این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۶، شماره ۱، صفحات ۱۹-۳۰
عنوان فارسی حذف افزونگی داده‌های خام از مجموعه داده‌ها، با استفاده از تحلیل مؤلفه‌های اصلی ‌تُنُک
چکیده فارسی مقاله تحلیل مؤلفه‌های اصلی یکی از روش‌های مطرح به منظور کـاهش ابعـاد مجموعـه داده است که برای داده‌های یک بُعدی و دوبُعدی قابل استفاده است. با توجه به تُنُـک نبـودن بردارهای پایه‌، تحلیل مؤلفه‌های اصـلی تُنُک مطرح گردیده است که با حفظ خواص تحلیل مؤلفـه‌هـای اصـلی اسـتاندارد، بعضی از درایه‌های بردارهای پایه را صفر می‌کند. در این مقاله، با توجه به خاصیت تُنُکی بردارهای پایه، که سبب بی تأثیر گشتن بعضی از مقادیر مجموعه داده در انتقال به فضای جدید می گردد، دو آلگوریتم به منظور حذف افزونگی از داده‌های خام، در حالت یک بُعدی و دوبُعدی ارائه شده‌است. در الگوریتم یک بُعدی، افزونگی بین درایه های سیگنال تشخیص و سپس از تمامی مشاهدات مجموعه حذف می‌شوند. در الگوریتم دوبُعدی اهمیت سطر وستون‌های تصاویر مجموعه داده، تشخیص و سطر وستون‌های با اهمیت کمتر به طور مستقیم از داده‌های خام حذف می‌شوند. 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 داده‌های خام توسط دو الگوریتم ارائه شده، می‌توان از داده‌های جدید با ابعاد کمتر در کاربردهای دیگری همچون بازشناسی مجموعه داده، فشرده سازی و ... استفاده کرد
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Removing redundant raw data from the data set using Sparse Component Analysis
چکیده انگلیسی مقاله Principal component analysis (PCA) is one of the proposed methods to reduce the size of the data set that can be used for both one and two-dimensional data. Regarding the lack of sparsity property in the base vectors, sparse PCA has been proposed, which maintains the properties of standard PCA and simultaneously forces some of the elements of the base vectors to zero. In this paper, due to the sparsity in base vectors that cause some dataset values to be ineffective in moving to new space, two algorithms are presented in one-dimensional and two-dimensional mode to remove redundancy from raw data. In the one-dimensional algorithm, redundancy is detected between signal layers and then removed from all set observations. In a two-dimensional algorithm, the significance of the row and the column of the dataset images are detected and the less important ones are eliminated directly from raw data. One of the most important advantages of proposed algorithms, which can be read as non-uniform sampling methods, is to preserve the appearance of signals. After removing the raw data redundancy by the two algorithms presented, new data with fewer dimensions can be used in other applications such as dataset recognition, compression, and so on.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی اصغر شریفی نجف آبادی |
دانشجوی کارشناسی ارشد مخابرات، دانشکده مهندسی برق، دانشگاه شهید بهشتی

فرح ترکمنی آذر |
آزمایشگاه پردازش سیگنال های دیجیتال، دانشکده مهندسی برق، دانشگاه شهید بهشتی

نشانی اینترنتی http://jmvip.sinaweb.net/article_66686_5c1077c8516d9f2e58750914397ba181.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1041/article-1041-1767413.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات