components should be physically via

components should be physically viable, well-behaved,
positive, have additive weights, etc. This level of analysis
can be achieved by Bayesian linear de-mixing methods,
specifically an algorithm conglomerate introduced by
Dobigeon et al. [43].
The main advantage of these methods is a quantitative,
interpretable result where the final endmembers are
non-negative, in the units of input data, and with all of
the respective abundances adding up to 1. Therefore, at
each location, the data is decomposed into a linear combination
of spectra where each pixel in the probed grid
consists of a number of components (i.e., conducting behaviors)
present in a corresponding proportion. Note
that these constraints allow a direct transition from statistical
analysis to physical behavior. By making the abundances
additive and the endmembers positive, we can
begin assigning physical behavior to the shape and nature
of the endmember curves. By extension, analysis of the
endmember loading maps adds the spatial component
to the behavior that non-statistical methods of analysis
lack entirely.
Following the experiments at 0%, 58%, and 87% humidity,
we performed Bayesian de-mixing of the current signal
into four components. The reasons for choosing four
components and the supporting arguments are discussed
in detail by Strelcov et al. [58]. De-mixed vectors for all
three experiments as well as loadings for the 0% and 87%
humidity cases are shown in Figure 9. The de-mixed components
correspond to 1) electronic transport through a
potential barrier (Figure 9a) active in the central and outer

ผลลัพธ์ (ไทย) 1:

คอมโพเนนต์ควรจะทำงานได้จริง เด็กดีบวก มีน้ำหนักสารเติมแต่ง ฯลฯ ระดับของการวิเคราะห์สามารถทำได้ โดยวิธีผสมไม่เชิงเส้นทฤษฎีโดยเฉพาะกระบวนอัลกอริทึมนำมาใช้โดยDobigeon et al. [43]ประโยชน์หลักของวิธีการเหล่านี้จะเป็นเชิงปริมาณผลการค้นหา interpretable endmembers สุดท้ายไม่เป็นลบ หน่วย ของข้อมูลที่ป้อนเข้า และทั้งหมดร้านนั้น ๆ ที่เพิ่มขึ้น 1 ดังนั้น ที่แต่ละตำแหน่ง ข้อมูลจะสลายตัวเป็นการรวมกันเชิงเส้นของมุมที่แต่ละพิกเซลในตาราง probedประกอบด้วยจำนวนของส่วนประกอบ (เช่น ทำพฤติกรรม)ในสัดส่วนสอดคล้องกัน หมายเหตุว่า ข้อจำกัดเหล่านี้ทำให้ช่วงการเปลี่ยนภาพโดยตรงจากสถิติการวิเคราะห์ลักษณะทางกายภาพการ ทำที่ร้านสารเติมแต่งและ endmembers บวก เราสามารถเริ่มต้นการกำหนดลักษณะทางกายภาพกับรูปร่างและลักษณะของเส้นโค้ง endmember นามสกุล วิเคราะห์การendmember โหลดแผนที่เพิ่มคอมโพเนนต์เชิงพื้นที่ลักษณะการทำงานที่ไม่ใช่ทางสถิติวิธีวิเคราะห์ขาดทั้งหมดต่อการทดลองที่ 0%, 58% และความ ชื้น 87%เราดำเนินการทฤษฎีผสมสัญญาณปัจจุบันยกเลิกเป็นสี่องค์ประกอบ เหตุผลในการเลือกสี่กล่าวถึงส่วนประกอบและอาร์กิวเมนต์สนับสนุนในรายละเอียดโดย Strelcov et al. [58] เวกเตอร์ไม่ผสมทั้งหมดสามการทดลองรวมทั้งรับน้ำหนักที่ 0% และ 87%กรณีความชื้นจะแสดงในรูปที่ 9 ส่วนผสม-สอดคล้องกับ 1) ขนส่งอิเล็กทรอนิกส์ผ่านการอาจเกิดอุปสรรค (รูปที่ 9 ก) ใช้งานในส่วนกลาง และภายนอก

ผลลัพธ์ (ไทย) 2:

ส่วนประกอบควรจะทำงานได้ร่างกายมีความประพฤติดี,
บวกมีน้ำหนักสารเติมแต่งอื่น ๆ ระดับของการวิเคราะห์นี้
สามารถทำได้โดยวิธีการเชิงเส้นคชกรรม de-ผสม
โดยเฉพาะหินกรวดขั้นตอนวิธีการแนะนำให้รู้จักกับ
Dobigeon et al, [43].
ประโยชน์หลักของวิธีการเหล่านี้เป็นเชิงปริมาณ
ผล interpretable ที่ endmembers สุดท้าย
ที่ไม่ใช่เชิงลบในหน่วยของข้อมูลเข้าและที่มีทั้งหมดของ
อนุภาคนั้นเพิ่มขึ้นถึง 1 ดังนั้นใน
แต่ละสถานที่ ข้อมูลจะถูกย่อยสลายเป็นการรวมกันเชิงเส้น
ของสเปกตรัมที่แต่ละพิกเซลในตารางการตรวจสอบ
ประกอบด้วยจำนวนของส่วนประกอบ (เช่นพฤติกรรมการดำเนินการ)
อยู่ในสัดส่วนที่สอดคล้องกัน ทราบ
ว่าข้อ จำกัด เหล่านี้ช่วยให้การเปลี่ยนแปลงตรงจากสถิติ
การวิเคราะห์พฤติกรรมทางกายภาพ โดยการทำให้ปริมาณ
สารเติมแต่งและ endmembers บวกเราสามารถ
เริ่มต้นการกำหนดพฤติกรรมทางกายภาพเพื่อรูปร่างและลักษณะ
ของเส้นโค้ง endmember โดยขยายการวิเคราะห์ของ
แผนที่ endmember โหลดเพิ่มองค์ประกอบเชิงพื้นที่
กับพฤติกรรมที่ไม่ใช่วิธีการทางสถิติของการวิเคราะห์
ขาดอย่างสิ้นเชิง.
หลังจากการทดลองที่ 0%, 58% และมีความชื้น 87% ที่
เราดำเนินการคชกรรม de-ผสมของปัจจุบัน ส่งสัญญาณ
เป็นสี่ส่วนประกอบ เหตุผลในการเลือกสี่
ส่วนประกอบและข้อโต้แย้งที่สนับสนุนที่จะกล่าวถึง
ในรายละเอียดโดย Strelcov et al, [58] เวกเตอร์ de-ผสมสำหรับทุก
การทดลองสามเช่นเดียวกับแรงสำหรับ 0% และ 87%
กรณีความชื้นจะแสดงในรูปที่ 9 ส่วนประกอบผสม
ตรงตามลักษณะที่ 1) การขนส่งทางอิเล็กทรอนิกส์ผ่าน
อุปสรรคที่อาจเกิดขึ้น (รูปที่ 9a) ที่ใช้งานอยู่ในภาคกลาง ในและด้านนอก

ผลลัพธ์ (ไทย) 3:

องค์ประกอบที่ควรเป็นจริงได้ ก็เป็นแบบนี้บวก , เพิ่มน้ำหนัก , ฯลฯ นี้ระดับของการวิเคราะห์สามารถทำได้โดยการผสมแบบเชิงเส้น เดอ วิธีการโดยบริษัทแนะนำโดยอัลกอริธึมdobigeon et al . [ 43 ]ประโยชน์หลักของวิธีการเหล่านี้เป็นเชิงปริมาณinterpretable ผลที่ endmembers สุดท้ายไม่ลบ ในหน่วยของข้อมูล และด้วยทั้งหมดของที่เกี่ยวข้องเพิ่ม abundances ถึง 1 ดังนั้น ที่แต่ละสถานที่ ข้อมูลจะถูกย่อยสลายไป การรวมกันเชิงเส้นSpectra ซึ่งแต่ละพิกเซลในการตรวจสอบตารางประกอบด้วยจำนวนของชิ้นส่วน ( เช่น ด้านพฤติกรรม )ปัจจุบันในสัดส่วนที่สอดคล้องกัน หมายเหตุที่ข้อ จำกัด เหล่านี้อนุญาตให้มีการเปลี่ยนแปลงโดยตรง จากสถิติการวิเคราะห์พฤติกรรมทางร่างกาย โดยการ abundancesการบวกและ endmembers บวก เราสามารถเริ่มต้นให้กับรูปร่างและลักษณะทางกายภาพ พฤติกรรมของ endmember เส้นโค้ง นามสกุล , การวิเคราะห์endmember โหลดแผนที่เพิ่มองค์ประกอบเชิงพื้นที่กับพฤติกรรมที่ไม่วิธีการทางสถิติวิเคราะห์ขาดทั้งหมดต่อไปนี้การทดลองที่ 0% , 58 , และ 87 % ความชื้นเราแสดง de ผสมของสัญญาณกระแสแบบเบส์เป็นสี่ส่วน เหตุผลที่เลือกสี่ส่วนประกอบและเหตุผลสนับสนุนมีการกล่าวถึงในรายละเอียดโดย strelcov et al . [ 58 ] ผสมทั้งหมดเดอเวกเตอร์3 การทดลอง ตลอดจนภาระสำหรับ 0 % และ 87%กรณีความชื้นจะแสดงในรูปที่ 9 คอมโพเนนต์ เดอ ผสมสอดคล้องกับ 1 ) การขนส่งผ่านอิเล็กทรอนิกส์ศักยภาพ อุปสรรค ( รูปที่ 9A ) งานในส่วนกลาง และภายนอก