resulting domain. We illustrate a c

resulting domain. We illustrate a combinatorial PCA and
neural network approach to address this problem [86].
The experimental data set consisted of PFM images of
the domains produced by an application of a number of
electrical pulses of varying length, and a total of 288 domains
were acquired for testing.
We used PCA to obtain a set of the descriptors that
characterized the individual domains. Each domain
image consisted of N × N pixels and was unfolded into
a 1D vector of N2 length. PCA eigenvectors (Figure 13b)
and corresponding weight coefficients (Figure 13c) characterized
the domain morphology. Color map of the weights
demonstrates clear differences between the domain
groups corresponding to different switching pulses
(Figure 13c). This approach illustrates use of eigenvectors
for characterization of all of the experimentally observed
features of the domain morphology, and the weights can
be used as an input parameter for the recognition by a
feed-forward neural network.
For testing of this approach, the experimental data set
was divided into training and test data sets. The PCA
over the training data set (about 15% of the domains)
was used for calculation of etalon eigenvectors, which was
used for deconvolution of the testing weight coefficients

ผลลัพธ์ (ไทย) 1:

โดเมนที่เกิดขึ้น เราแสดง PCA แบบ และวิธีโครงข่ายประสาทเพื่อแก้ปัญหานี้ [86]ประกอบด้วยชุดข้อมูลทดลองการวางกรอบโครงการภาพของผลิต โดยแอพลิเคชันของโดเมนพัลส์ไฟฟ้าความยาวแตกต่างกัน และทั้งหมดของโดเมนที่ 288ได้รับมาสำหรับการทดสอบเราใช้ PCA เพื่อขอรับชุดอธิบายที่ลักษณะแต่ละโดเมน แต่ละโดเมนภาพด้วย N × N เซล และกางออกมาเวกเตอร์ 1D ความยาว N2 เวกเตอร์ลักษณะเฉพาะ PCA (รูป 13b)และสัมประสิทธิ์น้ำหนัก (รูปที่ 13 c) ลักษณะที่สอดคล้องสัณฐานวิทยาโดเมน แผนที่สีน้ำหนักอธิบายความแตกต่างที่ชัดเจนระหว่างโดเมนกลุ่มที่สอดคล้องกับกะพริบสลับที่แตกต่างกัน(รูปที่ 13 c) วิธีการนี้แสดงให้เห็นถึงการใช้เวกเตอร์ลักษณะเฉพาะสำหรับคุณลักษณะทั้งหมดของสังเกตสมมติฐานลักษณะของสัณฐานวิทยาโดเมน และน้ำหนักสามารถใช้เป็นพารามิเตอร์ป้อนเข้าสำหรับการรู้โดยการเครือข่ายประสาทไปฟีดสำหรับการทดสอบของวิธีการนี้ ชุดข้อมูลทดลองถูกแบ่งออกเป็นชุดข้อมูลการฝึกอบรมและทดสอบ การ PCAผ่านชุดข้อมูลการฝึกอบรม (ประมาณ 15% ของโดเมน)ใช้สำหรับการคำนวณ etalon เวกเตอร์ลักษณะเฉพาะ ซึ่งใช้สำหรับ deconvolution ของสัมประสิทธิ์น้ำหนักทดสอบ

ผลลัพธ์ (ไทย) 2:

ส่งผลให้โดเมน เราแสดงให้เห็นถึง PCA combinatorial และ
วิธีเครือข่ายประสาทในการแก้ไขปัญหานี้ [86].
ชุดข้อมูลการทดลองประกอบด้วยภาพ PFM ของ
โดเมนที่ผลิตโดยการประยุกต์ใช้จำนวนของ
พัลส์ไฟฟ้าของระยะเวลาที่แตกต่างกันและรวม 288 โดเมน
ที่ได้มา สำหรับการทดสอบ.
เราใช้ PCA ที่จะได้รับชุดของอธิบายที่
โดดเด่นในแต่ละโดเมน โดเมนเนมแต่ละ
ภาพประกอบด้วยพิกเซล N ร N และถูกคลี่ออกเป็น
เวกเตอร์ของ 1D N2 ยาว PCA eigenvectors (รูปที่ 13b)
และค่าสัมประสิทธิ์น้ำหนักที่สอดคล้องกัน (รูปที่ 13c) ลักษณะ
สัณฐานโดเมน แผนที่สีของน้ำหนัก
แสดงให้เห็นถึงความแตกต่างที่ชัดเจนระหว่างโดเมน
กลุ่มที่สอดคล้องกับพัลส์เปลี่ยนที่แตกต่างกัน
(รูปที่ 13C) วิธีการนี้จะแสดงให้เห็นถึงการใช้งานของ eigenvectors
สำหรับลักษณะของทั้งหมดของข้อสังเกตทดลอง
คุณสมบัติของสัณฐานวิทยาโดเมนและน้ำหนักสามารถ
นำมาใช้เป็นพารามิเตอร์ที่ป้อนสำหรับการรับรู้โดยการให้
เครือข่ายประสาทฟีดไปข้างหน้า.
สำหรับการทดสอบของวิธีนี้ข้อมูลจากการทดลอง ชุด
แบ่งออกเป็นการฝึกอบรมและการทดสอบชุดข้อมูล PCA
มากกว่าชุดข้อมูลการฝึกอบรม (ประมาณ 15% ของโดเมน)
ถูกนำมาใช้ในการคำนวณ eigenvectors Etalon ซึ่งถูก
นำมาใช้เพื่อ deconvolution ของค่าสัมประสิทธิ์การทดสอบน้ำหนัก

ผลลัพธ์ (ไทย) 3:

ที่เกิดกับโดเมน เราแสดงให้เห็นวิธีการและโครงข่ายประสาทเทียมแบบที่อยู่ปัญหานี้ [ 86 ]ข้อมูลชุดทดลองประกอบด้วย ฟังภาพโดเมนที่ผลิตโดยการใช้หมายเลขของพัลส์ไฟฟ้าของความยาวแตกต่างกันและทั้งหมด 288 โดเมนได้มาทดลองเราใช้วิธีที่จะได้รับชุดของในที่ลักษณะโดเมนของแต่ละบุคคล แต่ละโดเมนภาพจำนวน n × n พิกเซลและคลี่ออกเป็นเป็นเวกเตอร์ของ 1D ยาว 2 . PCA ( รูปที่ 13 ) ได้เสนอที่น้ำหนักและค่ารูป 13C ) ลักษณะโดเมนของ . แผนที่ของน้ำหนักสีแสดงให้เห็นถึงความแตกต่างที่ชัดเจนระหว่างโดเมนกลุ่มที่ตรงกับที่แตกต่างกันการกะพริบ( รูปที่ 13C ) วิธีการนี้เสนอให้ใช้สำหรับคุณสมบัติทั้งหมดของการทดลองพบว่าคุณสมบัติของโดเมน รูปร่าง และน้ำหนัก สามารถใช้เป็น Input พารามิเตอร์สำหรับการรับรู้โดยfeed-forward ประสาทเครือข่ายสำหรับการทดสอบของวิธีการนี้ทดลองชุดข้อมูลแบ่งออกเป็นการฝึกอบรมและชุดข้อมูลทดสอบ . พีซีผ่านการฝึกอบรมชุดข้อมูล ( ประมาณ 15% ของโดเมน )ใช้สำหรับการคำนวณ etalon เสนอ ซึ่งใช้สำหรับทดสอบค่าของน้ำหนัก ธีค โวลูชั่น