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