این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Journal of Artificial Intelligence and Data Mining، جلد ۳، شماره ۱، صفحات ۱-۹
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Feature reduction of hyperspectral images: Discriminant analysis and the first principal component
چکیده انگلیسی مقاله When the number of training samples is limited, feature reduction plays an important role in classification of hyperspectral images. In this paper, we propose a supervised feature extraction method based on discriminant analysis (DA) which uses the first principal component (PC1) to weight the scatter matrices. The proposed method, called DA-PC1, copes with the small sample size problem and has not the limitation of linear discriminant analysis (LDA) in the number of extracted features. In DA-PC1, the dominant structure of distribution is preserved by PC1 and the class separability is increased by DA. The experimental results show the good performance of DA-PC1 compared to some state-of-the-art feature extraction methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم ایمانی |
faculty of electrical and computer engineering, tarbiat modares university
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

حسن قاسمیان |
faculty of electrical and computer engineering, tarbiat modares university
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://jad.shahroodut.ac.ir/article_385_8129a3985b54cdade8d7251e35fca4ff.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات