Eigenfaces [69] also known as Princ

Eigenfaces [69] also known as Principal Components Analysis (PCA) find theminimum mean squared error linear subspace that maps from the original Ndimensional data space into an M-dimensional feature space. By doing this,Eigenfaces (where typically M

Kết quả (Việt) 1:

Eigenfaces [69] cũng được gọi là phân tích thành phần chính (PCA) tìm thấy theminimum có nghĩa là bình phương lỗi động tuyến tính bản đồ từ không gian ban đầu dữ liệu Ndimensional vào một không gian tính năng chiều M. Bằng cách này, Eigenfaces (nơi thường M << N) đạt được chiều giảm bằng cách sử dụng eigenvectors M của ma trận hiệp phương sai tương ứng với các tuyến lớn nhất. Các vectơ cơ sở kết quả thu được bằng cách tìm các vectơ tối ưu cơ sở tối đa hóa phương sai tất cả dữ liệu dự kiến (tức là tập hợp các cơ sở vectơ mà tốt nhất mô tả các dữ liệu). Tối ưu cơ sở PCA vectơ W là những cái mà tối đa hóa hàm mục tiêu sau đây

Kết quả (Việt) 2:

Eigenfaces [69] cũng được biết đến như Principal Components Analysis (PCA) tìm theminimum có nghĩa là không gian con tuyến tính lỗi bình phương mà các bản đồ từ các không gian dữ liệu Ndimensional gốc thành một không gian đặc trưng M-chiều. Bằng cách này, Eigenfaces (nơi thường M << N) đạt được giảm chiều bằng cách sử dụng các vector riêng của ma trận M hiệp phương sai tương ứng với giá trị riêng lớn nhất. Các vectơ cơ sở kết quả thu được bằng cách tìm các vectơ cơ sở tối ưu tối đa hóa tổng phương sai của các số liệu dự báo (tức là tập các vectơ cơ sở mô tả tốt nhất dữ liệu). Các cơ sở vector PCA tối ưu W là những người tối đa hóa hàm mục tiêu sau đây