Ứng dụng thuật toán SVM và KNN trong xây dựng mô hình phân loại trái dừa có sáp và không sáp tại Việt Nam

Bài viết Ứng dụng thuật toán SVM và KNN trong xây dựng mô hình phân loại trái dừa có sáp và không sáp tại Việt Nam trình bày phương pháp và kết quả phân loại trái dừa sáp và không sáp tại tỉnh Trà Vinh, Việt Nam. Mô hình thực nghiệm được xây dựng để lấy mẫu và xử lý tín hiệu sóng âm thu được từ việc tác động cơ học vào trái dừa thông qua nhiều phương pháp tác động khác nhau.

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 1, 2021 41 ỨNG DỤNG THUẬT TOÁN SVM VÀ KNN TRONG XÂY DỰNG MƠ HÌNH PHÂN LOẠI TRÁI DỪA CĨ SÁP VÀ KHÔNG SÁP TẠI VIỆT NAM APPLICATION OF SVM AND KNN ALGORITHMS TO BUILD A CLASSIFICATION MODEL OF MAKAPUNO COCONUTS IN VIETNAM Nguyễn Minh Hòa1, Nguyễn Thanh Tần1, Dương Minh Hùng1, Nghi Vĩnh Khanh1 Trường Đại học Trà Vinh hoatvu@tvu.edu.vn; thanhtantvu@tvu.edu.vn; duongminhhung1806@tvu.edu.vn; nghivinhkhanh@tvu.edu.vn (Nhận bài: 17/6/2020; Chấp nhận đăng: 18/12/2020) Tóm tắt - Bài báo trình bày phương pháp kết phân loại trái dừa sáp không sáp tỉnh Trà Vinh, Việt Nam Mơ hình thực nghiệm xây dựng để lấy mẫu xử lý tín hiệu sóng âm thu từ việc tác động học vào trái dừa thông qua nhiều phương pháp tác động khác nhau: Lắc tay, gõ tay, gõ máy tương ứng với nhiều vật liệu thử nghiệm: Đầu đá, đầu nhựa, đầu kim loại Tín hiệu sóng âm thu từ microphone, thơng qua lọc tín hiệu, trích đặc trưng huấn luyện với tập liệu phân loại, kết luận phân loại trái dừa sáp khơng sáp Trong đó, hai phương pháp phân loại chọn so sánh KNN (k-Nearest Neighbors) SVM (Support Vector Machine) Kết thực nghiệm cho thấy, tất phương pháp áp dụng phân loại tương đối xác trái dừa sáp không sáp Đặc biệt, phương pháp lấy mẫu cách gõ tay sử dụng que nhựa dẻo cho kết có độ xác cao nhất, 90% Abstract - This paper presents the method and results of classifying gelatinous and non-gelatinous coconuts in Tra Vinh Province, Vietnam An experimental apparatus is built to sample and process acoustic signals produced from the mechanical impact on sampled coconuts including shaking by hand, knocking by hand, knocking by the machine, and using different materials: stone, plastic, metal Sound wave signals recorded by the microphone are filtered, extracted for features, trained with labeled data sets, and evaluated as gelatinous and non-gelatinous coconuts Two algorithms selected and compared are the KNN method (k-Nearest Neighbor) and the SVM method (Support Vector Machine) Experimental results show that, the proposed methods are able to accurately classify between gelatinous and non-gelatinous coconuts In particular, the method of taking samples by hand knocking with plastic rods gives the highest accurate result of more than 90% Từ khóa - dừa sáp; trích đặc trưng; xử lý tín hiệu sóng âm; phương pháp KNN; phương pháp SVM Key words - Makapuno coconuts; feature extracting; sound signal processing; K-Nearest neighbor method; support vector machine method Đặt vấn đề Dừa sáp loại trái đặc sản có giá trị kinh tế cao tỉnh Trà Vinh, loại dừa đặc ruột hay gọi dừa sáp, có tên khoa học “Makapuno” hay “Macapuno”, xuất xứ từ Philippines [1] Đánh giá, phân loại chất lượng dừa sáp nhu cầu cần thiết Tuy nhiên, có khó khăn khó phân biệt dừa sáp với dừa thường hai loại dừa có đặc điểm bên giống hệt Các phương pháp phân biệt chủ yếu dựa vào đặc điểm vật lý trái dừa sáp [1] bao gồm: - Dùng tay lắc trái dừa để kiểm tra âm phát từ trái dừa Nếu trái có sáp âm “trầm hơn”, cịn trái khơng có sáp sáp âm “bổng” hơn; - Dựa vào khối lượng để kiểm tra Dừa sáp chín có trọng lượng nhẹ dừa thường nước hơn; - Dựa vào hình dáng màu sắc Hình dáng bên ngồi vỏ dừa nhẵn, khơng có gân, có khía dừa cịn non, khơng có sáp sáp Nếu vỏ dừa khơ, đổi màu sậm dừa sáp già, chất lượng sáp bị khô xốp; - Dựa vào độ dày cơm dừa độ sệt nước dừa Dừa sáp bổ thấy cơm dừa dày, mềm dẻo cơm dừa bình thường, nước sệt sánh nước dừa bình thường - Trong phương pháp phương pháp lắc trái dừa để nghe âm dùng phổ biến cho độ xác cao Nhìn chung phương pháp đánh giá hồn tồn phụ thuộc vào kinh nghiệm người đánh giá (chủ yếu nơng dân) Người đánh giá có kinh nghiệm độ xác cao ngược lại Tuy nhiên, phương pháp có độ xác khơng ổn định khó tiến hành đánh giá hàng loạt nhiều thời điểm địa điểm khác Vì vậy, nhu cầu thực tế cần có thiết bị xác định xác tỉ lệ sáp dừa nhằm đảm bảo chất lượng sản phẩm dừa bán ra, đảm bảo uy tín người bán tạo yên tâm tin tưởng người tiêu dùng Phương pháp đánh giá không làm tổn hại đến trái gọi phương pháp đánh giá không phá hủy (nondestructive method) Các phương pháp đánh giá không phá hủy dựa vào thiết bị đo lường nghiên cứu áp dụng nhiều loại trái khác Ví dụ: Phương pháp cơ; Phương pháp rung động; Phương pháp quang; Phương pháp cộng hưởng từ hạt nhân Như vậy, ta nhận thấy có nhiều kỹ thuật đánh giá đa dạng, từ đơn giản đến phức tạp áp dụng nhiều loại trái khác Riêng trái dừa nghiên cứu có liên quan cơng bố Một số nghiên cứu công nghệ sau thu hoạch trái dừa công bố nghiên cứu đánh giá độ sệt nước dừa sử dụng sóng siêu âm [2] Đặc biệt, hai cơng trình nghiên cứu đo lường đánh giá mức độ trưởng thành dừa tươi dùng sóng âm Gatchalian cộng [3] nghiên cứu mối tương quan sóng âm với thời gian tăng trưởng đặc điểm hóa sinh dừa tươi sau thu hoạch Gatchalian nghiên cứu thiết kế thiết bị thu sóng âm phát Tra Vinh University (Hoa M Nguyen, Nguyen Thanh Tan, Duong Minh Hung, Nghi Vĩnh Khanh) Nguyễn Minh Hòa, Nguyễn Thanh Tần, Dương Minh Hùng, Nghi Vĩnh Khanh 42 gõ ngón tay cán dao vào trái dừa tươi Sóng âm thu biến đổi Fourier sang miền tần số để tìm đặc trưng tương quan với giai đoạn trưởng thành dừa tươi Tuy nhiên, Gatchalian dùng mắt thường để tìm đặc trưng so sánh, khơng có nghiên cứu đánh giá định lượng nên độ xác khơng cao Trong đó, tác giả Terdwongworakul cộng báo [4] thực phương pháp dùng sóng âm để đánh giá số tăng trưởng dừa tươi, nhóm tác giả xây dựng mơ hình đánh giá định lượng dựa vào tần số cộng hưởng sóng âm với độ xác dự báo khoảng 92% Lấy mẫu xử lý tín hiệu sóng âm từ trái dừa Sóng âm dạng rung động lan truyền mơi trường chất rắn, lỏng khí Hiện nay, có nhiều giải thuật xử lý tín hiệu sóng âm khác tín hiệu sóng âm lọc tiền xử lý sau thu âm Sau đó, tín hiệu sóng âm số hóa thành tín hiệu sóng âm số Tín hiệu sóng âm số miền thời gian biến đổi sang miền tần số để trích tần số cộng hưởng đặc trưng đưa vào xây dựng mô hình hồi qui huấn luyện mạng nơron nhân tạo Sơ đồ hệ thống xử lý tín hiệu sóng âm dùng để nhận dạng phân loại dừa sáp thể Hình phận khác thiết bị phận xử lý tín hiệu, cảm biến, hình hiển thị, nguồn,… Các chi tiết, phận thiết bị phát họa vẽ lại máy tính (Hình 3.a), sau gia cơng lắp ráp (Hình 3.b) (a) (b) Hình Thiết kế máy gõ theo nguyên lý búa cam Leonardo da Vinci (a) mơ hình thực tế (b) Để thực nội dung cần trang thiết bị sau: (1) Microphone: Các đặc tính microphone hướng thu, độ nhạy, dải tần, tổng trở… phải lựa chọn phù hợp để thu sóng âm trung thực (2) Mạch lọc nhiễu: Được tích hợp board, ngồi tín hiệu thu được lọc lọc mềm cài đặt vi xử lý (3) Máy tính có cài đặt chương trình xử lý tín hiệu số giao tiếp với board mạch vi xử lý, chuyển đổi giao tiếp với cảm biến board vi xử lý; (4) Cảm biến đo trọng lượng (load cell) mạch giao tiếp Xây dựng mô hình phân loại dừa sáp khơng sáp dùng phương pháp SVM KNN 3.1 Các bước thực phân loại dừa sáp khơng sáp Hình Sơ đồ hệ thống xử lý tín hiệu sóng âm Sóng âm phát phải thu lại để xử lý Việc thu lại sóng âm thực microphone Số lượng, cách bố trí microphone phương pháp chống nhiễu từ mơi trường cho thu sóng âm tốt vấn đề cần nghiên cứu Việc khử nhiễu tạp âm thực mạch lọc lọc số cài đặt vi xử lý Hình Sơ đồ khối tổng qt mơ hình phân loại dừa sáp Sau thiết kế vẽ hai cấu thu - phát sóng âm đo trọng lượng trái dừa, bước tính tốn bố trí Hình Các bước để phân loại dừa sáp khơng sáp ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 1, 2021 Các bước thực trình huấn luyện xác định trái dừa có sáp dừa khơng sáp thể Hình Trong đó, tập dataset tập file âm thu thập Bao gồm tập: Tập dùng để training (huấn luyện); Tập dùng để validation (đánh giá); Tập dùng để test (kiểm tra) Trong trình thực nghiệm, số mẫu nên tập training thường chiếm 80%, tập validation + test chiếm 20% Sau trích xuất đặc trưng, tiến hành xếp hạng chọn lọc tập đặc trưng, tiến hành huấn luyện tập liệu traning Q trình đánh giá mơ hình quay lại việc tinh chỉnh bước để có kết tốt thực nghiệm Cuối đưa kết phân loại trái dừa sáp không sáp Chi tiết bước thực cụ thể thể Mục 3.2 đến Mục 3.5 3.2 Xử lý tín hiệu sóng âm Tín hiệu âm thu trước sau xử lý (thể Hình 5, 6) Các mẫu sau thu thập (dữ liệu thô file wav) xem xét, đánh giá lần đầu hình ảnh trực quan, sau dùng thuật tốn tìm đỉnh có giá trị max trích xuất hay nhiều đoạn [0,2s + TimePosition peak TimePositionpeak + 0,4s], với điều kiện peak lớn threshold Trong đó: threshold = mean( peak ) + (peak max − mean( peak )) (1) Sau đó, tạo tập tin âm cách nhân lên 10 lần đoạn trích xuất Lý phải nhân lên nhiều lần tín hiệu theo miền thời gian ngắn nên trích xuất số đặt trưng miền tần số cho giá trị gần tạo phép chia vơ nghĩa Ngồi ra, lọc dùng thử, nhiên chúng làm méo dạng liệu nên xem nhiễu thành phần mẫu chưa thể tách bỏ (Dừa khơng sáp) 3.3 Trích đặc trưng âm Trong nội dung viết này, sau thu xử lý tín hiệu âm nhóm tác giả chia file âm thành phân đoạn mid-term (cửa sổ) sau phân đoạn phân chia thành cửa sổ nhỏ (giai đoạn xử lý short-term) Cụ thể, chuỗi đặc trưng trích xuất từ phân khúc mid-term sử dụng để tính tốn thống kê đặc trưng Cuối cùng, phân khúc mid-term thể tập số liệu thống kê tương ứng với chuỗi đặc trưng short-term tương ứng Trong trình xử lý mid-term, giả định phân khúc mid-term thể hành vi đồng loại âm tiến hành trích xuất số liệu thống kê sở phân khúc Các thống kê trích xuất sau nhóm lại để tạo thành vectơ đặc tính Mục tiêu xử lý tín hiệu đầu vào âm thành cửa sổ short-term tính tốn 24 đặc trưng âm cửa sổ [5] Hình trình bày trình trích xuất số liệu thống kê mid-term đặc trưng âm Ngồi ra, cịn đặc trưng khác trích xuất q trình tính tốn như: Irregularity, bright, skew, kurtosis, flat, zerocross, tempo,… Tuy nhiên, phạm vi viết nhóm tác giả sử dụng cơng cụ MIRToolbox để trích xuất đặc trưng phù hợp với đối tượng nghiên cứu [5], [6], thể Hình Sau tiến hành lựa chọn đặc trưng trích xuất phù hợp (tham khảo Mục 3.4) để tiến hành thực nghiệm (Dừa sáp) Hình Trích đặc trưng phân đoạn trung [5] Hình Tín hiệu âm thu dùng máy gõ đầu búa đá trước xử lý (Dừa không sáp) (Dừa sáp) Hình Tín hiệu âm thu dùng máy gõ đầu búa đá sau xử lý 43 Hình Các đặc trưng âm trích xuất từ MIRToolbox [6] Nguyễn Minh Hịa, Nguyễn Thanh Tần, Dương Minh Hùng, Nghi Vĩnh Khanh 44 3.4 Phương pháp chọn lọc đặc trưng Chọn lựa đặc trưng trở thành lĩnh vực nghiên cứu tích cực cho nhiều thập niên qua, chứng minh lý thuyết thực hành Mục tiêu lựa chọn đặc trưng chọn tập hợp tính có kích thước tối thiểu miễn chọn đủ số lượng đặc trưng đảm bảo tính xác Ngược lại với phương pháp giảm kích thước khác dựa phép chiếu nén thông tin, lựa chọn đặc trưng bảo tồn ngữ nghĩa gốc biến [7] Các kỹ thuật lựa chọn đặc trưng phân chia thành ba lớp: Wrapper, Embedded Filter (Hình 9, 10, 11) Hầu hết phương thức thực hai thao tác: Xếp hạng lựa chọn tập hợp Trong số trường hợp, hai hoạt động thực (xếp hạng lựa chọn); Trong trường hợp khác, việc lựa chọn thực Nói chung, lựa chọn tập hợp ln giám sát, trong trường hợp xếp hạng, phương thức giám sát khơng [8] Hình Lớp bao gói [8] Hình 10 Lớp nhúng [8] Hình 11 Lớp lọc [8] 3.5 Thuật tốn phân loại (phân biệt dừa có sáp khơng sáp) Một toán gọi phân loại (classification) nhãn (label) liệu đầu vào chia thành số hữu hạn nhóm Ví dụ: Xác định xem trái dừa có phải sáp hay khơng sáp Trong báo này, tác giả sử dụng thuật tốn KNN (K-nearest neighbor) SVM (Support vector machines) • Thuật toán SVM (Support Vector Machines) Trong SVM, hyperplance (mặt siêu phẳng dùng để phân loại) chọn để phân tách tốt điểm không gian biến đầu vào theo lớp chúng, lớp lớp Một hyperplane đường phân chia không gian biến đầu vào Trong không gian hai chiều, hình dung hyperplane đường thẳng giả sử tất biến đầu vào tách hồn tồn đường Thuật tốn SVM tìm hệ số dẫn đến phân tách tốt lớp theo hyperplance Khoảng cách hyperplane điểm liệu gần gọi biên Hyperplane tốt tối ưu tách riêng hai lớp dịng có biên lớn Chỉ điểm có liên quan đến việc xác định hyperplane việc xây dựng điểm phân loại Những điểm gọi vector hỗ trợ Chúng hỗ trợ xác định hyperplane Trong thực tế, thuật toán tối ưu sử dụng để tìm giá trị cho hệ số tối đa hóa biên SVM coi phương pháp phân loại hàng đầu mạnh mẽ đáng thử tập liệu nghiên cứu • Thuật tốn KNN (K-nearest neighbor) K-nearest neighbor thuật toán supervised-learning đơn giản (mà hiệu vài trường hợp) Machine Learning Khi huấn luyện, thuật toán khơng học điều từ liệu training (đây lý thuật toán xếp vào loại lazy learning), tính tốn thực cần dự đốn kết liệu K-nearest neighbor áp dụng vào hai loại toán Supervised learning Classification Regression KNN cịn gọi thuật tốn Instance-based hay Memory-based learning Với KNN, toán classification (phân loại), label (nhãn) điểm liệu suy trực tiếp từ K điểm liệu gần training set (tập huấn luyện) Label test data (tập liệu để kiểm tra) định major voting (bầu chọn theo số phiếu) điểm gần nhất, suy cách đánh trọng số khác cho label điểm gần suy label Ta thấy rằng, KNN thuật toán đơn giản hiệu Tuy nhiên, cần cập nhật tổ chức tập huấn luyện với số lượng mẫu lớn để dự đốn xác 3.6 Đánh giá phân loại Sau huấn luyện mơ hình, phần quan trọng đánh giá phân loại để xác minh khả ứng dụng Nhóm tác giả áp dụng phương pháp đánh giá: Cross-validation sử dụng cho hai thuật toán KNN SVM Đối với KNN hệ số sử dụng K =1, 3, (tham khảo Hình 13) Đối với SVM, nhóm tác giả sử dụng SVM tuyến tính (SVM linear) áp dụng Crossvalidate trình đánh giá phân loại cách chia liệu thành 10 tập nhỏ (10-fold crossvalidation) lệnh hỗ trợ Matlab: CVSVMModel = crossval (SVMModel) sau trích đặc trưng xây dựng mơ hình huấn luyện Kết thực nghiệm thảo luận Để tổng quát hóa có sở so sánh kết quả, nhóm tác giả thực việc thu thập mẫu âm cho nhóm: Gõ máy với đầu búa đá; Gõ máy với đầu búa nhựa; Gõ máy với đầu búa sắt; Gõ tay với đầu nhựa dẻo; Lắc tay Sử dụng 100 dừa sáp 100 dừa không sáp để lấy mẫu, số chiều đặc trưng tương ứng với cách lấy mẫu khác trình số lần gõ lắc khác q trình trích đoạn file âm dựa giá trị peak threshold nên thu số file âm sau xử lý khác Nhìn chung hầu hết phương pháp huấn luyện để có kết phân loại đầu xác địi hỏi tập liệu đầu vào-ra phải đủ lớn phản ánh hết đặc tính đối tượng Tuy nhiên, vấn đề kinh phí đắc cho trái dừa sáp (giá cao gấp 30 ÷ 40 ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 1, 2021 lần dừa thường) [1], bên cạnh chưa có cơng trình nghiên cứu trước phân loại dừa sáp để dễ dàng đánh giá nên thực lấy số lượng tập mẫu cho trình nghiên cứu Trong nội dung nghiên cứu báo, sử dụng phương pháp thuộc lớp có giám sát cho tốn phân loại đánh nhãn tập liệu huấn luyện (sử dụng thư viện FSLib 2018 v6.2.2018.1 Giorgio) Thuật toán chọn lọc đặc trưng cho thứ hạng loại, đặc trưng có thứ hạng khác – giá trị lớn đóng góp có giá trị Các đặc trưng giá trị đơn, trừ đặc trưng mfcc có 13 vector chia nhỏ đặc trưng mfcc thành 13 đặc trưng tên theo thứ tự mfcc1 đến mfcc13, có tổng cộng 24 đặc trưng Vì thế, phương pháp chọn lọc đặc trưng FSLib (Bảng 1) áp dụng viết là: ILFS; ECFS; relieff; mutinffs; fsv; fisher; lasso (kết độ xác thể Hình 12, 13) 45 khơng ổn định q trình lắc vị trí thu âm khơng cố định lực lắc không ổn định Phương pháp gõ máy với đầu búa đá cho kết cao kết dao động qua nhiều cách phân loại Do đó, nhóm tác giả định loại bỏ đầu búa sắt nhựa chọn đầu búa đá để lấy mẫu Chúng ta có tổng cộng 24 đặc trưng âm tiến hành chọn lọc lại đặc trưng có thứ hạng lớn 10 giữ lại đủ 13 vector đặc trưng mfcc từ bảng kết sử dụng phương pháp chọn đặc trưng (Bảng 1) lặp lại trình phân loại Cuối cùng, chọn phương pháp chọn lọc đặc trưng cho có đóng góp nhiều vào việc phân loại đối tượng là: Phương pháp ILFS, Phương pháp relieff, Phương pháp mutinffs, tham khảo Hình 14 Bảng Danh sách phương pháp chọn lựa đặc trưng áp dụng STT Phương pháp Các lớp Thuộc tính lớp ECFS Filter supervised Fisher Filter supervised FSV Embedded supervised ILFS Filter supervised LASSO Embedded supervised Relief-F Filter supervised Mutinffs Filter supervised Hình 12 Độ xác dựa tất đặc trưng trích xuất sử dụng phương pháp SVM Hình 14 Kết xếp hạng dựa tập đặc trưng trích xuất Hình 15 Độ xác gõ máy với đầu búa đá dùng SVM sau chọn lọc đặc trưng Hình 13 Độ xác dựa tất đặc trưng trích xuất sử dụng phương pháp KNN Đối với phương pháp lấy mẫu cách gõ tay cho kết có độ xác cao nhất, 90% đạt gần 100% Phương pháp lắc tay cho kết cao Hình 16 Độ xác gõ máy với đầu búa đá dùng KNN sau chọn lọc đặc trưng 46 Nguyễn Minh Hòa, Nguyễn Thanh Tần, Dương Minh Hùng, Nghi Vĩnh Khanh Dựa vào số liệu kết phân loại dựa đặc trưng riêng lẻ kết hợp với phương pháp chọn đặc trưng lặp lại q trình phân loại, nhóm tác giả thu số kết khả quan, cải tiến thời gian thực thi giảm chiều vector độ xác đạt yêu cầu Khi áp dụng phương pháp chọn lọc đặc tính mơ hình KNN SVM (Hình 15, 16), ta thấy tất phương pháp áp dụng cho kết phân loại tốt Trong đó, phương pháp SVM cho kết cao (trong vài trường hợp) khơng ổn định, cịn phương pháp KNN phân loại có độ xác trung bình khoảng 90% ổn định phương pháp SVM Ngoài ra, phương pháp chọn đặc trưng mutinffs có độ ổn định cao phương pháp lại Kết thực nghiệm so sánh đối chiếu với kinh nghiệm người nông dân việc phân loại trái dừa sáp Cụ thể: Tỉ lệ phân loại xác dựa theo kinh nghiệm nông dân đạt tầm 85% đến 90% tùy mức độ am hiểu, kinh nghiệm cá nhân Từ đó, cho thấy mơ hình chọn cho kết khả quan xác phương pháp thủ công truyền thống Kết luận Bài báo trình bày tổng quát bước thiết kế thực phân loại đối tượng trái dừa sáp khơng sáp dựa vào đặc tính âm thu cách tác động học vào trái dừa Dữ liệu âm sau xử lý huấn luyện, kết hợp với việc áp dụng phương pháp trích lọc đặc trưng giải thuật phân loại khác phân biệt dừa sáp khơng sáp Mơ hình thực nghiệm phân loại chứng minh phương pháp chọn hoàn toàn áp dụng với tỉ lệ xác cao, giải thuật KNN cho kết phân loại có độ ổn định giải thuật SVM Tuy nhiên, nghiên cứu chưa thực so sánh hiệu vật liệu gõ khác nhau, phân tích xác định yếu tố đặc trưng có giá trị đáng tin cậy nhiều đặc tính âm TÀI LIỆU THAM KHẢO [1] Phạm Thị Tố Thy, Nguyễn Đình Chiểu www.duasapdacsan.com [Online] http://www.duasapdacsan.com/2016/06/ac-iem-va-gia-tricua-dua-sap-cau-ke.html [2] Didier Laux, Olivier Gibert, Jean-Yves Ferrandis, Marc Valente, and Alexia Prades, "Ultrasonic evaluation of coconut water shear viscosity”, Journal of Food Engineering, vol 126, pp 62-64, April 2014 [3] Miflora M Gatchalian and Sonia Y De Leon, "Measurement of young coconut (Cocos nucijkra, L.) maturity by sound waves”, Journal of Food Engineering, vol 23, pp 253-276, 1994 [4] Anupun Terdwongworakul, Songtham Chaiyapong, Bundit Jarimopas, and Weerakul Meeklangsaen, "Physical properties of fresh young Thai coconut for maturity sorting”, Biosystems Engineering, vol 103, no 2, pp 208-216, June 2009 [5] T Giannakopoulos, A Pikrakis, “Introduction to audio analysis: a matlab approach”, First edition, Elsevier Ltd, 2014, pp 66-111 [6] Lartillot, Olivier, and Petri Toiviainen "A Matlab toolbox for musical feature extraction from audio", International conference on digital audio effects, 2007 [7] Dash, M., Liu, H “Feature Selection for Classification”, Intelligent Data Analysis, I, pp 131-156, 1997 [8] Roffo, Giorgio "Feature selection library (Matlab toolbox)" arXiv preprint arXiv: 1607.01327 (2016)  ... trưng giải thuật phân loại khác phân biệt dừa sáp không sáp Mơ hình thực nghiệm phân loại chứng minh phương pháp chọn hồn tồn áp dụng với tỉ lệ xác cao, giải thuật KNN cho kết phân loại có độ ổn... 3.5 Thuật tốn phân loại (phân biệt dừa có sáp khơng sáp) Một toán gọi phân loại (classification) nhãn (label) liệu đầu vào chia thành số hữu hạn nhóm Ví dụ: Xác định xem trái dừa có phải sáp. .. lượng (load cell) mạch giao tiếp Xây dựng mơ hình phân loại dừa sáp không sáp dùng phương pháp SVM KNN 3.1 Các bước thực phân loại dừa sáp khơng sáp Hình Sơ đồ hệ thống xử lý tín hiệu sóng âm Sóng