After testing randomness of our sto

After testing randomness of our stochastic symbols generated by the synthetic model generator, we have successfully applied these two tests on three different HMM topologies. The first one, uses Aspin-Welch and the second one, uses Kolmogorov-Smirnov test. Given a set of observations sequences simulated by our synthetic model, we verified that the most relevant model had the “goodness of fit” i.e. how well model fits the set of observations sequences. In a statistical way, topology of model 2 is the best one. This corroborates results that model 2 is the one which comes closest to real industrial process in Vrignat et al. (2010). Thus, we specified our analysis from Roblès et al. (2011) paper. This criterion also shown that BaumWelch learning algorithm with Forward Variable decoding gives best results with normal distribution of stochastic symbols. In our work on industrial breakdown prediction.

Results (Thai) 1:

หลังจากการทดสอบแบบแผนของสัญลักษณ์สุ่มของเราสร้างขึ้นโดยเครื่องกำเนิดไฟฟ้ารุ่นสังเคราะห์ที่เราได้นำมาใช้ประสบความสำเร็จในการทดสอบเหล่านี้สองสาม topologies HMM ที่แตกต่างกัน คนแรกที่ใช้แอสพินเวลช์และสองใช้การทดสอบ Kolmogorov-Smirnov ได้รับชุดของลำดับการสังเกตจำลองโดยรูปแบบการสังเคราะห์ของเราเราตรวจสอบแล้วว่ารูปแบบที่เกี่ยวข้องมากที่สุดมี“ความดีของพอดี” คือวิธีที่ดีที่เหมาะกับรูปแบบการตั้งค่าของลำดับการสังเกต ในทางสถิติโครงสร้างของรูปแบบที่ 2 เป็นที่ดีที่สุด นี้ยืนยันผลว่ารูปแบบที่ 2 เป็นหนึ่งในที่มาใกล้เคียงกับกระบวนการทางอุตสาหกรรมที่แท้จริงใน Vrignat et al, (2010) ดังนั้นเราจึงระบุการวิเคราะห์ของเราจากโรเบิลส์, et al (2011) กระดาษ เกณฑ์นี้ยังแสดงให้เห็นว่าขั้นตอนวิธีการเรียนรู้ที่มีไปข้างหน้า BaumWelch ถอดรหัสตัวแปรให้ผลลัพธ์ที่ดีที่สุดที่มีการกระจายปกติของสัญลักษณ์สุ่ม

Results (Thai) 2:

หลังจากการทดสอบสุ่มของสัญลักษณ์สุ่มของเราสร้างขึ้นโดยเครื่องกำเนิดไฟฟ้ารุ่นสังเคราะห์, เราได้ประสบความสำเร็จในการทดสอบสองเหล่านี้ในสามโครงสร้าง HMM ที่แตกต่างกัน. คนแรกที่ใช้ Aspin-Welch และคนที่สองใช้ Kolmogorov ทดสอบ Smirnov ได้รับชุดของลำดับการสังเกตที่จำลองโดยรุ่นสังเคราะห์ของเราเราตรวจสอบว่ารูปแบบที่เกี่ยวข้องมากที่สุดที่มี "ความดีของความเหมาะสม" เช่นวิธีการที่ดีรุ่นเหมาะกับชุดของลำดับการสังเกต ในทางสถิติ, โทโพโลยีของรุ่น2เป็นหนึ่งที่ดีที่สุด. นี้ผลการกัดกร่อนที่รุ่น2เป็นหนึ่งซึ่งมาใกล้กับกระบวนการอุตสาหกรรมจริงใน Vrignat et al. (๒๐๑๐). ดังนั้น, เราระบุการวิเคราะห์ของเราจาก Roblès et al. (๒๐๑๑) กระดาษ. เกณฑ์นี้ยังแสดงให้เห็นว่าอัลกอริทึมการเรียนรู้ BaumWelch กับการถอดรหัสแบบแปรผันจะให้ผลลัพธ์ที่ดีที่สุดกับการกระจายปกติของสัญลักษณ์สุ่ม. ในการทำงานของเราในการคาดการณ์การสลายอุตสาหกรรม

Results (Thai) 3:

หลังจากการทดสอบการสุ่มของสัญลักษณ์ที่สร้างขึ้นโดยเครื่องกำเนิดไฟฟ้าแบบสังเคราะห์เราเรียบร้อยแล้วใช้สองแบบสามชนิดที่แตกต่างกันของรูปแบบ HMM หนึ่งคือการใช้แอสไพรินเวลช์และอีกหนึ่งคือการใช้โคล mogorov smirnov ทดสอบ ได้รับชุดของการสังเกตลำดับจำลองโดยรูปแบบการสังเคราะห์ของเราเราพิสูจน์ว่ารุ่นที่เกี่ยวข้องมากที่สุดมีข้อดีของการปรับแต่ง สถิติแสดงให้เห็นว่าโครงสร้างของแบบจำลอง 2 เป็นดีที่สุด นี้ยืนยันว่าแบบจำลอง 2 เป็นหนึ่งในที่ใกล้ที่สุดในกระบวนการอุตสาหกรรมจริง ปี 2010 ดังนั้นเราจึงอธิบายการวิเคราะห์ของเราในรายละเอียดจาก Robl è s และคนอื่นๆ วิทยานิพนธ์ฉบับนี้ มันยังแสดงให้เห็นว่า bamwell การเรียนรู้ขั้นตอนวิธีสำหรับการเข้ารหัสตัวแปรบวกสามารถได้รับผลลัพธ์ที่ดีที่สุดในการแจกแจงปกติของสัญลักษณ์แบบสุ่ม ในการคาดการณ์ของความล้มเหลวของอุตสาหกรรมของเรา