Ayúdame a traducir un párrafo sobre computadoras. Gracias.
Utilice (3), (4) o (7), (4), (12) para encontrar solo una W, lo que indica que un objetivo es suficiente. Para encontrar más objetivos, use el proyector de subespacio rectangular (OSP) P en el subespacio rectangular de W. W (WTW) primero ⊥ = W para planificar z con datos blancos. Excepto que descubrí que estaba apuntando a identidades L × L y W=[w]. Si se han encontrado P. 1 objetivos, entonces W = [w 1, w 2, . , wp.1], donde wi es el proyector que busca el I-ésimo objetivo. Para encontrar el objetivo pth, use OSP para eliminar todo p.1. De esta manera, el objetivo pth también se separa de otros objetivos.
E. Cuestiones prácticas
1) Restricciones de desigualdad y selección de árbitro κ: se menciona la curvatura del valor máximo de la curva de probabilidad correspondiente a un objetivo. Un píxel contiene muchos factores. como la riqueza de los elementos del objetivo, objetivos hechos a un tamaño específico en relación con el tamaño de la imagen, número de bandas espectrales, etc. Como regla general, los límites típicos para encontrar figuras objetivo pequeñas desde hiperespectrales son κ>: κreferencia=100 y el uso de tamaños grandes para objetos κ>> κ>referencia=0. En los hábitos, si encuentras una meta pequeña, puedes comenzar con una meta pequeña.
Como valor positivo para el árbitro κ; luego gradualmente hasta que el único objetivo pequeño aumente, este valor aún no se ha absorbido.
2) Condiciones iniciales: λ 1 y λ 2 sólo se pueden poner a cero como valores iniciales. En términos generales, w se puede establecer arbitrariamente. El valor inicial w puede converger a un objetivo pequeño muy rápidamente, en todo caso. Esta condición arbitraria puede conducir a una baja velocidad de convergencia cuando las dimensiones de la escena con imágenes son sólo objetos. Las direcciones unidireccionales que aumentan la tasa de convergencia utilizarán los vectores propios de la red de varianza de los datos. Debido a que los vectores propios representan las direcciones en las que se concentra la energía de los datos, usarlos como condiciones iniciales puede limitar la búsqueda a la dirección apropiada.
3) Criterio de parada: En muchos casos, hay un número desconocido de personas en el pis objetivo. Incluso si se conoce pis, no hay garantía de que la primera categoría extraída sea exactamente estos ptargets. Para ser conservador, se puede utilizar una cantidad mayor de referencias que el algoritmo de punta (por ejemplo, la cantidad de señales claras en la escena de la imagen). Los objetivos importantes se pueden separar mediante información previa relacionada con los objetivos en los pasos de posprocesamiento.
Traducción completada