The IPCA-ICA method based on increm

The IPCA-ICA method based on incremental update of
the non-Gaussian independent vectors has been introduced.
The method concentrates on a challenging issue of computing
dominating non-Gaussian vectors from an incrementally
arriving high-dimensional data stream without computing
the corresponding covariance matrix and without knowing
the data in advance.
It is very efficient inmemory usage (only one input image
is needed at every step) and it is very efficient in the calculation
of the first basis vectors (unwanted vectors do not need
to be calculated). In addition to these advantages, this algorithm
gives an acceptable recognition success rate in comparison
with the PCA and the LDA algorithms.

ผลลัพธ์ (ไทย) 1:

วิธีการ IPCA ปัจจุบันประกอบตามการอัพเดตเพิ่มเติมมีการแนะนำเวกเตอร์อิสระไม่ใช่ Gaussianวิธีการเน้นประเด็นท้าทายคอมพิวเตอร์อำนาจเหนือไม่ใช่ Gaussian เวกเตอร์จากการแบบเพิ่มหน่วยมาถึงกระแสข้อมูลมิติสูงโดยไม่ต้องใช้คอมพิวเตอร์เมตริกซ์ความแปรปรวนร่วมที่สอดคล้องกันและ ไม่รู้ข้อมูลล่วงหน้าจึงใช้ inmemory มาก (เพียงหนึ่งสัญญาณภาพจำเป็นต้องใช้ในทุกขั้นตอน) และมีประสิทธิภาพมากในการคำนวณของเวกเตอร์ฐานแรก (ที่ไม่พึงประสงค์ไม่จำเป็นเวกเตอร์การคำนวณ) นอกจากข้อดีเหล่านี้ อัลกอริทึมนี้ให้มีอัตราความสำเร็จการยอมรับในการเปรียบเทียบการสมาคมและอัลกอริทึม LDA

ผลลัพธ์ (ไทย) 2:

วิธี IPCA-ICA
ขึ้นอยู่กับการปรับปรุงที่เพิ่มขึ้นของเวกเตอร์ที่เป็นอิสระที่ไม่เสียนได้รับการแนะนำ. วิธีการที่มุ่งเน้นเกี่ยวกับปัญหาที่ท้าทายของการคำนวณมีอำนาจเหนือเวกเตอร์ที่ไม่เสียนจากเพิ่มขึ้นมาถึงกระแสข้อมูลสูงมิติโดยไม่ต้องคำนวณเมทริกซ์ความแปรปรวนร่วมที่สอดคล้องกันและโดยไม่ทราบข้อมูลล่วงหน้า. มันเป็น inmemory การใช้งานที่มีประสิทธิภาพมาก (เพียงหนึ่งภาพที่นำเข้าเป็นสิ่งจำเป็นในทุกขั้นตอน) และมีประสิทธิภาพมากในการคำนวณของเวกเตอร์ตามลำดับก่อน(เวกเตอร์ที่ไม่พึงประสงค์ไม่จำเป็นจะนำไปคำนวณ) นอกจากนี้ข้อได้เปรียบเหล่านี้ขั้นตอนวิธีนี้จะช่วยให้ได้รับการยอมรับอัตราความสำเร็จได้รับการยอมรับในการเปรียบเทียบกับPCA และขั้นตอนวิธีการ LDA

ผลลัพธ์ (ไทย) 3:

การ ipca-ica วิธีขึ้นอยู่กับการปรับปรุงเพิ่ม
ไม่เสียนอิสระเวกเตอร์ได้รับการแนะนํา .
โดยมุ่งเน้นในประเด็นที่ท้าทายคอมพิวเตอร์
dominating ไม่เสียนเวกเตอร์จากแบบเพิ่มหน่วย
มาถึงกระแสข้อมูลโดยการคำนวณเมทริกซ์ความแปรปรวนสูง - มิติ

ที่สอดคล้องกันและโดยไม่รู้ข้อมูลล่วงหน้า
มันคือการใช้ inmemory มีประสิทธิภาพมาก ( เพียงหนึ่งใส่ภาพ
เป็นสิ่งจำเป็นที่ทุกขั้นตอน ) และมันมีประสิทธิภาพมากในการคำนวณ
ของเวกเตอร์ ( เวกเตอร์พื้นฐานแรกที่ไม่พึงประสงค์ไม่ต้อง
ต้องคำนวณ ) นอกจากประโยชน์เหล่านี้อัลกอริทึมนี้
ให้ยอมรับการยอมรับอัตราความสำเร็จในการเปรียบเทียบ
กับ PCA และ lda อัลกอริธึม