Data Processing Principal component

Data Processing Principal component analysis (PCA) is common for processing of thermal data [12,13]. This algorithm is based on decomposition of the thermal data into its principal components or eigenvectors. Singular value decomposition is a routine used to find the singular values and corresponding eigenvectors of a matrix. Since thermal NDE signals are slowly decaying waveforms, the predominant variations of the entire data set are usually contained in the first or second eigenvectors, and thus account for most of the data variance of interest. The PCA is computed by defining a data matrix A, where the time variations are along the columns and the spatial image pixel points are row-wise. The matrix A is adjusted by subtracting the mean along the time dimension. The matrix A can then be decomposed using singular value decomposition as:

Hasil (Bahasa Indonesia) 1:

Analisis komponen utama pengolahan data (PCA) umum untuk pengolahan data termal [12,13]. Algoritma ini didasarkan pada dekomposisi termal data ke dalam komponen utama atau eigenvectors. Dekomposisi nilai singular adalah rutinitas yang digunakan untuk menemukan nilai-nilai tunggal dan sesuai eigenvectors dari matriks. Sejak termal NDE sinyal perlahan-lahan yang membusuk bentuk gelombang, variasi dominan seluruh set data yang biasanya terkandung dalam eigenvectors yang pertama atau kedua, dan dengan demikian account untuk sebagian besar varians data menarik. PCA dihitung dengan menentukan data matrix A, mana variasi waktu sepanjang kolom dan poin pixel gambar spasial yang row-wise. Matrix A disesuaikan dengan mengurangkan mean sepanjang dimensi waktu. Matrix A kemudian menjadi didekomposisi menggunakan dekomposisi nilai singular sebagai:

Hasil (Bahasa Indonesia) 2:

Analisis komponen utama Pengolahan Data (PCA) adalah umum untuk pengolahan data termal [12,13]. Algoritma ini didasarkan pada dekomposisi data termal menjadi komponen-komponen atau vektor eigen utamanya. Dekomposisi nilai singular adalah rutin digunakan untuk menemukan nilai-nilai tunggal dan vektor eigen yang sesuai dari matriks. Sejak sinyal NDE termal secara perlahan membusuk bentuk gelombang, variasi dominan kumpulan data seluruh biasanya terkandung dalam pertama atau kedua vektor eigen, dan dengan demikian account untuk sebagian besar varians data yang menarik. PCA dihitung dengan mendefinisikan matriks data yang A, di mana variasi waktu yang sepanjang kolom dan titik spasial citra pixel yang baris-bijaksana. Matriks A disesuaikan dengan mengurangi rata-rata sepanjang dimensi waktu. Matriks A kemudian dapat diurai menggunakan dekomposisi nilai singular sebagai: