where r is a diagonal matrix contai

where r is a diagonal matrix containing the squares of the singular values and U is an orthogonal matrix, which contains the basis functions or eigenvectors describing the time variations. The eigenvectors can be obtained from the columns of U. The PCA image is calculated by dot product multiplication of the selected eigenvector times the temperature response (data matrix A), pixel by pixel. Typically the first or second eigenvector PCA image provides good contrast for defect detection. The first eigenvector is dominated by the transient cool down of the face sheet layer and is more suited for early time detection of face sheet delamination. The second eigenvector is less dominant and defines the temporal contrast evolution of the face sheet bonded to the core. This is shown in Figure 7 where the 2nd eigenvectors, determined from the 2-D model data for each of the thickness to core ratios, are plotted for comparison (no camera noise added). The maximum contrast point moves later in time due to the increases in the face sheet thickness, as expected. This indicates the 2nd eigenvector is the best candidate for imaging the face sheet to core disbond regions. Also the maximum contrast time determined from the 2nd eigenvectors are different compared to the maximum time determined from the difference calculation with no camera noise added (see Table 1 in Figure 7). While both agree that with increasing face sheet thickness the maximum point moves slightly later in time; the maximum contrast time determined from the 2nd eigenvector is more accurate because all the surface points are used from the model instead of only the 2 surface points used in the difference calculation. Also shown in Figure 7, the 8:1 ratio eigenvector curve does not have a clear maximum point, thus indicating the core response is not as dominant in the data and cannot be detected as confirmed by the 8:1 ratio temperature difference plot in Figure 6 (especially with camera noise added).

Hasil (Bahasa Indonesia) 1:

mana mengandung diagonal matriks kuadrat dari nilai tunggal dan U adalah matriks ortogonal, yang berisi fungsi dasar atau eigenvectors menggambarkan variasi waktu. Eigenvectors dapat diperoleh dari kolom U. Gambar PCA dihitung oleh perkalian titik eigenvector dipilih kali suhu respon (data matrix A), piksel dengan piksel. Biasanya gambar PCA eigenvector pertama atau kedua memberikan kontras untuk deteksi Cacat. Eigenvector pertama didominasi oleh dingin sementara bawah lapisan lembar wajah dan lebih cocok untuk awal waktu Deteksi wajah lembar delaminasi. Eigenvector kedua kurang dominan dan mendefinisikan kontras sementara evolusi lembar wajah terikat pada inti. Ini ditunjukkan dalam gambar 7 mana eigenvectors 2, ditentukan dari 2-D model data untuk setiap ketebalan rasio inti, dipetakan untuk perbandingan (tidak ada suara kamera ditambahkan). Titik kontras maksimum bergerak kemudian pada waktu karena kenaikan di wajah sheet tebal, seperti yang diharapkan. Ini menunjukkan eigenvector 2 adalah kandidat terbaik untuk pencitraan lembaran wajah untuk inti disbond daerah. Juga kontras maksimum waktu ditentukan dari eigenvectors 2 berbeda dibandingkan dengan waktu maksimum yang ditentukan dari perhitungan perbedaan dengan kebisingan kamera ditambahkan (Lihat tabel 1 di gambar 7). Sementara kedua setuju bahwa dengan meningkatnya wajah sheet tebal titik maksimum bergerak sedikit kemudian waktu; kontras maksimum waktu ditentukan dari eigenvector 2 lebih akurat karena semua poin permukaan digunakan dari model bukan hanya 2 permukaan poin yang digunakan dalam perhitungan perbedaan. Juga ditampilkan di 7 gambar, kurva eigenvector 8:1 rasio tidak memiliki titik yang jelas maksimum, dengan demikian menunjukkan respon inti bukanlah sebagai dominan dalam data dan tidak dapat dideteksi seperti ditegaskan oleh 8:1 rasio perbedaan suhu alur pada gambar 6 (terutama dengan kamera kebisingan ditambahkan).

Hasil (Bahasa Indonesia) 2:

di mana r adalah matriks diagonal yang berisi kotak dari nilai-nilai tunggal dan U adalah matriks ortogonal, yang berisi fungsi dasar atau vektor eigen menggambarkan variasi waktu. Vektor eigen dapat diperoleh dari kolom U. PCA citra dihitung dengan perkalian produk dot dari vektor eigen kali memilih respon suhu (matriks Data A), pixel dengan pixel. Biasanya gambar vektor eigen PCA pertama atau kedua memberikan kontras yang baik untuk deteksi cacat. Eigenvector pertama didominasi oleh dingin sementara turun dari lapisan lembar wajah dan lebih cocok untuk deteksi awal waktu lembaran wajah delaminasi. Eigenvector kedua adalah kurang dominan dan mendefinisikan evolusi kontras temporal lembar wajah terikat ke inti. Hal ini ditunjukkan pada Gambar 7 di mana vektor eigen 2, ditentukan dari data model 2-D untuk masing-masing ketebalan rasio inti, diplot untuk perbandingan (tidak ada kamera suara ditambahkan). Titik kontras maksimum bergerak di kemudian waktu karena kenaikan ketebalan lembar wajah, seperti yang diharapkan. Hal ini menunjukkan 2 vektor eigen adalah kandidat terbaik untuk pencitraan lembar muka dengan disbond daerah inti. Juga waktu kontras maksimum ditentukan dari vektor eigen 2 berbeda dibandingkan dengan waktu maksimum ditentukan dari perhitungan perbedaan dengan tidak ada kamera suara ditambahkan (lihat Tabel 1 pada Gambar 7). Sementara kedua setuju bahwa dengan meningkatnya ketebalan lembar wajah titik maksimum sedikit kemudian bergerak dalam waktu; waktu kontras maksimum ditentukan dari 2 vektor eigen lebih akurat karena semua poin permukaan yang digunakan dari model bukan hanya 2 poin permukaan digunakan dalam perhitungan perbedaan. Juga ditunjukkan pada Gambar 7, 8: 1 rasio eigenvector kurva tidak memiliki titik maksimum yang jelas, sehingga menunjukkan respon inti tidak dominan dalam data dan tidak dapat terdeteksi sebagai dikonfirmasi oleh 8: 1 rasio perbedaan suhu plot Gambar 6 (terutama dengan kamera suara ditambahkan).