The proposed algorithm takes the nu

The proposed algorithm takes the number of input images,
the dimension of the images, and the number of desired
non-Gaussian directions as inputs and returns the image
data matrix, and the non-Gaussian vectors as outputs. It
works like a linear system that predicts the next state vector
from an input vector and a current state vector. The
non-Gaussian components will be updated from the previous
components values and from a new input image vector
by processing sequentially the IPCA and the FastICA algorithms.
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:

อัลกอริทึมเสนอใช้จำนวนภาพเข้าขนาดของภาพ และจำนวนที่ต้องการทิศทางไม่ใช่ Gaussian อินพุต และการคืนค่ารูปภาพข้อมูลเมตริกซ์ และเวกเตอร์ไม่ใช่ Gaussian เป็นเอาท์พุต มันทำงานเหมือนระบบเชิงเส้นที่ทำนายเวกเตอร์สถานะถัดไปเวกเตอร์การอินพุตและเวกเตอร์สถานะปัจจุบัน ที่ไม่ Gaussian ส่วนประกอบจะถูกปรับปรุงจากก่อนหน้าค่าส่วนประกอบ และเวกเตอร์รูปป้อนข้อมูลใหม่โดยการประมวลผลตามลำดับ IPCA และอัลกอริทึม FastICAในขณะที่ 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:

อัลกอริทึมที่นำเสนอจะใช้เวลาจำนวนภาพใส่มิติของภาพและจำนวนที่ต้องการทิศทางที่ไม่เสียนเป็นปัจจัยการผลิตและผลตอบแทนภาพเมทริกซ์ข้อมูลและเวกเตอร์ที่ไม่เสียนเป็นเอาท์พุท มันทำงานเหมือนระบบเชิงเส้นที่คาดการณ์เวกเตอร์รัฐต่อไปจากการป้อนข้อมูลเวกเตอร์และเวกเตอร์ของรัฐในปัจจุบัน ส่วนประกอบที่ไม่เสียนจะมีการปรับปรุงจากก่อนหน้านี้ค่าชิ้นส่วนและจากภาพที่นำเข้าใหม่เวกเตอร์โดยการประมวลผลตามลำดับIPCA และขั้นตอนวิธีการ FastICA. ในขณะที่ IPCA กลับ eigenvectors ประมาณเป็นเมทริกซ์ที่แสดงถึง subspaces ของข้อมูลและสอดคล้องกันค่าลักษณะเฉพาะเป็นเวกเตอร์แถวค้นหา FastICA สำหรับอิสระทิศทางน้ำหนักที่ประมาณการของอินพุตเวกเตอร์ข้อมูลจะเพิ่มไม่ใช่Gaussianity 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:

วิธีที่เสนอจะใช้เวลาจำนวนของภาพเข้า
มิติของภาพ และ จํานวนที่ต้องการ
ไม่เสียนเส้นทางเป็นปัจจัยการผลิต และกลับภาพ
Data Matrix และไม่เสียนเวกเตอร์เป็นเอาท์พุท มันทำงานเหมือนระบบเชิงเส้นนั้น

จากคาดการณ์ต่อไปรัฐเวกเตอร์เวกเตอร์เวกเตอร์สัญญาณและสถานะปัจจุบัน
ไม่เสียนชิ้นส่วนจะปรับปรุงจากเดิม
ส่วนประกอบและคุณค่าจากใหม่ใส่ภาพเวกเตอร์
โดยการประมวลผลตามลำดับที่ ipca และ fastica ขั้นตอนวิธี .
ในขณะที่ ipca ส่งกลับประมาณเสนอเป็น
Matrix ที่เป็นตัวแทน subspaces ของข้อมูลและค่าตรงกัน
เป็นแถวเวกเตอร์ fastica ค้นหาเส้นทางอิสระ
w
ที่ประมาณการของ input ข้อมูลเวกเตอร์ จะ เพิ่มไม่ gaussianity .โดย
ในการลดฟังก์ชัน negentropy โดยประมาณ [ 19 ]
ให้ J ( X ) =  ผมคิ { E ( กี ( x ) − e ( กี ( V ) } 2
โดยใช้วิธีของนิวตัน ที่ G ( x ) เป็นฟังก์ชันของการสุ่มตัวแปร x nonquadratic
E ของมันและคาดว่ามูลค่า