The basis defining the model are derived from data in the training set. By deriving the basis vectors
for the model from the data rather than a standard expansion such as the Fourier series, data will fit
better with fewer terms. This kind of modeling has been used to compress data for a variety of
problems [33,34,35,36,37,38,39]. Several methods, Principal Component Analysis, Blind Signal
Separation, Karhunen-Transform and Singular Value Decomposition accomplish this modeling with
similar mathematics. The modeling is described here within the framework of the Singular Value
Decomposition.
การกำหนดรูปแบบพื้นฐานมาจากข้อมูลในชุดฝึกอบรม โดยเวกเตอร์ฐานบริษัทฯสำหรับรูปแบบจากข้อมูลมากกว่าขยายมาตรฐานเช่นอนุกรมการ ข้อมูลจะพอดีดี มีเงื่อนไขน้อยลง สร้างโมเดลชนิดนี้มีการใช้การบีบอัดข้อมูลต่าง ๆปัญหา [33,34,35,36,37,38,39] วิธีการต่าง ๆ การวิเคราะห์ส่วนประกอบหลัก สัญญาณตาบอดแยก Karhunen แปลง และแยกส่วน ประกอบค่าเอกพจน์ทำโมเดลนี้ด้วยคณิตศาสตร์เหมือนกัน สร้างโมเดลอธิบายไว้ที่นี่ภายในกรอบของค่าเอกพจน์แยกส่วนประกอบ
การแปล กรุณารอสักครู่..
พื้นฐานการกำหนดรูปแบบที่จะได้มาจากข้อมูลที่อยู่ในชุดการฝึกอบรม โดยสืบเวกเตอร์พื้นฐานสำหรับรูปแบบจากข้อมูลมากกว่าการขยายตัวมาตรฐานเช่นชุดฟูริเยร์ข้อมูลจะพอดีกับที่ดีกว่าที่มีเงื่อนไขน้อย ชนิดของการสร้างแบบจำลองนี้ได้ถูกใช้ในการบีบอัดข้อมูลสำหรับความหลากหลายของปัญหา [33,34,35,36,37,38,39] หลายวิธีวิเคราะห์องค์ประกอบหลักตาบอดสัญญาณแยก Karhunen-Transform และมูลค่าเอกพจน์สลายบรรลุการสร้างแบบจำลองที่มีนี้คณิตศาสตร์ที่คล้ายกัน แบบจำลองที่อธิบายไว้ที่นี่ภายใต้กรอบของมูลค่าเอกพจน์สลายตัว
การแปล กรุณารอสักครู่..