Preface - kmutt

KMUTT Annual Research Abstracts 2005
ขอมูลอนุกรมเวลาเปนขอมูลประเภทหนึ่งที่ได
รับความสนใจในงานวิจัยดานการจําแนกขอมูล แหลงที่มา
ของขอมูลเหลานี้สวนใหญไดมาจากการเก็บรวบรวมขอมูล
จากสถานการณจริง การสรางชุดขอมูลจากสมการ การ
แปลงขอมูลภาพใหอยูในรูปแบบอนุกรมเวลาเปนตน นิว
รอลเน็ตเวิรกยังคงเปนอีกเทคนิคหนึ่งที่ถูกนํามาใชในการ
จําแนกขอมูลประเภทนี้ ถึงแมวาโครงสรางของนิวรอล
เน็ตเวิรกแตละชนิดจะเหมาะสมกับงานแตละแบบ เทาที่
ผานมายังไมมีงานวิจัยที่ศึกษาความเหมาะสมของโครง
สรางนิวรอลเน็ตเวิรกในการจําแนกขอมูลอนุกรมเวลา
งานวิจัยนี้มีวัตถุประสงคเพื่อศึกษาเปรียบเทียบ
ประสิทธิภาพและความเหมาะสมในการเลือกใชระหวาง
นิวรอลเน็ตเวิรกประเภทฟดฟอรเวิรดเน็ตเวิรกกับรีเคอร
เรนเน็ตเวิรกในการจําแนกขอมูลอนุกรมเวลา โดยนิวรอล
เน็ตเวิรกประเภทละ 3 โครงสรางไดถูกนํามาใชจําแนกขอ
มูล Cylinder-Bell-Funnel Dataset, Control Chart
Patterns Dataset และ Leaf Dataset
ผลการจําแนกขอมูลจากนิวรอลเน็ตเวิรกทั้ง 2
ประเภทสามารถสรุปไดวานิวรอลเน็ตเวิรกประเภทฟด
ฟอรเวิรดเน็ตเวิรกเปนโครงสรางที่เหมาะสมในงานจําแนก
ขอมูลอนุกรมเวลามากกวารีเคอรเรนเน็ตเวิรก โดยฟด
ฟอรเวิรดทั้ง 3 ชนิดสามารถจําแนกขอมูลทั้ง 3 ชุดขอมูล
ไดถูกตองแมนยํากวารีเคอรเรนเน็ตเวิรกทั้ง 3 ชนิด
NC-324 การประยุกตใช Image Processing
Features Extraction ในการจําแนกขอมูลประเภท
อนุกรมเวลาที่ตางกัน
อภิวดี ปยธรรมรงค, กิตติชัย ลวันยานนท
The 9 th National Computer Science and
Engineering Conference (NCSEC 2005), 27-28
ตุลาคม 2548, มหาวิทยาลัยหอการคาไทย, กรุงเทพฯ,
หนา 915-924
Features Extraction เปนกระบวนการที่สกัด
คุณลักษณะที่เปนเอกลักษณออกจากชุดขอมูล ในงานวิจัย
กอนหนานี้ไดนําเทคนิคนี้ไปใชในกระบวนการ Pre
processing เพื่อนํา Features หรือคุณลักษณะที่ไดไป
ใชในการจําแนกขอมูลอนุกรมเวลา ชนิดหนึ่งที่เรียกวา
Control Chart Patterns รวมกับนิวรอลเน็ตเวิรก ซึ่งผล
จากงานวิจัยกอนหนาไดแสดงใหเห็นถึงประสิทธิภาพของ
333
Features Extraction ในการจําแนกกลุมขอมูลชนิด
ดังกลาวไดเปนอยางดี
บทความนี้ไดทําการแสดงใหเห็นถึงความ
สามารถของ Features Extraction ที่มีตอการจําแนก
ขอมูลประเภทอนุกรมเวลาชนิดตางๆ (Cylinder-Bell-
Funnel Dataset และ Leaf Dataset) โดย Features
ที่ใชในงานวิจัยนี้คือ Mean, Standard Deviation,
Skewness, Kurtosis และ Second-order signal
ผลลัพธที่ไดจากงานวิจัยชิ้นนี้ ยืนยันประโยชนของ
กระบวนการ Features Extraction ในการเพิ่มประสิทธิ
ภาพการจําแนกขอมูลประเภทอนุกรมเวลาทั่วๆ ไปรวม
กับนิวรอลเน็ตเวิรกได อยางไรก็ดีการคัดสรร Features
ที่เหมาะสมกับลักษณะของขอมูลเปนปจจัยสําคัญในการ
เพิ่มประสิทธิภาพของการจําแนกขอมูล
NC-325 COMPUTATIONAL APPROACH FOR
ANALYZING AND PREDICTING THE
SUBSTRATE SPECIFICITY OF
ADENYLATION DOMAINS IN
NONRIBOSOMAL PEPTIDE SYNTHETASES
วารุณี แกวงาม, วสุนันท ชุมเชื้อ, เกรียงไกร ปอแกว,
จันทิรา ปญญา, ชิเน ธรรมรงธรรม,
สุภาภรณ ชีวะธนรักษ
BioThailand (The 16 th Annual Meeting of the
Thai Society of Biotechnology: The Era of
Bionanotechnology), 4-5 พฤศจิกายน 2548,
ศูนยการประชุมแหงชาติสิริกิติ์, กรุงเทพฯ, หนา 74
Currently, many lethal pathogenic
bacteria resist to various types of conventional
drugs, As such innovative approach for
discovering novel drugs is needed. Nonribo
somal peptides (NRPs), a group of bioactive
compounds, produced by bacteria and fungi are
of interest as a new candidate for drug
developments. These compounds are processed
by nonribosomal peptide synthetases (NRPSs)
which consist of modular multi-domains. The
most important domain of each module is the
adenylation domain (A domain), which is
responsible for substrate recognition and
activation. NRPS allows alteration of substrate
specificity by changing A domain and then
provides the synthesis of novel bioactive
peptides. Since the experimental validation of
structure and function relationship of A
domain is time consuming, in silico studies of
substrate specificity of A domain are necessary.
National Conference