小段翻译，专业的来~

热心网友：尽力翻译了，希望有帮助吧！==================================================================------------------------------------------------------------------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 ----------------------------------------------------------------翻译如下----------------------------------------------------------------有了α后，我们可以通过用一个0≤h_(i,j)≤1的数给对应系数α_(i,j)加权， 来减弱一个特定的核函数对信号扩张的贡献。也就是说，我们根据在最小化均方误差下_(α_(i,j))^^=h_(i,j) 来调整α_(i,j)的分量方式。显然，一个重要的问题是滤波器h的设计。设定h_(i,j)=0会把核函数的贡献全部移除，而设定h_(i,j)=1会毫无变化。选取0<h_(i,j)<1，来减弱对应核函数的贡献。在不损失普遍性的前提下，设S为一个固定大小(2R+1)×(2R+1)的小窗口，设噪音的均值为0，其得到的局部维纳估量由波形标量处理机给出。这里σ2, μ分别是运动窗口S的局部方差和局部均值。它的计算如下：最后，我们反置修正的拉格朗日乘数用等式4来得到信号估值。为了证明所提的算法，我们会呈现两个用来比较所提算法和空间域局部维纳滤波法的性能的实验系列。在这些实验里，径向基函数（RBF）被用作最小二乘向量回归的核函数。作为RBF核，我们可以得到：1.用局部适应最小二乘支持向量回归的图像减噪2.最小二乘支持向量回归3.所提出的理论和算法4.实验结果和讨论[1] Mihcak M K, Kozintsev 1, Ramchandran K(1999)空间可适统计，小波图像系数建模以及它在图像降噪上的应用[C]. IEEE国际声学、语音学及信号处理讨论会，菲尼克斯[2] Suykens J A K, Vandewalle J (1999)最小二乘支持向量机分级器[J]. 神经处理通讯9(3):293-300[3] Vapnik V (1995) 统计学习理论的本质[M].纽约：施普林格出版公司[4] Cheng Hui, Tian Jinwen, Liu Jian等.(2004)经由支持向量回归的小波域图像[J].莱茵电子, 40(23):| 479-| 481-----------------------------------------------------------------=================================================================以上

热心网友：可再生能源可再生能源包括以下内容：太阳能太阳提供了一个基本来自能源的所有活的生物体。太阳能是免费的，而且取之不尽，用之不竭。太阳光转换成有用的形式供人类消费所产生的费用。阳光已用于人类干燥作物和暖气水和建设几千年的所谓被动式太阳能采暖。阿二十世纪的技术是光电，女巫把阳光直接进入烧结为中心。风力发电的流动的空气可以利用的一种形式的能源，并一直以来为中心的时代。今天，先进的空气动力学研究开发风力发电机产生电力，可以在一个非常经济。风力涡轮机往往是组合在一起的农场，位于暴露地区的农村，无论是在靠近海岸或希尔毛条经验定期盛行风的一年。地热能源岩下地壳含有天然放射性物质的衰变一样铀和眼诱导供应不断热量。数额热而不一点〇万米表面含有50000倍以上的能源比所有的石油和天然气资源在世界上。水力发电在地球上，水是没有建立，也没有被摧毁。水分蒸发从海洋，制定云彩，掉下来的雨和雪，收集到小溪和河流，和流动重返大海。所有这些运动提供了一个巨大的机会，创造有益的能源。水力发电使用武力移动水来产生电能。水电是一个主要的电力供应商中的单词，主要的可再生能源，但通常是在从大型水坝扰乱人的栖息地和取代。一个更好的方法是使用小规模的水力发电厂。生物质能源的生物量是一个长期我们用来描述植物材料和动物粪便用于能源。植物的基础食物链上，地球上所有生命依赖。但在能源生产方面“量”是指利用树木和草的作物和林业，农业和城市废物。它是最古老的可再生能源已知人类。

热心网友：楼主，这种很专业的英语连规模较小的专业翻译公司都做不了，在网上寻求免费翻译是不可能的。看看楼上用机器翻的就知道了。

热心网友：随着手α，我们可以减轻对特定的内核功能，信号通过加权系数α_相应扩大（i和j一个数字0≤h_（i和j）≤1）的贡献。也就是说，我们修改α_（1，j）的组件的明智根据_（α_（i和j ))^^= h_（一，十）α_（i和j）在最小均方误差意义。显然，关键问题是设计的过滤器每小时设置h_（一，十）= 0完全消除了核函数的贡献和设置h_（一，十）= 1留给不变。选择0 <h_（一，十）<1抑制相应的核函数的贡献。不失一般性，设S是一个固定的大小用（2R +1）×（2R的+1）和噪声平均值为0的小窗口，由此产生的局部维纳估计是由标量处理器的形式给出。 凡σ2，μ是当地的差异和地方意味着在移动窗口秒，分别为。它可以计算如下： 最后，我们颠倒修改拉格朗日乘数获取信号估计使用均衡器。（4）： 为了验证所提出的算法中，我们提出两个实验，比较与当地维纳在空间领域的过滤器，提出的方法表现系列。在这些实验中，径向基函数（RBF）作为核函数的最小平方支持向量回归。已RBF核之一： 1.Image信号去噪LocalAdaptive最小二乘支持向量回归 最小二乘支持向量回归2.Least 3.Proposed理论与算法 4.Experimental结果与讨论 [1] Mihcak旺角，科津采夫1，Ramchandran度（1999）空间自适应统计，小波图像系数建模及其应用去噪[ç]。 IEEE国际会议声学，语音和信号处理，凤凰 [2] Suykens亚克，Vandewalle十（1999）最小二乘支持向量机分类器的研究[J]。神经处理信件，9（3）:293 - 300 [3]万普尼克五（1995年）的统计学习理论[M]的性质。纽约：施普林格出版社 [4]程辉，田金文，柳健等人。（2004年）的小波域图像通过支持向量回归的研究[J]去噪。电子莱昂，40（23）：| 479 - | 481