1,…4), with mixing coefficients ci

1,…4), with mixing coefficients ci (i = 1,…4), the amplitude
is then described by Equation 9:
Aðx; y; VÞ ¼ c1ðx; yÞs1ðVÞ þ … þ c4ðx; yÞs4ðVÞ ð9Þ
ICA can be used to find si(V) and ci(x,y). In essence,
such a transformation allows the data to be represented
by a specific number of independent ‘processes’ (components)
that are mixed in the final signal, while the coefficients
determine the relative weights of each process to
the total signal contribution. The results of this demixing
are shown in Figure 5, with the independent
components shown in Figure 5a,b,c,d and the corresponding
mixing coefficients shown in Figure 6a,b,c,d.
Unlike in PCA, there is no particular ordering to the
components; however, similar to PCA, the components
may flip in sign.
The spatial maps of the mixing coefficients show variability
in the response and are markedly different from
the PCA eigenvalue maps; for example, the bottom right
area of the sample displays high response of the second
component (Figure 6b), which increases the area
enclosed within the left side of the butterfly loop. In
this example, note that there is no reason for there to
be four components to the hysteresis loop, i.e., we illustrate
an example of the method, but based on component
shape, there should be at least four as all components
appear significantly different. Importantly, the fourth component
displays a near-ideal ferroelectric loop (Figure 5d),
and the strength of this component with respect to the
other components can be seen as an indication of the degree
of purely ferroelectric switching in those regions, as
opposed to other components that appear to result from
dominating influences by surface charges, polar nanoregions,
or field-induced phase transformations. For instance,
the first component appears largest in the top-left
corner of the region studied (Figure 6a), and the coercive
fields for this component are much lower, possibly due to
the increased propensity of field-induced phase transformations
(likely rhombohedral to tetragonal [67]) in this
area. Thus, ICA is a highly useful method for blind source
separation and provides a powerful method accompanying
PCA to de-mix signals where the number of constituent
components is either known from physics or can be
postulated.
Supervised learning
Functional recognition imaging is an example of the supervised
learning approach that employs artificial neural
networks. The process of recognition obviates the need
for sophisticated analytical models, instead relying on
statistical analysis of the complex spectroscopic data
sets. Nikiforov et al. [68] describe functional recognition
imaging of bacterial samples containing live Micrococcus
lysodeikticus and Pseudomonas fluorescens on a poly-Llysine-
coated mica substrate. These bacteria differ in
shape and therefore present a good modeling system for
creating training data sets. The spectroscopic data were
provided by the band excitation PFM method [69,70] in
the form of the electromechanical response vs. excitation

ผลลัพธ์ (ไทย) 1:

1, ... 4), ด้วยการผสม ci สัมประสิทธิ์ (ฉัน = 1,... 4), คลื่นแล้วอธิบาย โดยสมการ 9:Aðx y VÞ ¼ c1ðx yÞs1ðVÞ þ...þ c4ðx yÞs4ðVÞ ð9ÞICA สามารถใช้การค้นหา si(V) และ ci(x,y) ในสาระสำคัญการเปลี่ยนแปลงดังกล่าวช่วยให้ข้อมูลที่จะแสดงโดยจำนวนของอิสระ 'กระบวนการ' (องค์ประกอบ)ที่มีผสมสัญญาณสุดท้าย ในขณะที่สัมประสิทธิ์กำหนดน้ำหนักสัมพัทธ์ของแต่ละกระบวนการสนับสนุนสัญญาณทั้งหมด ผลของการนี้ demixingแสดงในรูปที่ 5 มีอิสระในคอมโพเนนต์ที่แสดงในรูปที่ 5a, b, c, d และสอดคล้องกันผสมค่าสัมประสิทธิ์ที่แสดงในรูปที่ 6a, b, c, dซึ่งแตกต่างจากใน PCA มีไม่เฉพาะการสั่งซื้อไปส่วนประกอบ อย่างไรก็ตาม เหมือนกับ PCA คอมโพเนนต์อาจพลิกในเข้าสู่ระบบแผนที่เชิงพื้นที่ของสัมประสิทธิ์ผสมแสดงความแปรปรวนในการตอบสนองและจะแตกต่างกันอย่างเด่นชัดจากแผนที่ eigenvalue PCA เช่น ล่างขวาพื้นที่ตัวอย่างแสดงการตอบสนองสูงการที่สองส่วนประกอบ (รูปที่ 6b), ซึ่งพื้นที่ที่เพิ่มขึ้นปิดภายในด้านซ้ายของวงบัตเตอร์ฟลาย ในตัวอย่างนี้ มีเหตุผลสำหรับเราเป็นองค์ประกอบที่สี่จะวนสัมผัส เช่น แสดงตัวอย่างของวิธีการ แต่ตามที่คอมโพเนนต์รูปร่าง ควรมีส่วนประกอบทั้งสี่น้อยปรากฏแตกต่างกันมาก สำคัญ คอมโพเนนต์ที่สี่แสดงใกล้เหมาะ ferroelectric วน (รูปที่ 5 d),และความแรงของคอมโพเนนต์นี้ให้การคอมโพเนนต์อื่น ๆ สามารถมองเห็นเป็นตัวชี้วัดระดับของแท้จาก ferroelectric สลับในภูมิภาคเหล่านั้น เป็นเทียบกับส่วนประกอบอื่น ๆ ที่ปรากฏผลจากการอิทธิพล dominating โดยพื้นผิวค่า ขั้วโลก nanoregionsหรือการแปลงระยะเกิดฟิลด์ เช่นส่วนประกอบแรกที่ปรากฏในด้านซ้ายมุมของภูมิภาคศึกษา (รูปที่ 6a), และการ coerciveสำหรับคอมโพเนนต์นี้ถูกมาก อาจจากการนิสัยชอบมากขึ้นของฟิลด์ที่เกิดขั้นตอนการแปลง(แนวโน้ม rhombohedral การ tetragonal [67]) ในการนี้ที่ตั้ง ดังนั้น ICA เป็นวิธีมีประโยชน์มากสำหรับคนตาบอดมาการแยกและประกอบเป็นวิธีที่มีประสิทธิภาพPCA ในการยกเลิกผสมสัญญาณจำนวนขององค์ประกอบคอมโพเนนต์อย่างใดอย่างหนึ่งได้ทราบจากฟิสิกส์ หรือสามารถpostulatedเรียนรู้ดูแลภาพการทำงานเป็นตัวอย่างของการดูแลเรียนรู้วิธีการที่ใช้ประดิษฐ์ประสาทเครือข่าย กระบวนการของการรู้จำ obviates ต้องโมเดลการวิเคราะห์ที่ซับซ้อน แทนจริงในการวิเคราะห์ทางสถิติของข้อมูลด้านความซับซ้อนการตั้งค่า Nikiforov et al. [68] อธิบายการทำงานภาพตัวอย่างแบคทีเรีย Micrococcus สดประกอบด้วยlysodeikticus และ Pseudomonas fluorescens บนโพลี-Llysine -เคลือบพื้นผิวแก้ว แบคทีเรียเหล่านี้แตกต่างรูปร่าง และจึง นำเสนอระบบการสร้างโมเดลที่ดีสำหรับสร้างชุดข้อมูลฝึกอบรม ได้ข้อมูลด้านโดยวิธีกระตุ้นวางกรอบโครงการวง [69,70] ในรูปแบบของการตอบสนองการไฟฟ้ากับไฟฟ้า

ผลลัพธ์ (ไทย) 2:

1, ... 4) มีการผสมสัมประสิทธิ์ CI (i = 1, ... 4), ความกว้าง
อธิบายไว้แล้วโดยสมการที่ 9:
ADX; Y; Vth ¼c1ðx; yÞs1ðVÞ th ... Þc4ðx; yÞs4ðVÞð9Þ
ICA สามารถนำมาใช้เพื่อหา si (V) และ CI (x, y) ในสาระสำคัญ
การเปลี่ยนแปลงดังกล่าวจะช่วยให้ข้อมูลที่จะแสดง
เป็นจำนวนมากโดยเฉพาะของ 'กระบวนการ' อิสระ (ส่วนประกอบ)
ที่ได้รับการผสมสัญญาณสุดท้ายในขณะที่ค่าสัมประสิทธิ์
ตรวจสอบน้ำหนักสัมพัทธ์ของแต่ละกระบวนการ
มีส่วนร่วมของสัญญาณทั้งหมด ผลการ demixing นี้
จะแสดงในรูปที่ 5 มีอิสระ
ส่วนประกอบที่แสดงใน 5A รูป, B, C, D และสอดคล้องกับ
ค่าสัมประสิทธิ์ผสมแสดงใน 6a รูป, B, C, D.
ซึ่งแตกต่างจากใน PCA ไม่มีการสั่งซื้อโดยเฉพาะอย่างยิ่ง กับ
องค์ประกอบ แต่คล้ายกับ PCA ส่วนประกอบ
อาจพลิกเข้าสู่ระบบ.
แผนที่การกระจายตัวของค่าสัมประสิทธิ์ผสมแสดงความแปรปรวน
ในการตอบสนองและมีความโดดเด่นแตกต่างจาก
แผนที่ eigenvalue PCA; ตัวอย่างเช่นด้านล่างขวา
พื้นที่ของกลุ่มตัวอย่างแสดงการตอบสนองสูงของสอง
องค์ประกอบ (รูป 6b) ซึ่งจะเป็นการเพิ่มพื้นที่
ปิดล้อมภายในด้านซ้ายของวงผีเสื้อ ใน
ตัวอย่างนี้ทราบว่ามีเหตุผลที่นั่นเพื่อไม่
เป็นสี่องค์ประกอบที่จะห่วง hysteresis คือเราแสดงให้เห็นถึง
ตัวอย่างของวิธีการ แต่ขึ้นอยู่กับองค์ประกอบ
รูปร่างควรจะมีอย่างน้อยสี่เป็นส่วนประกอบทั้งหมด
ปรากฏที่แตกต่างกันอย่างมีนัยสำคัญ ที่สำคัญซึ่งเป็นองค์ประกอบที่สี่
แสดงใกล้เหมาะห่วง ferroelectric (รูป 5D)
และความแข็งแรงของส่วนนี้ด้วยความเคารพกับ
ส่วนประกอบอื่น ๆ สามารถมองเห็นเป็นข้อบ่งชี้ของการศึกษาระดับปริญญาที่
สลับ ferroelectric หมดจดในภูมิภาคเหล่านั้นเช่น
เมื่อเทียบกับคนอื่น ๆ ส่วนประกอบที่ปรากฏเป็นผลมาจาก
อิทธิพลครอบครองโดยค่าใช้จ่ายที่พื้นผิว nanoregions ขั้วโลก
หรือสาขาที่เหนี่ยวนำให้เกิดการเปลี่ยนแปลงขั้นตอน ยกตัวอย่างเช่น
องค์ประกอบแรกที่ปรากฏที่ใหญ่ที่สุดในบนซ้าย
มุมของภูมิภาคศึกษา (รูปที่ 6a) และบีบบังคับ
ฟิลด์สำหรับส่วนนี้จะต่ำกว่ามากอาจจะเป็นเพราะ
นิสัยชอบที่เพิ่มขึ้นของข้อมูลที่เกิดการเปลี่ยนแปลงขั้นตอน
(น่าจะ rhombohedral ไป tetragonal [67]) ในครั้งนี้
พื้นที่ ดังนั้น ICA เป็นวิธีที่มีประโยชน์อย่างมากสำหรับแหล่งที่มาตาบอด
แยกและมีวิธีการที่มีประสิทธิภาพที่มาพร้อมกับ
PCA ที่จะผสมสัญญาณซึ่งมีจำนวนส่วนประกอบ
ส่วนประกอบเป็นที่รู้จักกันทั้งจากฟิสิกส์หรือสามารถ
ตั้งสมมติฐาน.
ดูแลการเรียนรู้
การถ่ายภาพการรับรู้การทำงานเป็นตัวอย่างของการที่ ภายใต้การดูแล
วิธีการเรียนรู้ที่มีพนักงานประสาทเทียม
เครือข่าย กระบวนการของการรับรู้ obviates ความจำเป็นในการ
หารูปแบบการวิเคราะห์ที่มีความซับซ้อนแทนที่จะอาศัย
การวิเคราะห์ทางสถิติของข้อมูลสเปกโทรสโกซับซ้อน
ชุด Nikiforov et al, [68] อธิบายการรับรู้การทำงาน
การถ่ายภาพของตัวอย่างเชื้อแบคทีเรียที่มี Micrococcus สด
lysodeikticus และ Pseudomonas fluorescens บนโพลี Llysine-
พื้นผิวเคลือบแก้ว แบคทีเรียเหล่านี้แตกต่างกันใน
รูปร่างและจึงนำเสนอระบบการสร้างแบบจำลองที่ดีสำหรับ
การสร้างชุดข้อมูลการฝึกอบรม ข้อมูลสเปกโทรสโกถูก
จัดไว้ให้โดยวิธีการกระตุ้นวง PFM [69,70] ใน
รูปแบบของการตอบสนองของระบบเครื่องกลไฟฟ้ากับการกระตุ้น

ผลลัพธ์ (ไทย) 3:

Implication