can be chosen based on the overall

can be chosen based on the overall shape of λk(i) dependence
or from correlation analysis of loading maps, which
correspond to each of the eigenvectors, aik ≡ ak(x, y). Additionally,
Scree plot is used to correlate variance in each
component as a function of the component’s number.
Independent component analysis
Independent component analysis (ICA) is a method designed
to extract presumably independent signals mixed
within the data. Much like PCA, the output is a collection
of independent spectra and their loading maps. Unlike
PCA, however, the order of ICA components is insignificant,
and ICA takes in some input parameters and generally
takes longer to run than PCA. One of the key ICA
parameters is the number of independent components, a
decision that can be highly non-trivial to make. Another
often overlooked parameter is the number of principal
components to retain; ICA uses PCA as a filter, and for
low-dimensional data sets, or data sets with relatively few
observations, the last retained principal component plays
a huge role in the quality of the signal separation, as it
may allow or bar certain details in your data to be presented
to the algorithm.
ICA is part of a family of algorithms aimed at blind
source separation, where the objective is to ‘un-mix’ several
sources that are present in a mixed signal [42]. The
data variables are assumed to be linear mixtures of some
unknown latent variables, and the mixing system is also
unknown. ICA assumes that the latent variables will be
non-Gaussian and therefore mutually independent. The
problem of blind source separation can be modeled in
the following manner:
x ¼ As ð2Þ
where s is a two-dimensional vector containing the independent
signals, A is the mixing matrix, and x is the
observed output. As the initial step, ICA whitens the
data to remove any correlation; in other words, we are
after a linear transformation V such that if
y ¼ Vx ð3Þ
We would like to find the identity I by
Efyy0g ¼ I ð4Þ
This is possible by V = C−1/2 where C = E{xx′} giving us
Efyy0g ¼ EfVxx0V0g ¼ C−1=2CC−1=2 ¼ I ð5Þ
After the whitening, independent signals can be approximated
by the orthogonal transformation of the
whitened signal by rotating the joint density of the
mixed signals in a way to maximize the non-normality
of the marginal densities.

ผลลัพธ์ (ไทย) 1:

สามารถเลือกตามรูปร่างโดยรวมของพึ่งพา λk(i)หรือการวิเคราะห์ความสัมพันธ์ของการโหลดแผนที่ ซึ่งสอดคล้องกับแต่ละเวกเตอร์ลักษณะเฉพาะ aik ≡ ak (x, y) นอกจากนี้Scree พล็อตจะใช้ในการเชื่อมโยงต่างในแต่ละส่วนประกอบตามหมายเลขของคอมโพเนนต์ประกอบอิสระวิเคราะห์การวิเคราะห์ส่วนประกอบอิสระ (ICA) เป็นวิธีการออกแบบการแยกสัญญาณอิสระน่าจะผสมภายในข้อมูล มากเช่น PCA การแสดงผลเป็นชุดมุมอิสระและโหลดแผนที่ของพวกเขา ซึ่งแตกต่างจากPCA อย่างไรก็ตาม ใบประกอบ ICA เป็นสำคัญและ ICA ในบางพารามิเตอร์ และโดยทั่วไปใช้เวลานานรันกว่า PCA กุญแจ ICAพารามิเตอร์คือ จำนวนส่วนประกอบอิสระ การการตัดสินใจที่สามารถสูงไม่น่ารำคาญเพื่อให้ อื่นพารามิเตอร์มักจะมองข้ามคือ จำนวนหลักคอมโพเนนต์การรักษา ICA ใช้ PCA เป็นตัวกรอง และชุดข้อมูลมิติต่ำ หรือชุดข้อมูล มีค่อนข้างน้อยสังเกต สุดท้ายเก็บไว้เล่นส่วนประกอบหลักบทบาทในคุณภาพของการแยกสัญญาณ เป็นมันอาจให้ หรือบาร์รายละเอียดบางอย่างของข้อมูลที่จะนำเสนอกับอัลกอริทึมICA เป็นส่วนหนึ่งของครอบครัวของอัลกอริทึมตาบอดแหล่งที่มาของการแยก การที่วัตถุประสงค์ที่จะ 'un ผสม ' หลายแหล่งที่มีอยู่ในสัญญาณผสม [42] การตัวแปรข้อมูลจะถือว่ามีส่วนผสมเส้นบางตัวแปรแฝงที่ไม่รู้จัก และระบบผสมไม่ทราบ ICA สันนิษฐานว่า จะเป็นตัวแปรแฝงไม่ใช่นที่ และอิสระร่วมกันดังนั้น การปัญหาของการแยกแหล่งที่ตาบอดสามารถเป็นแบบจำลองในลักษณะต่อไปนี้:¼ x เป็น ð2Þs เป็น เวกเตอร์สองมิติที่ประกอบด้วยความอิสระสัญญาณ A เป็นเมตริกซ์ผสม และ x เป็นการสังเกตผลลัพธ์ เป็นขั้นตอนเริ่มต้น ICA คล้ำขาวข้อมูลการลบความสัมพันธ์ใด ๆ ในคำอื่น ๆ เรามีหลังจากการแปลงเชิงเส้น V กล่าวว่าถ้าð3Þ Vx y ¼เราต้องการค้นหาข้อมูลประจำตัวโดยEfyy0g ¼ฉัน ð4Þมีความจำเป็น โดย V = C−1/2 ที่ C = E {xx′ } ให้เราEfyy0g ¼ EfVxx0V0g ¼ C−1 = 2CC−1 = 2 ¼ฉัน ð5Þหลังจากฟอกสีฟัน สัญญาณอิสระสามารถประมาณโดยการเปลี่ยนแปลงมุมฉากของการสัญญาณขาวโดยธรรมชาติ โดยความหนาแน่นร่วมของการสัญญาณในทางที่จะเพิ่มที่ไม่ใช่คัมภีร์พระไตรปิฎกว่าของความหนาแน่นของกำไร

ผลลัพธ์ (ไทย) 2:

สามารถเลือกขึ้นอยู่กับรูปทรงโดยรวมของλk (i) การพึ่งพาอาศัย
หรือจากการวิเคราะห์ความสัมพันธ์ของแผนที่โหลดซึ่ง
สอดคล้องกับแต่ละ eigenvectors ที่ AIK ≡ AK (x, y) นอกจากนี้
หินกรวดพล็อตจะใช้ในการสร้างความสัมพันธ์ของความแปรปรวนในแต่ละ
องค์ประกอบเป็นหน้าที่ของจำนวนส่วนประกอบได้.
วิเคราะห์องค์ประกอบอิสระ
การวิเคราะห์องค์ประกอบอิสระ (ICA) เป็นวิธีการที่ออกแบบมา
เพื่อดึงสัญญาณอิสระสันนิษฐานผสม
ภายในข้อมูล เหมือน PCA ออกเป็นคอลเลกชัน
ของสเปกตรัมอิสระและแผนที่การโหลดของพวกเขา ซึ่งแตกต่างจาก
PCA แต่คำสั่งของส่วนประกอบ ICA คือไม่มีนัยสำคัญ
และ ICA จะใช้เวลาในการป้อนพารามิเตอร์บางและโดยทั่วไป
จะใช้เวลานานกว่าที่จะเรียกใช้ PCA หนึ่งในคีย์ ICA
พารามิเตอร์คือจำนวนขององค์ประกอบที่เป็นอิสระมี
การตัดสินใจที่สามารถเป็นอย่างมากไม่น่ารำคาญที่จะทำให้ อีก
พารามิเตอร์มักจะมองข้ามเป็นจำนวนเงินต้น
ส่วนประกอบที่จะรักษา; ICA ใช้ PCA เป็นตัวกรองและ
ต่ำมิติชุดข้อมูลหรือชุดข้อมูลที่มีค่อนข้างน้อย
สังเกตสุดท้ายองค์ประกอบหลักเก็บไว้เล่น
มีบทบาทอย่างมากในด้านคุณภาพของการแยกสัญญาณในขณะที่มัน
อาจจะอนุญาตหรือบาร์รายละเอียดบางอย่างในของคุณ ข้อมูลที่จะนำเสนอ
ให้กับอัลกอริทึม.
ICA เป็นส่วนหนึ่งของครอบครัวของขั้นตอนวิธีการมุ่งเป้าไปที่คนตาบอด
แยกแหล่งที่มาที่มีวัตถุประสงค์คือการ 'ยกเลิกการผสม' หลาย
แหล่งที่มีอยู่ในสัญญาณผสม [42]
ตัวแปรข้อมูลจะถือว่าเป็นสารผสมเชิงเส้นของบาง
ตัวแปรแฝงที่ไม่รู้จักและระบบผสมยังเป็น
ที่ไม่รู้จัก ICA สันนิษฐานว่าตัวแปรแฝงจะ
ไม่ใช่เสียนและดังนั้นจึงเป็นอิสระร่วมกัน
ปัญหาของการแยกแหล่งที่มาตาบอดสามารถจำลองใน
ลักษณะดังต่อไปนี้:
x ¼เป็นð2Þ
ที่ S เป็นเวกเตอร์สองมิติที่มีอิสระ
สัญญาณเป็นเมทริกซ์ผสมและ X เป็น
เอาท์พุทสังเกต เป็นขั้นตอนเริ่มต้น ICA ขาว
ข้อมูลในการลบความสัมพันธ์ใด ๆ ในคำอื่น ๆ ที่เราเป็น
หลังจากที่มีการเปลี่ยนแปลง V เชิงเส้นเช่นว่าถ้า
Y ¼ Vx ð3Þ
เราอยากจะหาตัวตนของฉันโดย
Efyy0g ¼ฉันð4Þ
นี้เป็นไปได้โดย V = C-02/01 ที่ c = E {xx '} ให้เรา
Efyy0g ¼ EfVxx0V0g ¼ C-1 = 2CC-1 = 2 ¼ฉันð5Þ
หลังจากฟอกสีฟันสัญญาณอิสระสามารถประมาณ
โดยการเปลี่ยนแปลงมุมฉากของ
สัญญาณสีขาวโดยการหมุนหนาแน่นร่วมกันของ
สัญญาณผสมในทางที่จะเพิ่มเป็น ไม่ใช่ภาวะปกติ
ของความหนาแน่นร่อแร่

ผลลัพธ์ (ไทย) 3:

สามารถเลือกบนพื้นฐานของรูปร่างโดยรวมของλ K ( i ) การพึ่งพาหรือจากการวิเคราะห์ความสัมพันธ์ของการโหลดแผนที่ ซึ่งสอดคล้องกับแต่ละแห่งเสนอฮอกกี้ , ≡ AK ( x , y ) นอกจากนี้แปลงหินกรวดใช้ความสัมพันธ์ความแปรปรวนในแต่ละส่วนประกอบที่เป็นฟังก์ชันขององค์ประกอบหมายเลข .การวิเคราะห์องค์ประกอบอิสระการวิเคราะห์องค์ประกอบอิสระ ( ICA ) เป็นวิธีการออกแบบสารสกัดจากทับอิสระสัญญาณผสมภายในข้อมูล เหมือน PCA , output เป็นคอลเลกชันSpectra อิสระและโหลดแผนที่ ซึ่งแตกต่างจากในปัจจุบัน อย่างไรก็ตาม คำสั่งของคอมโพเนนต์ ICA ไม่สําคัญและ ไอซีใช้เวลาในบางพารามิเตอร์การป้อนข้อมูล และโดยทั่วไปใช้เวลาในการเรียกใช้มากกว่า PCA . หนึ่งใน Ica คีย์พารามิเตอร์ คือ จำนวนขององค์ประกอบที่เป็นอิสระ ,การตัดสินใจสามารถสูงไม่เล็กน้อยเพื่อให้ อื่นมักจะมองข้ามเป็นค่าจำนวนของหลักส่วนประกอบในการรักษา ; ICA ใช้ PCA เป็นตัวกรอง และชุดข้อมูลชุดข้อมูลที่มีมิติต่ำ หรือค่อนข้างน้อยข้อสังเกตสุดท้าย ยังคงส่วนประกอบหลักเล่นบทบาทขนาดใหญ่ในคุณภาพของสัญญาณแยกเป็นขอ อนุญาต หรือ บาร์ รายละเอียดบางอย่างในข้อมูลที่จะนำเสนอกับขั้นตอนวิธีการไอซีเป็นส่วนหนึ่งของครอบครัวของขั้นตอนวิธีเพื่อคนตาบอดการแยกแหล่งที่มีวัตถุประสงค์เพื่อ ' ยูเอ็น ' หลาย ๆผสมแหล่งข้อมูลที่เป็นปัจจุบันในการผสมสัญญาณ [ 42 ] ที่ตัวแปรข้อมูลที่ถือว่าเป็นเชิงเส้นผสมบางตัวแปรแฝงที่ไม่รู้จัก และยังเป็นระบบผสมที่ไม่รู้จัก ไอซีตัวแปรแฝงจะถือว่า> ไม่และดังนั้นจึงให้อิสระซึ่งกันและกัน ที่ปัญหาของการแยกแหล่งที่มาของคนตาบอดสามารถจำลองในลักษณะต่อไปนี้ :x ¼เป็นð 2 Þที่เป็นสองมิติเวกเตอร์ที่มีอิสระสัญญาณ คือการผสมและ X เป็นเมตริกซ์สังเกตออก เป็นขั้นตอนเริ่มต้นที่ ICA ขาวข้อมูลเพื่อลบใด ๆ ) ; ในคำอื่น ๆที่เราเป็นหลังจากการแปลงเชิงเส้น ( เช่นว่าถ้า¼ VX ð 3 Þ Yเราต้องการที่จะค้นหาตัวตนฉันโดยefyy0g ¼ผมð 4 Þนี้เป็นไปได้โดย V = C − 1 / 2 ที่ C = E { X } ให้เรานั้นefyy0g ¼ efvxx0v0g ¼ C − 1 = − 1 = 2 ¼ 2cc ผมð 5 Þหลังจากฟอกสีฟัน , สัญญาณอิสระสามารถคำนวณโดยการแปลงของชั้นอุโมงค์ สัญญาณ โดยการหมุนของข้อต่อของผสมสัญญาณในทางที่จะเพิ่มไม่ปกติของความหนาแน่นของ .