حذف افزونگی داده های خام از مجموعه داده ها، با استفاده از تحلیل مولفه های اصلی تنک

تحلیل مولفه های اصلی یکی از روش های مطرح به منظور کـاهش ابعـاد مجموعـه داده است که برای داده های یک بعدی و دوبعدی قابل استفاده است. با توجه به تنـک نبـودن بردارهای پایه ، تحلیل مولفه های اصـلی تنک مطرح گردیده است که با حفظ خواص تحلیل مولفـه هـای اصـلی اسـتاندارد، بعضی از درایه های بردارهای پایه را صفر می کند. در این مقاله، با توجه به خاصیت تنکی بردارهای پایه، که سبب بی تاثیر گشتن بعضی از مقادیر مجموعه داده در انتقال به فضای جدید می گردد، دو آلگوریتم به منظور حذف افزونگی از داده های خام، در حالت یک بعدی و دوبعدی ارائه شده است. در الگوریتم یک بعدی، افزونگی بین درایه های سیگنال تشخیص و سپس از تمامی مشاهدات مجموعه حذف می شوند. در الگوریتم دوبعدی اهمیت سطر وستون های تصاویر مجموعه داده، تشخیص و سطر وستون های با اهمیت کمتر به طور مستقیم از داده های خام حذف می شوند. یکی از مهمترین مزیت آلگوریتم های پیشنهادی که به عنوان روش های نمونه برداری غیریکنواخت نیز میتوانند خوانده شوند، حفظ ظاهر سیگنال ها می باشد. پس از حذف افزونگی داده های خام توسط دو الگوریتم ارائه شده، می توان از داده های جدید با ابعاد کمتر در کاربردهای دیگری همچون بازشناسی مجموعه داده، فشرده سازی و ... استفاده کرد

Keywords:

حذف افزونگی از داده های خام , تحلیل مولفه های اصلی تنک , تحلیل مولفه های اصلی دوبعدی دوطرفه تنک , استخراج ویژگی