นปกติเป็น
ที่ α เป็นค่าปกติที่ 0.2 สำาหรับที่ดีที่สุดโดยรวมประสิทธิภาพ
ของ S - ทรงที่แสดงน้อยผลขอบและคอมพิวเตอร์ส่วนความถี่
สูงสุดระยะเวลาสั้นมาก transients กวัดแกว่งทำาเท่ากับ 5 S-
transform ดำาเนินการวิเคราะห์ความละเอียดหลายสัญญาณที่
เพราะความกว้างของ หน้าต่างที่จะแปรผกผันกับความถี่นี้ให้ความ
ละเอียดสูงเวลาที่ความถี่สูงและ ในมืออื่นความละเอียดความถี่สูง
ที่ความถี่ตำ่า
ความไม่ต่อเนื่องตาม (1) ทีได้รับ คือ
่
ที่ G(m,n) = e -2π2m2α2/n2 และ H(m, n) ขยับตาม discrete
Fourier transform (DFT) ของ h(k) ตาม n ดังนั้น H(m) จะเป็น
ประสิทธิภาพการคำานวณของ FFT ใช้ในการคำานวณ S -
TRANSFORM และจำานวนรวมของการดำาเนินงานเป็น N (N + N
log N) ออก จาก S - TRANSFORM เป็น N โดย M matrix เรียก
ว่า S - matrix ที่มแถวที่เกี่ยวข้องกับความถีและมีคอลัมน์ที่
ี ่
เกี่ยวข้องกับเวลา องค์ประกอบของแต่ละ S – matrixซับซ้อน

7. มูลค่า S - matrix สามารถแสดงในเครื่องบินความถี่เวลา คล้าย
กับการแปลงเวฟ
ความสามารถในการ Extraction จะทำาโดยใช้มาตรฐานทาง
สถิติเทคนิคการรูปร่าง ของ S - matrix ทั้งโดยตรง S - matrix
คุณสมบัติเหล่านี้ พบว่าเป็นประโยชน์สำาหรับตรวจสอบการ
จำาแนกหรือปริมาณของตัวแปรที่เกี่ยวข้องของสัญญาณ พลังเครือ
ข่าย สัญญาณอนุกรมเวลาเป็นปกติเกี่ยวกับค่าฐานซึ่งค่าเป็นปกติ
โดยไม่การรบกวนใด ๆ
i. Std1: ส่วนเบี่ยงเบนมาตรฐานของ contour ตำ่าสุดไป
สองครั้งความถี่พื้นฐานปกติ
ii. Stdh: ส่วนเบี่ยงเบนมาตรฐาน ของฮิลแบร์ทการแปลง
ของสัญญาณ
iii. Avg: เฉลียค่าสัมบูรณ์ squared ของ S – matrix ที่
่
ไปสามครังความถี่พื้นฐาน
้
iv. Cf: Max(A) + Min(A) Max(B) Min(B), เมื่อ A คือ
amplitude กับเวลากราฟ ของ S – matrix สำาหรับ
สัญญาณที่ไม่ถูกรบกวน และ B สำาหรับสัญญาณที่ถูก
รบกวน
v. THD: ความเพี้ยนของฮาร์โมนิรวมสัญญาณที่ N คือ
จำานวนจุดใน FFT
vi. Std2 (Cr):ส่วนเบี่ยงเบนมาตรฐานของ Cr, Cr ทีเป็น ่
amplitude กับกราฟของ S -matrix สำาหรับความถี่สูง
กว่าสี่ครั้งความถี่พื้นฐาน; คุณลักษณะนี้จะ เรียกว่า
Std.2
vii. Kur (Cr): Kurtosis of Cr.
viii. Sk (Cr): Skewness of Cr.
ix. พลังงาน ของสัญญาณมอดูเลตจาก S – matrix ซึ่ง
สูตรทางสถิติคือส่วนเบี่ยงเบนมาตรฐาน

8. ที่ xi คือตัวแปรไม่ต่อเนื่องภายใต้การพิจารณาและ ¯x เป็น
เฉลี่ยค่า xi และ N เป็นจำานวนจุดข้อมูล ความโด่งเป็นการวัดว่า
ข้อมูลจะแหลมหรือแบน เทียบกับการแจกแจงปกติ คือชุดข้อมูลที่
มีความโด่งสูงมักจะมียอดใกล้ค่าเฉลี่ย ลดลงค่อนข้างเร็วและมี
หางหนัก ข้อมูลชุดที่มีความโด่งตำ่า มักจะมียอดแบนใกล้ค่าเฉลี่ย
แทนที่จะเป็นยอดคม ส่วนที่เบ้บนเป็นตัวชี้วัดความไม่สมดุลแสดง
ว่า S - TRANSFORM มีคุณสมบัติการรบกวนในเครือข่าย
พลังงานไฟฟ้า ที่สามารถจัดโดยการตรวจสอบจาก wavelet
transform จากรูปแบบที่ระบุเป็นเรื่องง่ายมากโดยการจำาแนกการ
ค้นพบความรู้เกี่ยวกับรูปคลื่นรบกวน
3. การวิเคราะห์ลำาดับเวลาสัญญาณ

9. จาก 9 วิธีการจัดหา เครือข่ายสัญญาณรบกวน ได้มีการสรุป
ไว้ในตารางที่ 1 โดยแต่ละสัญญาณนั้นจะเป็นช่วงเวลาที่ไม่หยุด
นิ่ง และมีคุณสมบัติบางอย่างทีลักษณะมันสมบูรณ์
่
ระหว่างนี้สัญญาณ voltage dip (การลดค่าของช่วงเวลา),
voltage rise (การเพิ่มค่าของช่วงเวลา), interruption (ค่าเป็น
ศูนย์), จังหวะสัญญาณพื้นฐานมีความสมำ่าเสมอกัน และระหว่าง
นั้นมีความถี่เกิดขึ้น (เทอม ของ Category-1 การรบกวน) ในกรณี
ของจังหวะทีคงทีแตกต่างกัน ส่วนประกอบความถี่สูงจะพบว่าซ้อน
่ ่
ทับมากกว่า สัญญาณพื้นฐานองค์ประกอบ Switching และ
transients กวัดแกว่ง, หยักเป็นต้น เป็น ของอื่นกลุมและแสดง
่
ความถี่สูงและมีระยะเวลาสั้นมาก สัญญาณเหล่านี้ clubbed ตาม
Category - 2 Time Series สัญญาณ เหล่านี้จะดำาเนินการด้วย
อัตราการสุ่มตัวอย่างของ 12.8 kHz ต่อวงจรตามสัญญาณ 50 Hz
และ S – Transform ต่อหน่วย per unit (pu) แสดงในกราฟที่
1–9 กับจำานวนของสัญญาณกลุ่มตัวอย่าง ตัวเลขเหล่านี้ชัดเจน
เปิดเผยธรรมชาติของเวลา เหล่านี้ ชุดที่เทอมเป็นรูปแบบ จำาแนก
รูปแบบเหล่านี้ตามความสนใจในช่วงเวลาของการทำา Data
mining และความรูที่ค้นพบ ซึ่งข้อเท็จจริง
้ มีค่าที่ 0.2 สำาหรับ
การจำาแนกทีถูกต้องของสัญญาณที่ถูกรบกวน
่

11. หลังจากได้รับ S – Transform แบบไม่หยุดนิ่ง คุณลักษณะ
บางอย่างที่แยกโดยทั่วไปจะแสดงในตาราง 2-4 ในตาราง ค่า
คุณลักษณะต่อชั้น Ci 2 {i = 1,2, . . ., 10}จะได้รับ Class 10
หมายถึงเวลาสัญญาณชุดเรียกว่าหยุด ชะงักกับเสียงดนตรีและจะ
ไม่ใช้ในกรณีศึกษาการรับรู้โดยอัตโนมัติ สัญญาณไฟสำาหรับ
ปัจจุบันลำาดับเวลาปัญหาแหล่งข้อมูลทุกข้อมูลจะถูกแบ่งออกเป็น
3 categories: ปกติ, category - 1 และ category - 2 ขึ้นอยู่กับใน
ค่าคุณสมบัติ F1(Cf), F2(Std1), F3(Energy) and F4(THD)
คุณลักษณะที่อธิบายในบทความนี้ได้ใช้สำาหรับประเภท อื่น ๆ
สัญญาณรบกวนไฟฟ้าอนุกรมเวลาไม่กล่าวถึงในบทความนี้ เมื่อ
คุณสมบัติแยกกว้างในสามประเภทตาม category ย่อย จะถูก
กำาหนดแล้วภายใต้ความถี่ตำ่า (category - 1) และสูง(category -
2) ประเภทของลำาดับข้อมูลสัญญาณ
เมื่อเทียบกับวิธีการเสนอที่ไม่ต่อเนื่อง wavelet transform
ไม่ได้ผล สังเกตและคุณสมบัติเนื้อหาสเปกตรัมที่แน่นอนและต้อง
ใช้ neural network หลายสำาหรับการจำาแนกรูปแบบ เช่นเมื่อเวลา
สัญญาณและมีสวนประกอบเป็นเสียงดนตรีแสดงในรูป 8 (a) ,
่
output DWT ที่ความละเอียดทีแตกต่างกันระดับจะปรากฏในรูป
่
10 เปรียบเทียบ 8 และ 10 เป็นสังเกตว่า S - เปลียนรูปทรงอย่าง
่
สมบูรณ์จับพารามิเตอร์ ลักษณะของการรบกวนและที่สำาคัญทำาให้
ชุดเวลาเช่นเวลา เริ่มต้นสิ้นสุดเวลา, ระยะเวลาความถี่ชวคราว คลื่น
ั่
และสามารถจะสกัดได้ง่าย เกี่ยวกับมืออื่น ๆ เวฟเปลี่ยนรูปทรงไม่
จับๆ ลักษณะเฉพาะดังกล่าวกรมสัญญาณที่แสดงจากรูป 10 แต่
สำาหรับการเปรียบเทียบโดยรวมรูปแบบจำาแนกโดยใช้การ รวม
DWT และ DFT และสอง MLPs จะได้รับยังอยู่ในบทความ
คุณลักษณะ ทีจำาเป็นสำาหรับการดังกล่าวจำาแนกเป็น
่
1. รายละเอียดค่า สัมประสิทธิ์เวฟในระดับต่างๆของการย่อย
สลาย
2. ความกว้างและมุมเฟสของสัญญาณไม่นิ่งได้รับจาก DFT
output

12. 3. ความผิดเพี้ยนของกระแสที่มีความถี่เป็นจำานวนเท่าของ
ความถี่ปกติ
ในกรณีที่ DWT และวิธี DFT หนึ่ง MLP ใช้สำาหรับ
ปรากฏการณ์สถานะคงตัวและอื่น ๆ ทีใช้สำาหรับการชั่วคราว
่
สัญญาณรบกวน รูป ทัวไปของอนุกรมเวลาสัญญาณไฟแสดง
่
ประเภทต่างๆ disturbances in 2000 สัญญาณตัวอย่างได้รับการ
พิจารณาการจำาแนก Fig.11 นำาเสนอ ชุดเวลาดังกล่าว
สำาหรับ S – Transform จำาแนกตามรูปแบบ, รวม 3530
สัญญาณที่แตกต่างกันมาใช้ในการฝึกอบรมและเครือข่าย LVQ
1350 สัญญาณมาใช้ในการทดสอบ ลักษณนาม LVQ สำาหรับแยก
ชุดเวลาออกเป็น สองประเภทแยกเป็นอธิบายในส่วนถัดไป

13. 4. รูปแบบการเรียนรู้ (Pattern recognition)
4.1. LVQ classifier
การเรียนรู้เครือข่ายนิวรอนแบบเวกเตอร์ควอนไทเซชัน (The
learning vector quantization: LVQ) เป็นเครือข่ายสำาหรับหลาย
อินพุตและหลายเอาท์พุตภายในเครือข่ายเดียวกัน ซึ่งมีวิธีการ
เรียนรู้ทั้งแบบการเรียนรู้แบบมีผู้ฝึกสอนและไม่มีผู้ฝึกสอน ขั้นตอน
การเรียนรู้แบบไม่มีผู้ฝึกสอน, คล้ายกับการเรียนรูแบบ Kohonen ้
คุณสมบัติสามารถสรุปได้ดังนี้
(I) กำาหนดค่าเริ่มต้นให้กับเวกเตอร์นำ้าหนักประสาทและค่า
คงที่การเรียนรู้ เวกเตอร์นำ้าหนักจะหาได้จากสูตร
Wk (t ) = [Wk 1 (t )t ,Wk 2 (t ),...Wkn (t )]
T
n = dimension of the input vector.
(II) ตัวอย่าง : ตัวอย่าง X สามารถที่จะดึงมาจากตัวอย่าง
ตามรูปที่ 11 แสดงในกรณีนี้เป็นเวกเตอร์ได้ดังนี้
ตัวอย่าง
รูปที่ 11 รูปกำาลังไฟฟ้าไม่คงที่
(III) จับคู่คล้ายคลึง : คำานวณหานิวรอนผู้ชนะ k จากความ
สัมพันธ์ได้โดยใช้ระยะทางยุคลิดเป็น
Y (t ) = arg k min{ X − Wi }
(IV) ทำาซำ้าขั้นตอน (II) ซำ้าจนกว่าจะไม่มีการเปลี่ยนแปลง
ในค่านำ้าหนัก
การเรียนรู้ระยะที่สองจะใช้เทคนิค LVQ เพื่อเพิ่ม
ประสิทธิภาพนำ้าหนักด้วยวิธีดังนี้
WC (t ) + α (t )u i ( X )( X − WC (t )) if Ci = C j

WC (t + 1) = WC (t ) − α (t )u i ( X )( X − WC (t )) if Ci ≠ C j
W (t ) if i = C
 i

14. ในสมการข้างต้นใช้ C อีกครั้งเพื่อแสดงว่าเป็นนิวรอลชนะ
Ci เป็นชั้นที่กำาหนดให้เป็นผู้ชนะและ C j เป็นชั้นของส่วนหนึ่งของ
หน่วยรับข้อมูล X, α (t ) คืออัตราการเรียนรู้ ต่อไปนี้เป็นค่าที่ถูก
เลือกของ α (t ) และ ui ( X )
1− t 
α (t ) = α0 
 T 
2
exp(− X − Wc / 2σ 2 )
ui (t ) = k
2
∑ exp(− X − Wc / 2σ 2 )
i −1
ค่าของ α 0 และ σ จะถูกเป็น 0 ≤ α 0 ≤ 1, σ > 0. เพื่อวัดความ
คล้ายคลึงกัน จะใช้หลังจากที่ได้รับค่านำ้าหนักสุดท้าย เพื่อให้ได้
ระยะทาง vector คุณลักษณะที่ X เป็นค่าของนำ้าหนัก
d = ( X −W )
ที่ Ck หมายถึงชุดของนำ้าหนัก ทีแทนประเภทของการ
่
รบกวน สำาหรับไฟสัญญาณแสดงเวลาลำาดับ – ข้อมูลปัญหาการ
ทำาเหมืองข้อมูลทั้งหมดจะถูกแบ่งออกเป็นสามประเภท ปกติ
หมวด 1 และหมวด 2 ขึ้นอยู่กับคุณสมบัติค่า
F1 (C f ), F2 ( Std1), F3 ( Energy ), และ F4 (THD ).
แบ่งได้ 2 ประเภท ทีถูกใช้เพื่อจำาแนกการรบกวนและแสดง
่
ในรูปที่ 11 คลื่นรบกวนความถี่สูง (ประเภท 2) ประกอบด้วยการ
แกว่งชัวคราว, การกระชากชั่วคราวและการรบกวนแบบต่อเนื่อง
่
คลื่นรบกวนความถี่ตำ่า (Category 1) ประกอบแรงดันเพิ่ม, แรงดัน
ลด, การขัดจังหวะ, การประสานแรงดัน, สัญญาณปกติ, แรงดัน
ขึ้นและการประสานแรงดัน, แรงดันลดและการประสานแรงดัน
คลื่นรบกวนทั้งหมดนี้เป็นกำาลังไฟฟ้าที่ไม่คงที่ และต้องการรับรู้
แนวทางในการกำาหนดรูปแบบจำาแนก ซึ่งแต่ละประเภท ลำาดับ
ข้อมูลเป็นการแบ่งเป็นหลายส่วนและแต่ละส่วนประกอบด้วย
2,000 จุดข้อมูล จุดข้อมูลเหล่านี้ทใช้ในการสกัดและคุณสมบัติ
ี่
คล้ายกับการจับคูลำาดับข้อมูลสัญญาณปกติ จำานวน 3350 ข้อมูล
่
จำาลองที่แตกต่างกันในแต่ละลำาดับประกอบด้วย 2,000 จุดมีการ
ประมวลผลข้อมูลผ่านการจำาแนกด้วย LVQ สำาหรับการจำาแนกนี้ค่า
ของ α 0 และ σ จะเลือกให้เป็น 0.1 และ 0.35 ตามลำาดับ การจำาแนก
ด้วย LVQ ให้ถูกต้อง 100% ในการแบ่งลำาดับข้อมูลออกเป็นสอง
ประเภทโดยการมีสัญญาณรบกวน แต่ถ้าเสียงจะถูกเพิ่มข้อมูล
ลำาดับความถูกต้องจะลดลงถึง 98.5% หลังจากที่เริ่มต้นทำาการ

15. จำาแนกด้วยแยกแยะนิวรอนหรือนิวรอนคลุมเครือ แผนรับรู้รปแบบ
ู
ต่าง ๆ อธิบายไว้ด้านล่าง (รูปที่ 12) :
Classifier for
high frequency
S-Transform
Signal LVQ net. Normal
Pre-processing
Classifier for
low frequency
รูปที่ 12 การจำาแนกประเภทเครือข่าย
4.2. Minimum Euclidean distance (MED)
ขั้นแรกต้องหาจุดศูนย์กลาง ( x j ) ของแต่ละ class ของการ
รบกวน พบว่าเมื่อทดสอบด้วยเวกเตอร์ xn ชั้นทีมีระยะทาง
่
Euclidian ตำ่าสุดจากการทดสอบเวกเตอร์จะถูกเลือกเป็น class
สำาหรับเวกเตอร์ทดสอบที่เฉพาะ ระยะทางยุคลิดคำานวณได้ดังนี้
N
xn − x j = ∑(x
i =1
ni −x ji ) 2
ที่ N เป็นมิติของเวคเตอร์ xn = { xn1 , xn 2 ,...xnN } และ
x j = { x j1 , x j 2 ,...x jN } คือ ลำาดับที่ j เป็นจุดกึ่งกลาง
4.3. Multilayer perceptron (MLP)
Multilayer perceptron เป็นหนึงในสถาปัตยกรรมเครือข่าย
่
ประสาทที่นิยมใช้ในปัจจุบัน ซึ่งมีความใกล้เคียงความเป็นสากล
และเป็นมาตรฐานเมื่อเปรียบเทียบกับนิวรอลเน็ตเวิร์กอื่น ๆ ชั้นแรก
ของ MLP คือ tansig ฟังก์ชันกระตุ้นที่นิวรอนที่ซ่อนอยู่ และ
logsig ฟังก์ชันกระตุ้นที่นิวรอลเอาท์พุตมาใช้ จำานวนของเซลล์
ประสาทที่ซ่อนใช้เป็น 20 และ 6 นิวรอลสำาหรับแยกแยะคลื่น
รบกวนความถี่ตำ่าและสูงตามลำาดับ กระบวนการย้อนกลับของการ
เรียนรู้ มีอัตราการปรับการเรียนรู้โดยใช้ MLP โดยเหตุการณ์นี้จะ
เกิดขึ้นมากกว่า 2000 ครั้ง ตลอดชีวิต
หลักการทำางานของ MLP
1. ในแต่ละชั้นของชั้นซ่อนตัว (Hidden Layer) จะมี
ฟังก์ชันสำาหรับคำานวณเมื่อได้รับสัญญาณ (Output)
จากโหนดในชั้นก่อนหน้า เรียกว่า Activation

16. Function โดยในแต่ละชั้นไม่จำาเป็นต้องเป็นฟังก์ชัน
เดียวกันก็ได้ ชั้นซ่อนตัวนั้นมีหน้าทีสำาคัญคือ จะ
่
พยายามแปลงข้อมูลที่เข้ามาในชั้น (Layer) ให้
สามารถแยกแยะความแตกต่างโดยใช้เส้นตรงเส้น
เดียว (Linearly Separable) และก่อนที่ข้อมูลจะถูก
ส่งไปถึงชั้นข้อมูลออก (Output Layer)
ในบางครั้งอาจจำาเป็นต้องใช้ชั้นซ่อนตัวมากกว่า 1 ชั้นใน
การแปลงข้อมูลให้อยู่ในรูป Linearly Separable
2. ในการคำานวณหา Output ปัญหาการจำาแนกทำาได้
โดยการใส่ข้อมูล Input เข้าไปในนิวรอนเน็ตเวิร์กที่
เราได้ทำาการหาไว้แล้ว จากนั้นให้ทำาการเปรียบ
เทียบค่าของ Output ใน Output Layer และให้
ทำาการเลือกค่าของ Output ทีมีค่าสูงกว่า (Neuron
่
ทีมีค่าสูงกว่า) และทำาการปรับค่าของ Error ให้อยู่
่
ในช่วงทีรับได้ (Error น้อยกว่า Error ที่เรากำาหนด)
่
3. หลังจากให้ทำาการรับข้อมูลชุดถัดไป แต่หากค่าของ
นำ้าหนัก มากกว่าค่าที่ยอมรับได้ ให้ทำาการปรับค่านำ้า
หนักและ Biased ตามขั้นตอนที่ 2
4. เมื่อทำาการปรับนำ้าหนักเรียบร้อยแล้ว ให้ทำาการรับ
ข้อมูลชุดถัดไปและทำาตามขั้นตอน 2 – 3 ซำ้าอีกรอบ
จนกระทั่งถึงข้อมูลชุดสุดท้าย
5. เมื่อทำาข้อมูลชุดสุดท้ายเสร็จจะนับเป็น 1 รอบของ
การคำานวณ (1 Epoch) จากนั้นจะทำาการหาค่าผิด
พลาดรวมเฉลีย จากค่าเฉลี่ยของ ทีได้เก็บค่าเอาไว้
่ ่
เพื่อใช้ในการตรวจสอบว่าค่าโดยเฉลี่ยในการจำาแนก
นั้น มีค่าน้อยกว่าค่าผิดพลาดทียอมรับได้หรือไม่ ถ้า
่
ใช่แสดงว่าโครงข่ายประสาทเทียมที่สร้างขึ้นนั้น
สามารถให้ผลลัพธ์ที่ถูกต้องของทุก ๆ ข้อมูลแล้ว
จึงทำาการจบการเรียนรู้ได้ แต่ถ้าไม่ใช่ ให้กลับไปทำา
ตามขั้นตอนแรก โดยเริ่มรับข้อมูลชุดที่ 1 ใหม่
4.4. Radial basis functional link net (RBFLN)
RBLFN เป็นตัวแปรของการเครือข่ายเชื่อมโยง หรือฟังก์ชัน
พื้นฐานแนวรัศมีประสาท โดยจะมีเครือข่ายประสาทมากกว่า RBF
ทัวไปเพราะประกอบด้วยทั้งเชิงเส้นและไม่เชิงเส้น
่

17. RBFLN เป็นเครือข่ายไปข้างหน้าประเภทหนึ่ง ที่ได้รบการ
ั
ยอมรับว่ามีประสิทธิภาพสูงเครือข่ายหนึ่ง เครือข่าย RBF แตกต่าง
ไปจากเครือข่าย MLP ตรงที่เครือข่าย RBF นั้นมีชั้น hidden เพียง
ชั้นเดียว
RBFLN สามารถพิจารณาฟังก์ชั่นการส่ง (mapping
function) ของความสัมพันธ์ระหว่างคู่รูปแบบอินพุตและเอาต์พุต
ได้ โดยการเรียนรู้ของเครือข่ายเป็นการปรับค่านำ้าหนักประสาทให้
ได้ฟังก์ชันการส่งที่เหมาะที่สุด ดังนั้นสามารถกล่าวได้วาเครือข่าย
่
RBF คือกระบวนการปรับเส้นโค้ง (curve fitting) ระหว่างอันพุ
ตกับเอาต์พุตนั่นเอง
X1 ∑ Z1
X2 ∑ Z2
XN ∑ ZJ
Ω
Ω Ω Radial Basis Function
Ω
รูปที่ 13 Radial basis functional link net
RBFLN ในรูปที่ 13 มีชั้นอินพุตคือ N โหนด ชั้นซ่อนเร้นคือ
หน่วย M และชั้นเอาท์พุตคือหน่วย J
หน่วย M เป็นตัวแทนของสถาปัตยกรรมเครือข่าย RBF และ
เชื่อมต่อกับหน่วยแสดงผล โดย wmj คือเวกเตอร์นำ้าหนัก ดังนั้นผล
ที่ได้ทงหมด ในแต่ละหน่วยของ RBFLN จะได้แก่:
ั้
1
∴ z (jq ) =
M+N
M  x (q) − v (m) 2
 N 
  + ∑ wnj x ( q ) 
x ∑ wmj exp  
 m=1  2σ m2
 n=1 
   
ที่ {x(q): q = 1,…, Q} คือเวคเตอร์ที่ได้รับการเรียนรู้
{v(m):m = 1,. . ., M} เป็นศูนย์กลางของฟังก์ชันพื้นฐาน, σ m เป็น

18. พารามิเตอร์กระจาย และ wnj เป็นเวกเตอร์นำ้าหนักจากชั้นใส่ในชั้น
เอาต์พุต
ศูนย์ฟังก์ชันเกาส์เซียน (v(m)) จะเริ่มต้นได้ใช้ kmeans
clustering algorithm (เริมต้นดูแล) และความกว้างส่วนเบี่ยงเบน
่
(m)
มาตรฐาน (s ) จะเริ่มต้นได้โดยใช้สมการดังต่อไปนี้
Dmax
σ (m ) = σ = , m = 1,2,..., M
2M
(
Dmax = max i ,k =1, 2,...,M v ( i ) − v ( k ) )
นำ้าหนักได้รับการปรับปรุงได้จากสูตร
  x (q ) − v (m) 2

η1  Q ( q ) 
wmj = wmj + ∑
M + N  q =1
(t j − z (jq ) ) exp 
 2σ m
2


  

η 2  Q (q) (q) (q) 
wnj = wnj +  ∑ (t j − z j )x 
M + N  q =1 
ที่ η1 และ η 2 คือระดับการเรียนรู้
4.5. Fuzzy multilayer perceptron (fuzzy MLP)
จากตาราง 1 จะเห็นได้วาคุณลักษณะบางอย่างที่มีขนาดเล็ก
่
มากเมื่อเทียบกับคุณสมบัติอื่น ๆ ที่ได้จากความถี่ที่หาได้จากฟัง
ก์ชั่น S จึงอาจต้องให้มีการ fuzzify คุณสมบัติเหล่านี้เพื่อที่จะง่าย
ต่อการการค่านำ้าหนักของ fuzzy MLP และสร้างกฎที่เกี่ยวข้อง
สำาหรับการรับรู้แบบหลายชั้น ในส่วนนี้จะมีการคำาอธิบายการทำา
fuzzy MLP ดังนี้ เอาท์พุตของนิวรอนในชั้นใด ๆ (h + 1) อื่น ๆ
จะมากกว่าชั้นอินพุตจะได้รับดังนี้
1
y h+1 =
1 + exp( − ∑ i yih w h )
j
ji
yih คือสภาวะของนิวรอนในชั้น ith นิวรอนในชั้นก่อนหน้าของ
ชั้น hth และ w ji คือนำ้าหนักของการเชื่อมต่อ ith จากนิวรอนในชั้น
h
(h) ไปยังนิวรอนในชั้น jth (h + 1) สำาหรับโหนดในชั้นอินพุต y j
( 0)
ให้สอดคล้อง jth ซึ่งเป็นองค์ประกอบของเวกเตอร์อินพุต ค่าน้อย
ที่สุดของข้อผิดพลาดในตารางเวกเตอร์คือกระบวนการย้อนกลับ
ของการเรียนรู้ เวกเตอร์นำ้าหนักที่เพิ่มขึ้นจะหาได้ดังนี้
∂E
∆w (jih ) (k ) = α∆w(jih ) (k − 1) − η
∂w ji
ที่โมเมนตัมระยะคือ 0 ≤α ≤1 และ η คืออัตราการเรียนรู้

19. fuzzy MLP มีความสามารถจำาแนกรูปแบบของ fuzzy ใน
สถาปัตยกรรมเครือข่ายนีob;ivo แต่ละอินพุตแสดงในรูปของค่า
้
สมาชิกแต่ละได้เป็นตำ่า กลาง และสูง ดังนั้น n มิติ
F i = [ Fi1 , Fi 2 ,..., Fin ] สามารถแสดงเป็นเวกเตอร์มิติ 3N :
Fi [
= µ low( F ) ( F i ), µ medium ( Fn ) ( F i ), µ high ( Fn ) ( F i ),...,
µlow( Fin ) ( F i ), µ medium ( Fin ) ( F i ), µ high ( Fin ) ( F i ) ]
ที่ µ แสดงฟังก์ชันสมาชิกของชุดภาษาที่ตรงกัน
ใน fuzzy MLP, ค่าเป้าหมายสามารถ fuzzified ด้วย ปัญหา
L - class สามารถแทนด้วย L นิวรอนเอาท์พุต ให้เวกเตอร์ n มิติ
Ok และ Vk แสดงค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานตามลำาดับของ
ข้อมูลตัวเลขการเรียนรู้ kth ระยะทางของนำ้าหนักการเรียนรู้ รูป
แบบ F จากชั้น kth หมายถึง
2
n  F − okj 
zik = ∑  ij  ,for k = 1,…,L,
 vkj 
j =1  
ที่ Fij คือค่าของส่วน jth ของจุดรูปแบบ ith และ Ck เป็นชั้น
kth สมาชิกของลาย ith เพื่อ class Ck หมายถึง:
1
µk (F i ) =
1 + ( zik / f d ) fc
ที่ z คือระยะนำ้าหนักที่เป็นค่าที่เป็นค่าบวก fd และ fc คือ
ขนาดของสมาชิกชั้นนี้
ในงานนี้ มีการแก้ไขกระบวนการอินพุต fuzzification เพียง
เล็กน้อย ขึ้นอยู่กับคุณลักษณะคุณสมบัติที่สามารถแบ่งพาร์ติชัน
ในหลายพื้นทีไม่จำาเป็นต้องจำากัด อยู่ที่ขนาดเล็กกลางและสูง
่
โดยใช้ฟังก์ชันสมาชิกทัวไปเช่นฟังก์ชัน S, ฟังก์ชัน Z, ฟังก์ชัน
่
Gaussian หรือฟังก์ชันสมาชิกที่เห็นว่ามีประโยชน์ ฟังก์ชันสมาชิก
การจำาแนกความถี่สูงและความถี่ตำ่าและความถูกต้องของ Fuzzy
ต้องใช้สอง fuzzy MLP เพื่อใช้สำาหรับการจำาแนก fuzzy MLP
ตัวแรกใช้สำาหรับการแบ่งสามคลื่นรบกวนความถี่สูง เช่น การแกว่ง
ชั่วคราว, การกระชากชั่วคราว และการรบกวนแบบต่อเนื่อง fuzzy
MLP ประกอบด้วยหกนิวรอนที่ชั้นซ่อนตัวอยู่กับการเพิ่มที่ไม่ไปใน
ทางเดียวกัน ทังในนิวรอนชั้นซ่อนตัวและนิวรอนเอาท์พุต ผลลัพธ์
้
จำานวน 1,080 สัญญาณถูกใช้เป็นชุดการเรียนรู้ และ 450 สัญญาณ
ถูกใช้เป็นการทดสอบ สัญญาณทีนำาไปทดสอบยังมีการใช้การซ้อน
่
ทับของคลื่นรบกวน 30 dB ด้วย white Gaussian noise เพื่อดู
ความทนทานต่อการรบกวนของวิธีที่เสนอ ซึงสองรูปแบบนี้เป็นสิ่ง
่

20. จำาเป็นในการแยกคลื่นรบกวนความถี่สูง (ประเภท 2) มี F1 และ F3
(ตารางที่ 5)
สอง fuzzy MLP ทีใช้ในการจัดชั้นหกรบกวนความถี่ตำ่าคือ
่
แรงดันเพิ่ม, แรงดันลด, การขัดจังหวะ, การประสานแรงดัน,
สัญญาณปกติ, แรงดันขึ้นและการประสานแรงดัน, แรงดันลดและ
การประสานแรงดัน จำานวนนิวรอนใช้ เป็นนิวรอนที่ค่อนข้างเล็ก
ประกอบด้วยนิวรอนในชั้นซ่อนตัว 20 สัญญาณเท่านั้น นิวรอล
จำานวน 2,450 สัญญาณได้นำามาใช้ในการเรียนรู้และส่วนที่เหลือ
900 สัญญาณ นำามาใช้สำาหรับการทดสอบ คุณสมบัติ F1 และ F4
ได้ใช้เป็นปัจจัยการอินพุตไปยัง fuzzy MLP ความถูกต้องจำาแนก
ได้ดีแม้ในทีที่มีคลื่นรบกวน 30 dB ด้วย white Gaussian noise
่
ตารางที่ 4 และ 6 ได้แสดงการเปรียบเทียบการประเมินของการ
จำาแนกไว้
พบว่ามีประสิทธิภาพดีกว่า fuzzy MLP การแยกแยะอื่น ๆ ที่
อธิบายไว้ที่นี้ ประโยชน์อย่างหนึ่งของการใช้ fuzzy MLP คือเรา
สามารถได้รบข้อมูลเชิงลึกเพิ่มเติมในความสัมพันธ์ระหว่าง
ั
คุณลักษณะและประเภท แม้วาบางคุณลักษณะใช้เพื่อระบุชุดเวลา
่
ที่ไม่คงที, คุณลักษณะที่อธิบายก่อนหน้านี้สามารถนำามาใช้เพื่อ
่
ผลิตจำาแนกประสิทธิภาพและค้นพบความรู้ ซึ่งเป็นคุณสมบัติที่
เกี่ยวข้องกับการทำาเหมืองข้อมูล

21. 5. การสร้างกฎ
เครือข่ายประสาทเทียมใช้สำาหรับการสร้างกฎใน if – then
เพื่อหาเหตุผลถึงการตัดสินใจในทุก
กระบวนการประเมิน มีการอธิบายกระบวนการในรูปที่ 14 กฎนี้
อธิบายขอบเขตที่ทดสอบอยู่ในระดับของรูปแบบการรบกวนในแง่
ของการมาก่อนและส่วนที่เป็นผลลัพธ์ของกฎ ขั้นตอนต่อไปเพื่อ
สร้างกฎสำาหรับกระจายคลังข้อมูล
ขั้นตอนที่ 1. เลือกชั้นซ่อนที่มีผลกระทบออก แทนค่า wjk >
0 (j = ชั้นที่แสดงผล, k = ชั้นที่ซ่อน)
ขั้นตอนที่ 2. เซล ประสาทของท่านเลือกที่ยิงแรง s > 0.5 และ
มีการเชื่อมโยงสูงสุดสะสมนำ้าหนักเซลประสาทออกผ่านทางเลือก
เซลล์ประสาท ชั้นที่ซ่อนจะมากกว่าศูนย์
ขั้นตอนที่ 3 กฎ If – then นั้นจะถูกสร้างจากเซลล์ประสาทท่าน
เลือกและแสดงออกเซลล์ประสาท
ขั้นตอนที่ 4 1-4 ขั้นตอนที่มีการซำ้าทั้งหมดของเรื่อง vectors
ขั้นตอนที่ 5 ยกเลิกกฎทั้งหมดที่มีคุณสมบัติน้อยกว่าหนึ่งในสาม
ออกมาก่อน
ส่วนที่เป็นผลลัพธ์ของกฎได้จากค่า PJ
ค่า Yj ทีเป็นผลลัพธ์ของ j รูปแบบที่ใช้เพื่อแสดงส่วนที่เป็น
่
ผลลัพธ์เป็น

22. สรุปการสร้างกฎ ไว้ในตารางที่ 7 สำาหรับ fuzzy MPL1 และ
ตารางที่ 8 สำาหรับ fuzzy MPL2
ประสิทธิภาพ ของกฎที่สร้างขึ้นจากเครือข่าย perceptron
fuzzy แบบหลายชั้น มีการทดสอบแล้วกับ Mamdani
ตารางที่ 7
กฎที่สร้างขึ้นสำาหรับหาเหตุผลของการตัดสินใจสรุปข้อมูลที่มี
ความถี่สูง
ตารางที่ 8
กฎที่สร้างขึ้นสำาหรับหาเหตุผลของการตัดสินใจสรุปข้อมูลที่มี
ความถี่ตำ่า PQ
ตารางที่ 9
แสดง Fuzzy ระบบอนุมานสำาหรับการรบกวนความถี่สูง
ตารางที่ 10
แสดง Fuzzy ระบบอนุมานสำาหรับการรบกวนความถี่ตำ่า (ทดสอบ)

23. ตารางที่ 11
ทดสอบ fuzzy MLP (Multilayer Perception การรับรู้หลาย
ระดับ)
ระบบอนุมานฟัซซีใช้ max - min และ centroid
defuzzification ระบบอนุมานฟัซซีดังแสดงในตาราง 9-11 จาก
ตารางข้างต้นพบว่า หลักเกณฑ์ในตารางที่ 7 และ 8 ผลลัพธ์ใน
การระบุเครือข่ายชั้นกระจาย จากผลทีแสดงในตารางที่ 9 จะเห็น
่
ว่าคลาส 1-3 มีคุณสมบัติบางอย่างที่ทบซ้อนกันและทำาให้การรับรู้
ั
พบว่าไม่ถูกต้องในบางกรณี เพื่อหลีกเลี่ยงปัญหาเราเพิ่มเติมสาม
คุณสมบัติ Std.2, Kur (Cr), Sk (Cr) สำาหรับแบ่งเวลาชุดรูป
แบบการรบกวน รูปที่ 15 แสดงการแปลงของคุณสมบัติเช่น
Std1, Std2 และ Cf ของ S - matrix สำาหรับต่างสัญญาณ จาก
ตัว เลขมันค่อนข้างชัดว่า Std2 คุณสมบัติเพิ่มเติมสมบูรณ์แตก
ต่างรูปแบบนีถูกกระตุ้นและกวัดแกว่งชั่วคราว
้
ตารางที่ 12
ผลของ คุณสมบัติสถิติอื่นๆ

24. รูปที่ 15 (a) Plot of Std1; (b) Cf; (c) Std2 vs. test samples
แสดง ค่าของคุณลักษณะ Kur (Cr) และ Sk (Cr) สามต่างกวัด
แกว่งชัวคราวและขัดขวางการแสดงอย่างชัดเจนเป็นไปได้ของ
่
การใช้ให้แยกประเภทการรบกวนเหล่านี้ ที่ เห็นจากตารางที่ 6
จำาแนกความถูกต้องของทั้งสองกิจกรรมมีเกือบ 93.3% ด้วยเสียง
30 dB เพิ่มสัญญาณและการสี่คุณสมบัติ (Std1, Cf, พลังงาน,
THD) ทีเข้ากับเครือข่าย MLP เพิ่มสามปัจจัย (Std2, Kur (Cr),
่
SK (Cr)) ในเครือข่าย MLP จำาแนกความถูกต้องของทั้งสองนี้
เพิ่มขึ้นชั่วคราวถึง 98% แต่ความถูกต้องประเภทของสภาวะ
เช่น กรมสัญญาณ (ลดลง) เพิ่มขึ้นสัญญาณ (บวม) และเสียง
แทบจะไม่ได้รับอิทธิพลจากปัจจัยเหล่านี้เพิ่มเติม

25. 6. การค้นพบความรู้จากการลำาดับเวลา
ระบบ KDD สามารถหาจำานวนพารามิเตอร์ต่อไปนี้รบกวนใน
การแบ่งช่วงเวลาที่ไม่คงที่
1. ความถี่ชั่วคราว
รูปที่ 16. ความกว้างกับความถี่ปกติ
รูปที่ 17 ระดับเสียงชั่วคราว
2. เวลาเริ่มเวลาสิ้นสุด และระยะเวลาการแกว่งกวัดชั่วคราว
3. ค่าสูงสุดของการแกว่งกวัดชั่วคราว
4. สูงสุด ถึงยอดค่ากวัดแกว่งชั่วคราว

26. 5. มูลค่าเพิ่มขึ้นหรือแรงดันไฟฟ้าจุ่มไฟฟ้า
6. เวลาเริ่มเวลาสิ้นสุด และระยะเวลาการขึ้นแรง, กรมแรง
ดันไฟฟ้าและการหยุดชะงัก
7. เวลาเริ่มเวลาสิ้นสุด และระยะเวลาการขึ้นแรงดันและแรง
ดันไฟฟ้ากับกรมวิทยาศาสตร์เสียงดนตรี
8. เนื้อหาทีประสานกัน
6.1 การกวัดแกว่งของพารามิเตอร์ชั่วคราว
ดังแสดง ในรูป 16, S – transform ตรวจพบการเกิด
ที่กวัดแกว่งชั่วคราว ข้อผิด พลาดเฉลี่ย 3.43% ในการคำานวณ
ความถี่ (ชั่วคราว f) ไม่มีเสียงรบกวนและเพิ่ม 4.08% เท่านั้นด้วย
การเพิ่ม 30 dB เสียง Gaussian ขาวสัญญาณ เวลา เริมเวลาสิ้น
่
สุดและความยาวของชั่วคราวจะคำานวณจากเสียง (S (t, f
ชั่วคราว)) ทีเกี่ยวข้องกับความถี่ชั่วคราว ดังแสดงในรูปที่ 17
่
เสียง localizes เหตุการณ์ชั่วคราวอย่างถูกต้อง (รูปที่ 18-20)
รูปที่ 18 ความกว้าง กับ ไม่มีตัวอย่าง

27. รูปที่ 19 ฟังก์ชันสมาชิกสำาหรับความถี่สูง
รูปที่ 20 ฟังก์ชันสมาชิกสำาหรับความถี่ตำ่า
ตารางที่ 13
ปริมาณความถูกต้อง

28. Denoising เสียงจะทำาก่อนที่จะคำานวณค่าชั่วคราว จะทำาได้ ด้วย
การลบจากเสียงแรกที่ค่าเฉลี่ยของเสียง
ที่ค่า V คือความยาวของเสียง
เวลาเริ่มต้นทีแตก ต่างจากค่าจริงโดยเวลาเริมต้น 1.15
่ ่
ตัวอย่างที่เฉลี่ย เช่นฉลาดข้อผิดพลาดเกี่ยวกับระยะเวลาและ
เวลาสิ้นสุดของชั่วคราวเป็น 2.54 และ 1.846 ตัวอย่างตามลำาดับ
ภายใต้อิทธิพลของ เสียงขาว dB 30 ข้อผิดพลาดที่ 1.54
ตัวอย่างสำาหรับเวลาเริ่มมี 9 ตัวอย่างสำาหรับ Denoising ของเสียง
จะทำาก่อนที่จะคำานวณค่าชั่วคราว จะทำาได้ด้วยการลบจาก เสียง
แรกที่ค่าเฉลี่ยของเสียง
ที่ค่า V คือความยาวของเสียง
เวลาเริ่มต้นทีแตก ต่างจากค่าจริงโดยเวลาเริมต้น 1.15
่ ่
ตัวอย่างที่เฉลี่ย เช่นฉลาดข้อผิดพลาด เกี่ยวกับระยะเวลาและ
เวลาสิ้นสุดของชั่วคราวเป็น 2.54 และ 1.846 ตัวอย่างตามลำาดับ
ภายใต้ อิทธิพลของเสียงขาว dB 30 ข้อผิดพลาดที่ 1.54
ตัวอย่างสำาหรับเวลาเริ่มมี 9 ตัวอย่างสำาหรับระยะเวลาหกตัวอย่าง
สำาหรับเวลาสิ้นสุดตามลำาดับ เมื่อ เริ่มต้นและเวลาสิ้นสุดที่กำาหนด
จะง่ายต่อการค้นหาสัญญาณสูงสุดและค่าสูงสุดถึงค่าสูงสุด
ชั่วคราว
6.2 ลักษณะของการรบกวนความ ถีตำ่า่
ขึ้น Voltage, กรมแรงดันและหยุดชะงักเป็นเชิงปริมาณอย่าง
สมบูรณ์โดยดูที่ความกว้างกับกราฟ คำานวณจาก S - matrix ดัง

29. แสดงในรูป 15 มูลค่า เพิ่มขึ้นแรงดันไฟฟ้าเป็นอย่างดีในการจับ
ภาพ 16 พบว่าแม้ในที่ทมี สัญญาณรบกวน dB 30 ความผิด
ี่
พลาดเฉลี่ย 1.45% สำาหรับการเพิ่มขึ้นแรงดันไฟฟ้าและ 0.74%
สำาหรับจุ่มไฟฟ้าตามลำาดับ ดังผลสรุปในตาราง 13
7. สรุป
บทความนีนำาเสนอการเปรียบเทียบเครือข่ายประสาทเทียม
้
feed – forword หลายสถาปัตยกรรมพร้อม vector
quantization การเรียนรู้เครือข่ายประสาทเทียมเพื่อตระหนักถึงรูป
แบบเวลาการเข้าถึงข้อมูล ก่อนที่จะยอมรับรูปแบบ คุณสมบัติที่
เกี่ยวข้องของข้อมูลที่ไม่คงที่สัญญาณเวลาจะสกัดใช้มัลติรี
โซลูชัน S – transform ที่สามารถรักษาทั้งในระยะเปลี่ยนหรือ
แก้ไขคลื่นตัวแปรสั้นเวลาการแปลงแบบ คุณสมบัติของสิ่งที่ส่ง
ให้กับ quantization เวกเตอร์การเรียนรู้เครือข่ายประสาททีระบุว่า
่
มีการรบกวนความถี่สูงหรือตำ่า ในธรรมชาติ สองเครือข่ายประสาท
เทียมที่ใช้สำาหรับแบ่งเวลาของข้อมูลที่ไม่คงที่ จะสังเกตเพิ่มเติม
ว่า Fuzzy MLP มีประสิทธิภาพดีที่สุดกับความถูกต้องจำาแนก
เกือบ 99% ในที่มี 30 dB เสียง Gaussian ขาวสำาหรับข้อมูล
อนุกรมเวลาทีได้รับจากเครือข่ายจำาหน่ายไฟฟ้า หลัง จากรูป
่
แบบจัดแบ่งแนวทางการค้นพบความรู้ใช้ในการสกัดข้อมูลเพิ่มเติม
ของอนุกรมเวลาที่ไม่หยุดนิ่งของข้อมูลสัญญาณไฟฟ้า แบ่ง
ข้อมูลที่ขนาดใหญ่และใช้ 2000 กลุ่มตัวอย่างในเวลามีการ
ประมวลผลโดยใช้ S – transform ขั้นตอนที่เสนอสามารถระบุรูป
แบบข้อมูลขนาดใหญ่ทงชุดและ quantifies พารามิเตอร์ที่
ั้
เกี่ยวข้องกับความถูกต้องสูงมาก ขั้นตอนทั้งหมดเสร็จสิ้นการทำา
เหมืองข้อมูลของข้อมูลทีไม่คงที่ของช่วงเวลาสัญญาณเครือข่าย
่
อุปทาน วิธีนำาเสนอในบทความนี้เป็นหนึ่งในวิธีทั่วไปและสามารถ
ใช้กับการแบ่งเวลาที่รับรู้รูปแบบ และปัญหาการทำาเหมืองข้อมูล
ภาคผนวก A. S และ Z สมาชิกของฟังก์ชัน

30. ข้อดี
1. บทความนี้แสดงให้เห็นถึงเทคนิคการทำาวิเคราะห์ช่วงเวลาใน
การทำา Data mining
2. แสดงให้เห็นเทคนิคในการจำาแนกรูปแบบของการเรียนรู้
3. การแสดงให้เห็นถึงการแยกช่วงเวลาของข้อมูลจากความ
สามารถทีมี และ การวิเคราะห์ลำาดับเวลาสัญญาณ
่
ข้อเสีย
1. บทความนี้ใช้คำาศัพท์เฉพาะทางทางด้านสัญญาณไฟฟ้า จึง
ยากต่อการเข้าใจบทความ
2. ใช้องค์ความรูในระดับที่สูงเกินไป ทำาให้ผู้ที่ต้องการศึกษา
้
เพิ่มเติมต้องทำาความเข้าใจ และมีพื้นฐานทางด้าน neural
network และ สัญญาณไฟฟ้า เป็นอย่างดี
ข้อเสนอแนะ
1. การจะเลือกใช้การเรียนชนิดใด ควรเลือกจากความสามารถที่
นำามาแก้ปัญหาได้สูงสุด
2. การทำา fuzzy MLP เนื่องจากสามารถเข้าถึงข้อมูลเชิงลึกได้
แม้ว่าการระบุชุดเวลาไม่คงที่
ความเป็นไปได้ในอนาคต
1. การนำาเอาการเรียนรู้ไปประยุกต์ใช้ในงานประเภทอื่น ๆ เช่น
ตลาดหุ้น

31. 2. สามารถช่วยแก้ปัญหาความผิดพลาดที่เกิดขึ้นได้ ทำาให้
ปัญหาที่เกิดขึ้นจะลดลง