استخراج ویژگی با استفاده از تکنیک آنالیز اجزای اصلی (PCA)
یکی از مهمترین روش ها برای کاهش افزونگی جهت تسهیل پردازش داده وطبقه بندی استفاده از تحلیل مولفه های اساسی،PCA است. این تبدیل به طور گسترده در آنالیز داده جهت کاهش ابعاد استفاده می شود. ویژگی این روش علاوه بر کاهش ابعاد داده نگه داری اطلاعات اساسی تصویر است.
دراین روش محورهای مختصات جدیدی برای داده ها تعریف شده و داده ها براساس این محورهای مختصات جدید بیان می شوند. اولین محور باید در جهتی قرار گیرد که واریانس داده ها ماکسیمم شود (یعنی در جهتی که پراکندگی داده ها بیشتر است). دومین محور باید عمود بر محور اول به گونه ای قرار گیرد که واریانس داده ها ماکسیمم شود. به همین ترتیب محورهای بعدی عمود بر تمامی محورهای قبلی به گونه ای قرار می گیرند که داده ها در آن جهت دارای بیشترین پراکندگی باشند.
روش PCA به نامهای دیگری نیز معروف است. مانند:
-Karhunen Loeve Transform (KLT)
- Hotelling Transform
- Empirical Orthogonal Function (EOF)
دراین روش محورهای مختصات جدیدی برای داده ها تعریف شده و داده ها براساس این محورهای مختصات جدید بیان می شوند. اولین محور باید در جهتی قرار گیرد که واریانس داده ها ماکسیمم شود (یعنی در جهتی که پراکندگی داده ها بیشتر است). دومین محور باید عمود بر محور اول به گونه ای قرار گیرد که واریانس داده ها ماکسیمم شود. به همین ترتیب محورهای بعدی عمود بر تمامی محورهای قبلی به گونه ای قرار می گیرند که داده ها در آن جهت دارای بیشترین پراکندگی باشند.
روش PCA به نامهای دیگری نیز معروف است. مانند:
-Karhunen Loeve Transform (KLT)
- Hotelling Transform
- Empirical Orthogonal Function (EOF)
برای بررسی یک سوال تحقیقم باید از این روش استفاده کنم ولی هیچ گونه اطلاعی در این مورد ندارم!
اگه اطلاعات کاما تری دارید لطفا به آدرس ایمیل زیر بفرستید
ممنون