eigenvectors in Figure 3a,b,c,d wit

eigenvectors in Figure 3a,b,c,d with their respective loading
maps shown in Figure 4a,b,c,d. The first component
represents the mean of the data set (since the mean captures
the most variance in the data), and subsequent
components detect the variations in the (amplitude) hysteresis
loop shape from iteratively deviating from the
mean. Note that the components can arbitrarily switch
sign, but in these instances, the eigenvalues will also be
reversed to preserve the correct orientation of the reconstructed
data set. The second component in Figure 3b
is a measure of the asymmetry of the loop (related to
ferroelectric imprint), while the third appears to widen
the loop (i.e., change the coercive field). Finally, the
fourth component displays non-trivial features which, in
the reconstructed data set, appear as mound-like features
on either side of the switching cycle. The spatial
maps illustrate significant heterogeneity for each component,
as a result of the widely varying ferroelectric
switching behavior across the sample. Thus, PCA once
again provides an effective method to quickly map the
trends in the data set.
Although PCA is useful in visualizing the structure of
the data, there are no physically meaningful constraints
on the eigenvectors. For example, if it is known (or postulated)
that the measured signal is a linear combination
of n independent signals, one may want to determine
the pure components that correspond to each of these
cases. For this particular problem, the ICA [42] technique
provides a solution and allows de-mixing of signals into a
user-defined number of vectors (components), with the
constraint that the components must be statistically
independent.
Consider the amplitude signal A in the BEPS example
written as a sum of four independent components si (i =

ผลลัพธ์ (ไทย) 1:

เวกเตอร์ลักษณะเฉพาะในรูป 3a, b, c, d ด้วยการโหลดของพวกเขาเกี่ยวข้องแผนที่ที่แสดงในรูปที่ 4a, b, c, d ส่วนประกอบแรกแสดงถึงความหมายของข้อมูล (ตั้งแต่หมายถึงจับที่สุดผลต่างข้อมูล), และต่อมาคอมโพเนนต์ตรวจจับรูปแบบสัมผัส (คลื่น)ห่วงรูปร่างจากทาซ้ำ ๆ การเบี่ยงเบนจากการหมายความว่า หมายเหตุว่า ส่วนประกอบสามารถอย่าสลับเข้าสู่ระบบ แต่ในกรณีนี้ ค่าลักษณะเฉพาะจะกลับไปรักษาแนวที่ถูกต้องของที่สร้างขึ้นใหม่ชุดข้อมูล ส่วนสองในรูปที่ 3bคือการวัดความไม่สมดุลของการวนรอบ (ที่เกี่ยวข้องกับสำนักพิมพ์ ferroelectric), ในขณะที่สามจะ ขยายวง (เช่น เปลี่ยนฟิลด์ coercive) ในที่สุด การแสดงส่วนประกอบสี่ไม่น่ารำคาญสิ่งซึ่ง ในชุดข้อมูลสร้างขึ้นใหม่ ปรากฏเป็นเนินดินต่าง ๆด้านใดด้านหนึ่งของวงจรสวิตช์ ในปริภูมิแผนที่แสดง heterogeneity สำคัญสำหรับแต่ละส่วนประกอบจาก ferroelectric แตกต่างกันอย่างกว้างขวางสลับการทำงานในตัวอย่าง ดังนั้น PCA ครั้งอีกครั้ง โดยมีวิธีการมีประสิทธิภาพการอย่างรวดเร็วแนวโน้มในชุดข้อมูลแม้ว่า PCA เป็นประโยชน์ในการแสดงโครงสร้างของข้อมูล มีข้อจำกัดไม่มีความหมายทางกายภาพในเวกเตอร์ลักษณะเฉพาะ ตัวอย่างเช่น ถ้ามันเป็นที่รู้จักกัน (หรือ postulated)สัญญาณวัดได้ว่าการรวมกันเชิงเส้นสัญญาณอิสระ n อาจต้องการตรวจสอบคอมโพเนนต์บริสุทธิ์ที่สอดคล้องกับแต่ละกรณี สำหรับปัญหานี้โดยเฉพาะ เทคนิค ICA [42]แสดงการแก้ไขปัญหา และให้ยกเลิกผสมสัญญาณเป็นการเวกเตอร์ (องค์ประกอบ), จำนวนที่ผู้ใช้กำหนดเองด้วยการคอมโพเนนต์ต้องแน่นอิสระพิจารณาคลื่นสัญญาณ A ในตัวอย่าง BEPSเขียนเป็นผลรวมของส่วนประกอบอิสระสี่สี่ (ผม =

ผลลัพธ์ (ไทย) 2:

eigenvectors ในรูป 3A, B, C, D กับการโหลดของตน
แผนที่แสดงในรูปที่ 4A, B, C, D องค์ประกอบแรก
หมายถึงค่าเฉลี่ยของชุดข้อมูล (ตั้งแต่ค่าเฉลี่ยจับ
ความแปรปรวนมากที่สุดในข้อมูล) และต่อมา
ส่วนประกอบตรวจหารูปแบบใน (กว้าง) hysteresis
รูปร่างห่วงจากซ้ำเบี่ยงเบนไปจาก
ค่าเฉลี่ย ทราบว่าองค์ประกอบพลสามารถสลับ
สัญญาณ แต่ในกรณีนี้ค่าลักษณะเฉพาะก็จะถูก
ย้อนกลับเพื่อรักษาทิศทางที่ถูกต้องของใหม่
ชุดข้อมูล ส่วนที่สองในรูปที่ 3b
เป็นตัวชี้วัดความไม่สมดุลของวง (ที่เกี่ยวข้องกับที่
ประทับ ferroelectric) ในขณะที่สามดูเหมือนจะขยาย
วง (เช่นเปลี่ยนฟิลด์บีบบังคับ) สุดท้าย
องค์ประกอบที่สี่แสดงคุณสมบัติที่ไม่น่ารำคาญซึ่งใน
ชุดข้อมูลที่สร้างขึ้นใหม่ปรากฏเป็นคุณลักษณะที่กองเหมือน
ที่ด้านข้างของวงจรสลับทั้ง อวกาศ
แผนที่แสดงให้เห็นถึงความแตกต่างอย่างมีนัยสำคัญสำหรับแต่ละองค์ประกอบ
เป็นผลมาจากการที่แตกต่างกันอย่างแพร่หลาย ferroelectric
พฤติกรรมสลับข้ามตัวอย่าง ดังนั้น PCA ครั้งเดียว
อีกครั้งให้เป็นวิธีที่มีประสิทธิภาพได้อย่างรวดเร็วแม
แนวโน้มในชุดข้อมูล.
แม้ว่า PCA จะเป็นประโยชน์ในการแสดงโครงสร้างของ
ข้อมูลที่ไม่มีข้อ จำกัด ทางร่างกายที่มีความหมาย
ใน eigenvectors ตัวอย่างเช่นถ้าเป็นที่รู้จักกัน (หรือกล่าวอ้าง)
ว่าสัญญาณที่วัดได้คือการรวมกันเชิงเส้น
ของสัญญาณ n อิสระหนึ่งอาจต้องการที่จะตรวจสอบ
ส่วนประกอบที่บริสุทธิ์ที่สอดคล้องกับแต่ละเหล่านี้
กรณี สำหรับปัญหานี้โดยเฉพาะอย่างยิ่งไอซี [42] เทคนิคการ
ให้บริการโซลูชั่นและช่วยให้ de-ผสมของสัญญาณเป็น
จำนวนที่ผู้ใช้กำหนดของเวกเตอร์ (ส่วนประกอบ) กับ
ข้อ จำกัด ว่าองค์ประกอบจะต้องสถิติ
อิสระ.
พิจารณาสัญญาณกว้างมีในร้าน ตัวอย่าง BEPS
เขียนเป็นผลรวมของสี่องค์ประกอบอิสระศรี (i =

ผลลัพธ์ (ไทย) 3:

เสนอในรูปที่ 3A , B , C , D กับโหลดของตนแผนที่ที่แสดงในรูปที่ 4 , B , C , D ส่วนแรกหมายถึงค่าเฉลี่ยของชุดข้อมูล ( เพราะหมายถึง จับความแปรปรวนมากที่สุดในข้อมูล ) และต่อมาชิ้นส่วนตรวจสอบการเปลี่ยนแปลงใน ( 1 ) แบบห่วงรูปร่างจากซ้ำเบี่ยงเบนจากหมายถึง ทราบว่า คอมโพเนนต์พลสามารถสลับเซ็น แต่ในกรณีเหล่านี้ ค่าก็จะถูกกลับเพื่อรักษาทิศทางที่ถูกต้องของข้อมูลชุดข้อมูล องค์ประกอบที่สองในรูปที่ 3Bเป็นวัดของความไม่สมดุลของลูป ( เกี่ยวข้องกับเฟอร์โรอิเล็กทริกประทับ ) ในขณะที่สามจะเบิกห่วง ( เช่น เปลี่ยนสนามเท่านั้น ) ในที่สุดองค์ประกอบที่สี่แสดงไม่คุณลักษณะเล็กน้อยซึ่งการสร้างชุดข้อมูล ปรากฏเป็นเนิน เช่น คุณสมบัติที่ด้านข้างของการสลับวงจร เชิงพื้นที่แผนที่แสดงให้เห็นถึงความหลากหลายที่สำคัญสำหรับแต่ละองค์ประกอบผลของแตกต่างกันอย่างกว้างขวางเฟอร์โรอิเล็กทริกเปลี่ยนพฤติกรรมในตัวอย่าง ดังนั้น , PCA ครั้งอีกครั้งให้วิธีที่มีประสิทธิภาพได้อย่างรวดเร็วแผนที่แนวโน้มในชุดข้อมูลแม้ว่าในปัจจุบันจะเป็นประโยชน์ในการใช้โครงสร้างของข้อมูล ไม่มีข้อจำกัดทางกายภาพ มีความหมายในการเสนอ . ตัวอย่างเช่น ถ้ามันเป็นที่รู้จักกัน ( หรือคิดค้น )ว่าวัดสัญญาณการเชิงเส้นของไนโตรเจนอิสระสัญญาณ , หนึ่งอาจต้องการที่จะตรวจสอบบริสุทธิ์ด้วยส่วนประกอบที่สอดคล้องกับแต่ละเหล่านี้กรณี สำหรับปัญหานี้โดยเฉพาะ , ICA [ 42 ] เทคนิคให้บริการโซลูชั่นและช่วยให้การผสมของสัญญาณในเดอผู้ใช้กำหนดจำนวนของเวกเตอร์ ( ส่วนประกอบ ) กับข้อจำกัดที่ส่วนประกอบต้องอย่างมีนัยสำคัญทางสถิติที่เป็นอิสระพิจารณาสัญญาณความถี่ใน beps ตัวอย่างเช่นเขียนเป็นจำนวนสี่อิสระประกอบศรี ( ฉัน =