在上面的背景下，请翻译并解释以下文献中语句(c) the effective horizonH : = (1 − γ)^−1, which measures the typical scale over which the discounted reward process evolves;and (d) the underlying noise function, given by the variance of the Bellman residual

翻译：
(c) 有效视野 H：= (1 - γ)^-1，表示折扣奖励过程演变的典型尺度；
(d) 底层噪声函数，由Bellman残差的方差给出。

解释：
在上述语句中，有两个相关概念需要解释。

(c) 有效视野 H：这个概念描述了折扣奖励过程演变的典型尺度。在强化学习中，智能体通过与环境的交互来获取奖励。折扣奖励过程是指在这个交互过程中，奖励会随着时间的推移而逐渐减少。γ 是一个介于0和1之间的折扣因子，用于衡量未来奖励的重要性。有效视野 H 是一个衡量折扣奖励过程演变典型尺度的指标，其计算公式为 (1 - γ)^-1。

举个例子来解释，假设一个智能体在一个迷宫中寻找宝藏。每次智能体走一步，它会得到一个奖励。折扣因子 γ 决定了智能体对于未来奖励的重视程度。如果 γ 接近于1，那么智能体会更加关注未来的奖励；如果 γ 接近于0，那么智能体更加关注即时奖励。有效视野 H 表示在这个折扣奖励过程中，奖励的典型变化范围。

(d) 底层噪声函数：这个概念描述了Bellman残差的方差。在强化学习中，Bellman方程用于更新值函数的估计。Bellman残差是指估计值函数与其通过Bellman方程计算得到的目标值之间的差异。底层噪声函数是指用来衡量这种差异的方差。

举个例子来解释，假设一个智能体在学习过程中估计某个状态的价值函数。估计值函数与通过Bellman方程计算得到的目标值之间可能存在一些差异，这些差异可以被视为噪声。底层噪声函数给出了这些差异的方差，它可以用来衡量估计值函数与目标值之间的不确定性。

总结起来，有效视野和底层噪声函数都是强化学习中重要的概念，用于描述折扣奖励过程的典型尺度和估计值函数与目标值之间的差异的方差。