home *** CD-ROM | disk | FTP | other *** search
/ MacWorld 1999 June / Macworld (1999-06).dmg / Shareware World / Maths & Science / MultiSpec / MultiSpecFat4.2.99 / MultiSpecFat4.2.99.rsrc / STR#_163.txt < prev    next >
Encoding:
Text File  |  1999-04-02  |  3.9 KB  |  221 lines
  1.  
  2. No transformation matrix was generated because the number of points
  3. in at least one class was 0.  This is probably due to cluster fields
  4. being used for the class statistics.
  5.  
  6.  
  7.  
  8.    - %ld pixels were used that were closest to the class boundary.
  9.  
  10.  
  11. Feature Extraction
  12.  
  13.  
  14.   Discriminant Analysis Technique
  15.  
  16.  
  17.  
  18.   Decision Boundary Technique
  19.  
  20.  
  21.   Minimum threshold number = %ld.
  22.  
  23.  
  24.   Within class threshold = %g.
  25.  
  26.  
  27.   Between class threshold = %g.
  28.  
  29.  
  30.   Class optimization threshold = %g percent.
  31.  
  32.  
  33.   Approximate maximum number of pixels per class = %ld.
  34.  
  35.  
  36.   Class %3ld can not be used because all pixels are from cluster(s).
  37.  
  38.  
  39. Loading class statistics
  40.  
  41. Feature Extraction - discriminant analysis
  42.  
  43. Feature Extraction - decision boundary
  44.  
  45. Computing within-class scatter matrix (Sw)
  46.  
  47. Computing between-class scatter matrix (Sb)
  48.  
  49. Computing feature extraction matrix
  50.  
  51. Computing eigenvector of Sw
  52.  
  53. Computing Sw(-1/2)SbSw(-1/2)
  54.  
  55. Computing eigenvectors of Sw(-1/2)SbSw(-1/2)
  56.  
  57. Computing Sw(-1/2)Ev
  58.  
  59. Normalizing eigenvectors
  60.  
  61. Calculating covariance inverses
  62.  
  63. Class Pair
  64.  
  65. Optimizing class
  66.  
  67. Computing final eigenvectors
  68.  
  69. Classifying pixels
  70.  
  71. Finding nearest pixel in other class
  72.  
  73. Determining effective db feature matrix
  74.  
  75.   The number of initial features was changed to %ld so that the number of bands in
  76.    any one group would be at least one fewer than the minimum number of class
  77.    samples of %ld.
  78.  
  79.  
  80.  
  81.  
  82.   The number of final features stopped at %ld because it can not grow larger than
  83.    one fewer than the minimum number of class samples of %ld.
  84.  
  85.  
  86.   Channel Decision Tree Table
  87.    Number of    Minimum     Min Class
  88.    Features  Bhattacharyya     Pair      Channel Grouping
  89.  
  90.  
  91.  
  92.   Preprocessing Channel Transformation Matrix
  93.  
  94.  
  95.   After Numerical Optimization
  96.   Minimum Bhattacharyya =  %9.4f
  97.  
  98.  
  99.  
  100.   Optimized Preprocessing Channel Transformation Matrix
  101.  
  102.  
  103.  Final Feature Extraction Transformation Matrix
  104.  
  105.  
  106.  All class pairs will be used.
  107.  
  108.  
  109.  
  110.  A subset of the class pairs will be used.
  111.  
  112.  
  113.  
  114.  No Feature Extraction will be done; preprocessing only.
  115.  
  116.  
  117.  
  118.  Feature Extraction will be done with:
  119.  
  120.  
  121.  No Feature Extraction Preprocessing will be done.
  122.  
  123.  
  124.  The Last Feature Extraction Preprocessing results will be used.
  125.  
  126.  
  127.  Feature Extraction Preprocessing will be done with:
  128.  
  129.  
  130.   Projection Pursuit Algorithm
  131.  
  132.  
  133.   Projection Pursuit Feature Selection Algorithm
  134.  
  135.  
  136.   Uniform Channel Grouping used for First Stage
  137.  
  138.  
  139.   Top-down method used for First Stage
  140.  
  141.  
  142.   Top-down/Bottom-up method used for First Stage
  143.  
  144.  
  145.    Top-down threshold is: %f%%
  146.  
  147.  
  148.    Bottom-up threshold is: %f%%
  149.  
  150.  
  151.   Initial number of features: %ld
  152.  
  153.  
  154.    Begin with last feature grouping.
  155.  
  156.  
  157.   Split feature groups with an odd number of bands:
  158.  
  159.  
  160.    Use random choice.
  161.  
  162.  
  163.    Both choices up thru %ld output features, then use random choice.
  164.  
  165.  
  166.   Maximum number of output features is: %ld
  167.  
  168.  
  169.   Numerical Optimization will be used.
  170.  
  171.  
  172.    Numerical optimization threshold is: %f%%
  173.  
  174.  
  175. TD Number feature groups:
  176.  
  177. BU Number feature groups:
  178.  
  179. Projection Pursuit - First Stage
  180.  
  181. Projection Pursuit - Feature Selection
  182.  
  183. Bhattacharyya % change:
  184.  
  185. Number output features:
  186.  
  187. Projection Pursuit - Numerical Optimization
  188.  
  189.  
  190.   Eigenvectors could not be found while determining the feature extraction
  191.  transformation matrix.
  192.  
  193.  
  194.  
  195.  
  196.  Feature extraction was stopped before the evaluation of all
  197.   class pairs was completed.
  198.  
  199.  
  200.  
  201.   Number of data values in each class pair, number of values meeting
  202.    class thresholds and number of features required for each class
  203.    pair to meet optimization percent.
  204.                                     Met Threshold1    Met Threshold1&2
  205.  
  206.  
  207.                  Number Pixels      (within class)    (within&between)
  208.   Class Pair    Class-1 Class-2    Class-1 Class-2    Class-1 Class-2    Number Features
  209.  
  210.  
  211.  
  212.   Number of data values in each class pair and number of values
  213.    meeting class thresholds.
  214.                                     Met Threshold1    Met Threshold1&2
  215.  
  216.  
  217.                  Number Pixels      (within class)    (within&between)
  218.   Class Pair    Class-1 Class-2    Class-1 Class-2    Class-1 Class-2
  219.  
  220.  
  221.