While IPCA returns the estimated ei

While IPCA returns the estimated eigenvectors as a
matrix that represents subspaces of data and the corresponding
eigenvalues as a row vector, FastICA searches for the independent
directions w where the projections of the input
data vectors will maximize the non-Gaussianity. It is based
on minimizing the approximate negentropy function [19]
given by J(x) = i ki{E(Gi(x)) − E(Gi(v))}2 using Newton’s
method. Where G(x) is a nonquadratic function of the random
variable x and E is its expected value.

ผลลัพธ์ (ไทย) 1:

ในขณะที่ IPCA ส่งกลับค่าลักษณะเฉพาะประเมินเป็นการเมทริกซ์ที่แสดง subspaces ของข้อมูลและให้สอดคล้องกับเวกเตอร์เป็นเวกเตอร์แถว FastICA ค้นหาอิสระในการทิศทาง w ที่ประมาณของอินพุตเวกเตอร์ข้อมูลจะขยายที่ไม่ใช่-Gaussianity มันอยู่ในย่อหน้าฟังก์ชัน negentropy โดยประมาณ [19]โดย J(x) =ฉัน ki{E(Gi(x)) − E(Gi(v)) } 2 ใช้ของนิวตันวิธีการ ที่ G(x) เป็นฟังก์ชัน nonquadratic ของการสุ่มตัวแปร x และ E เป็นค่าคาดหมาย

ผลลัพธ์ (ไทย) 2:

ในขณะที่ผลตอบแทน IPCA eigenvectors
ประมาณเป็นเมทริกซ์ที่แสดงถึงsubspaces
ของข้อมูลและสอดคล้องค่าลักษณะเฉพาะเป็นเวกเตอร์แถวFastICA
ค้นหาอิสระทิศทางน้ำหนักที่การคาดการณ์ของการป้อนข้อมูลเวกเตอร์ข้อมูลจะเพิ่มไม่ใช่
Gaussianity มันขึ้นอยู่กับฟังก์ชั่นการลด negentropy ประมาณ [19] ได้รับโดย J (x) = ฉัน ki {อี (Gi (x)) - อี (Gi (V))} 2 ของนิวตันโดยใช้วิธีการ ที่ไหน G (x) เป็นฟังก์ชัน nonquadratic ของสุ่มตัวแปรx และ E เป็นค่าที่คาดหวังของ

ผลลัพธ์ (ไทย) 3:

ในขณะที่ ipca เสนอผลตอบแทนโดยประมาณเป็น
Matrix ที่เป็นตัวแทน subspaces ของข้อมูลและค่าตรงกัน
เป็นแถวเวกเตอร์ fastica ค้นหาเส้นทางอิสระ
w
ที่ประมาณการของ input ข้อมูลเวกเตอร์จะขยายไม่ gaussianity . โดย
ในการลดฟังก์ชัน [ 19 ]
negentropy โดยประมาณมอบให้โดย J ( X ) =  ผมคิ { E ( กี ( x ) − e ( กี ( V ) } 2
โดยใช้วิธีของนิวตัน ที่ G ( x ) เป็นฟังก์ชันของการสุ่มตัวแปร x nonquadratic
E ของมันและคาดว่ามูลค่า