小段翻譯，專業(yè)的來~

熱心網(wǎng)友：盡力翻譯了，希望有幫助吧！==================================================================------------------------------------------------------------------With α in hand, we can attenuate the contribution of a particular kernel function to the signal expansion by weighting the corresponding coefficient α_(i,j) by a number 0≤h_(i,j)≤1. That is, we modify α_(i,j) component-wise according to _(α_(i,j))^^=h_(i,j) α_(i,j) in the sense of minimizing the mean square error. Clearly, the crucial issue is the design of the filter h. Setting h_(i,j)=0 completely removes the contribution of kernel function and setting h_(i,j)=1 leaves it unaltered. Choosing 0<h_(i,j)<1 attenuates the contribution of corresponding kernel function. Without loss of generality, let S be a small window of a fixed size (2R+1)×(2R+1) and the mean of noise to be zero, the resulting local wiener estimator is given by a scalar processor of the form.Where σ2, μ are the local variances and local means in the moving window S, respectively. It can be calculated as follows:Finally, we invert the modified Lagrange multipliers to obtain the signal estimate using Eq.(4):To verify the proposed algorithm, we present two series of experiments that compare the performance of the proposed approach with that of local Wiener filter in spatial domain. In these experiments, the radial basis function(RBF) is used as the kernel function of least support squares vector regression. For RBF kernel one has:1.Image Denoising Using LocalAdaptive Least Squares Support Vector Regression2.Least squares support vector regression3.Proposed theory and algorithm4.Experimental results and discussion[1]Mihcak M K, Kozintsev 1, Ramchandran K(1999)Spatially adaptive statistical ,modeling of wavelet image coefficients and its application to denoising [C]. IEEE International Conference on Acoustics, Speech and Signal Processing, Phoenix[2]Suykens J A K, Vandewalle J (1999) Least squares support vector machine classifiers [J]. Neural Processing Letters, 9(3):293-300[3]Vapnik V (1995) The nature of statistical learning theory [M]. New York:Springer- Verlag[4]Cheng Hui, Tian Jinwen, Liu Jian, et al.(2004) Wavelet domain image denoising via support vector regression [J]. Electron Len, 40(23):| 479-| 481 ----------------------------------------------------------------翻譯如下----------------------------------------------------------------有了α后，我們可以通過用一個0≤h_(i,j)≤1的數(shù)給對應(yīng)系數(shù)α_(i,j)加權(quán)， 來減弱一個特定的核函數(shù)對信號擴張的貢獻(xiàn)。也就是說，我們根據(jù)在最小化均方誤差下_(α_(i,j))^^=h_(i,j) 來調(diào)整α_(i,j)的分量方式。顯然，一個重要的問題是濾波器h的設(shè)計。設(shè)定h_(i,j)=0會把核函數(shù)的貢獻(xiàn)全部移除，而設(shè)定h_(i,j)=1會毫無變化。選取0<h_(i,j)<1，來減弱對應(yīng)核函數(shù)的貢獻(xiàn)。在不損失普遍性的前提下，設(shè)S為一個固定大小(2R+1)×(2R+1)的小窗口，設(shè)噪音的均值為0，其得到的局部維納估量由波形標(biāo)量處理機給出。這里σ2, μ分別是運動窗口S的局部方差和局部均值。它的計算如下：最后，我們反置修正的拉格朗日乘數(shù)用等式4來得到信號估值。為了證明所提的算法，我們會呈現(xiàn)兩個用來比較所提算法和空間域局部維納濾波法的性能的實驗系列。在這些實驗里，徑向基函數(shù)（RBF）被用作最小二乘向量回歸的核函數(shù)。作為RBF核，我們可以得到：1.用局部適應(yīng)最小二乘支持向量回歸的圖像減噪2.最小二乘支持向量回歸3.所提出的理論和算法4.實驗結(jié)果和討論[1] Mihcak M K, Kozintsev 1, Ramchandran K(1999)空間可適統(tǒng)計，小波圖像系數(shù)建模以及它在圖像降噪上的應(yīng)用[C]. IEEE國際聲學(xué)、語音學(xué)及信號處理討論會，菲尼克斯[2] Suykens J A K, Vandewalle J (1999)最小二乘支持向量機分級器[J]. 神經(jīng)處理通訊9(3):293-300[3] Vapnik V (1995) 統(tǒng)計學(xué)習(xí)理論的本質(zhì)[M].紐約：施普林格出版公司[4] Cheng Hui, Tian Jinwen, Liu Jian等.(2004)經(jīng)由支持向量回歸的小波域圖像[J].萊茵電子, 40(23):| 479-| 481-----------------------------------------------------------------=================================================================以上

熱心網(wǎng)友：可再生能源可再生能源包括以下內(nèi)容：太陽能太陽提供了一個基本來自能源的所有活的生物體。太陽能是免費的，而且取之不盡，用之不竭。太陽光轉(zhuǎn)換成有用的形式供人類消費所產(chǎn)生的費用。陽光已用于人類干燥作物和暖氣水和建設(shè)幾千年的所謂被動式太陽能采暖。阿二十世紀(jì)的技術(shù)是光電，女巫把陽光直接進(jìn)入燒結(jié)為中心。風(fēng)力發(fā)電的流動的空氣可以利用的一種形式的能源，并一直以來為中心的時代。今天，先進(jìn)的空氣動力學(xué)研究開發(fā)風(fēng)力發(fā)電機產(chǎn)生電力，可以在一個非常經(jīng)濟(jì)。風(fēng)力渦輪機往往是組合在一起的農(nóng)場，位于暴露地區(qū)的農(nóng)村，無論是在靠近海岸或希爾毛條經(jīng)驗定期盛行風(fēng)的一年。地?zé)崮茉磶r下地殼含有天然放射性物質(zhì)的衰變一樣鈾和眼誘導(dǎo)供應(yīng)不斷熱量。數(shù)額熱而不一點〇萬米表面含有50000倍以上的能源比所有的石油和天然氣資源在世界上。水力發(fā)電在地球上，水是沒有建立，也沒有被摧毀。水分蒸發(fā)從海洋，制定云彩，掉下來的雨和雪，收集到小溪和河流，和流動重返大海。所有這些運動提供了一個巨大的機會，創(chuàng)造有益的能源。水力發(fā)電使用武力移動水來產(chǎn)生電能。水電是一個主要的電力供應(yīng)商中的單詞，主要的可再生能源，但通常是在從大型水壩擾亂人的棲息地和取代。一個更好的方法是使用小規(guī)模的水力發(fā)電廠。生物質(zhì)能源的生物量是一個長期我們用來描述植物材料和動物糞便用于能源。植物的基礎(chǔ)食物鏈上，地球上所有生命依賴。但在能源生產(chǎn)方面“量”是指利用樹木和草的作物和林業(yè)，農(nóng)業(yè)和城市廢物。它是最古老的可再生能源已知人類。

熱心網(wǎng)友：樓主，這種很專業(yè)的英語連規(guī)模較小的專業(yè)翻譯公司都做不了，在網(wǎng)上尋求免費翻譯是不可能的?？纯礃巧嫌脵C器翻的就知道了。

熱心網(wǎng)友：隨著手α，我們可以減輕對特定的內(nèi)核功能，信號通過加權(quán)系數(shù)α_相應(yīng)擴大（i和j一個數(shù)字0≤h_（i和j）≤1）的貢獻(xiàn)。也就是說，我們修改α_（1，j）的組件的明智根據(jù)_（α_（i和j ))^^= h_（一，十）α_（i和j）在最小均方誤差意義。顯然，關(guān)鍵問題是設(shè)計的過濾器每小時設(shè)置h_（一，十）= 0完全消除了核函數(shù)的貢獻(xiàn)和設(shè)置h_（一，十）= 1留給不變。選擇0 <h_（一，十）<1抑制相應(yīng)的核函數(shù)的貢獻(xiàn)。不失一般性，設(shè)S是一個固定的大小用（2R +1）×（2R的+1）和噪聲平均值為0的小窗口，由此產(chǎn)生的局部維納估計是由標(biāo)量處理器的形式給出。 凡σ2，μ是當(dāng)?shù)氐牟町惡偷胤揭馕吨谝苿哟翱诿?，分別為。它可以計算如下： 最后，我們顛倒修改拉格朗日乘數(shù)獲取信號估計使用均衡器。（4）： 為了驗證所提出的算法中，我們提出兩個實驗，比較與當(dāng)?shù)鼐S納在空間領(lǐng)域的過濾器，提出的方法表現(xiàn)系列。在這些實驗中，徑向基函數(shù)（RBF）作為核函數(shù)的最小平方支持向量回歸。已RBF核之一： 1.Image信號去噪LocalAdaptive最小二乘支持向量回歸 最小二乘支持向量回歸2.Least 3.Proposed理論與算法 4.Experimental結(jié)果與討論 [1] Mihcak旺角，科津采夫1，Ramchandran度（1999）空間自適應(yīng)統(tǒng)計，小波圖像系數(shù)建模及其應(yīng)用去噪[?]。 IEEE國際會議聲學(xué)，語音和信號處理，鳳凰 [2] Suykens亞克，Vandewalle十（1999）最小二乘支持向量機分類器的研究[J]。神經(jīng)處理信件，9（3）:293 - 300 [3]萬普尼克五（1995年）的統(tǒng)計學(xué)習(xí)理論[M]的性質(zhì)。紐約：施普林格出版社 [4]程輝，田金文，柳健等人。（2004年）的小波域圖像通過支持向量回歸的研究[J]去噪。電子萊昂，40（23）：| 479 - | 481