Preview

Информатика

Расширенный поиск

СНИЖЕНИЕ РАЗМЕРНОСТИ ОБУЧАЮЩИХ ВЫБОРОК ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ НА КОСМИЧЕСКИХ ИЗОБРАЖЕНИЯХ С ПОМОЩЬЮ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ

Полный текст:

Аннотация

Описываются сущность метода главных компонент и задача снижения размерности в про-цессе статистической обработки. Приводится способ вычисления главных компонент на основе оп-ределения собственных значений ковариационной матрицы. Описываются алгоритмы практической реализации метода главных компонент на основе QR-алгоритма. Проводится анализ возможности использования метода главных компонент при классификации космических изображений с целью снижения размерности обучающих выборок.

Об авторе

Д. В. Прадун
Объединенный институт проблем информатики НАН Беларуси
Россия


Список литературы

1. Thakur, S. Face recognition using Principal Component Analysis and RBF Neural Networks / S. Thakur [et al.] // IJSSST. – 2009. – Vol. 10, № 5. – P. 7–15.

2. Zhang, D. Diagonal Principal Component Analysis for Face Recognition / D. Zhang, Z.-H. Zhou, S. Chen // Pattern Recognition. – 2006. – Vol. 39, № 1. – P. 140–142.

3. Bidyanta, N. Pattern Recognition using Principal Component Analysis / N. Bidyanta // Binary Digits [Electronic resource]. – 2010. – Mode of access : https://sites.google.com/site/binarydigits10/articles/eigenface. – Date of access : 10.09.2012.

4. Xiaoli, L. A Novel Approach to Pattern Recognition Based on PCA-ANN in Spectroscopy/ L. Xiaoli, H. Yong // Lecture Notes in Computer Science. – 2006. – Vol. 4093. – P. 525–532.

5. Ferraz, A. The use of principal component analysis (PCA) for pattern recognition in Eucalyptus grandis wood biodegradation experiments / A. Ferraz [et al.] // World Journal of Microbiology and Biotechnology. – 1998. – Vol. 14, № 4. – P. 487–490.

6. Айвазян, С.А. Прикладная статистика. Классификация и снижение размерности. Справочное издание / С.А. Айвазян [и др.]. – М. : Финансы и статистика, 1989. – 608 с.

7. Айвазян, С.А. Прикладная статистика и основы эконометрики / С.А. Айвазян,В.С. Мхитарян. – М. : ЮНИТИ, 1998. – 1005 с.

8. Дронов, С.В. Многомерный статистический анализ : учебное пособие / С.В. Дронов. –Барнаул : Изд-во Алт. гос. ун-та, 2003. – 213 с.

9. Икрамов, Х.Д. Несимметричная проблема собственных значений. Численные методы / Х.Д. Икрамов. – М. : Наука, 1991. – 240 с.

10. Парлетт, Б. Симметричная проблема собственных значений. Численные методы; пер.с англ. / Б. Парлетт. – М. : Мир, 1983. – 384 с.

11. Stewart, G.W. A parallel implementation of the QR algorithm / G.W. Stewart // CiteSeerX - Scientific Literature Digital Library and Search Engine [Electronic resource]. – University park, USA, 1987. – Mode of access : http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.45.4400. – Date of access : 22.08.2012.

12. Henry, G. A parallel implementation of the nonsymmetric QR algorithm for distributed memory architectures / G. Henry, D. Watkins, J. Dongarra // SIAM Journal on Scientific Computing. – 2002. – Vol. 24, № 1. – P. 284–311.

13. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М. : Техносфера, 2005. – 1072 с.

14. Smith, B.T. Matrix eigensystem routines – EISPACK guide / B.T. Smith [et al.] // Lecture Notes in Computer Science. – 1976. – Vol. 6. – 551 p.

15. Garbow, B.S. Matrix eigensystem routines – EISPACK guide extension / B.S. Garbow [et al.] // Lecture Notes in Computer Science. – 1977. – Vol. 51. – 343 p.

16. Прадун, Д.В. Блочно-параллельная кластеризация мультиспектральных изображений с помощью алгоритма максимального потока в сети / Д.В. Прадун, Б.А. Залесский // Информатика. – 2011. – № 2(30). – С. 12–20.

17. Прадун, Д.В. Блочно-параллельная кластеризация изображений на основе нечеткой логики / Д.В. Прадун, А.А. Кравцов // Пятый Белорусский космический конгресс : материалы конгресса. В 2 т. (25-27 октября 2011 года, Минск). – Минск : ОИПИ НАН Беларуси, 2011. – Т. 2. – C. 47–53.

18. Hastie, T. The Elements of Statistical Learning. Data mining, Inference, and Prediction (Second Ed.) / T. Hastie, R. Tibshirani, J. Friedman // Trevor Hastie – Publications [Electronic resource]. – 2009. – Mode of access : http://www.stanford.edu/~hastie/local.ftp/ Springer/ ESLII_print5.pdf. – Date of access : 12.03.2012.


Для цитирования:


Прадун Д.В. СНИЖЕНИЕ РАЗМЕРНОСТИ ОБУЧАЮЩИХ ВЫБОРОК ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ НА КОСМИЧЕСКИХ ИЗОБРАЖЕНИЯХ С ПОМОЩЬЮ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ. Информатика. 2013;(1):57-65.

For citation:


Pradun D.V. REDUCTION OF TRAINING SAMPLES DIMENSION IN PATTERN RECOGNITION OF SPACE IMAGES USING PRINCIPAL COMPONENTS ANALYSIS. Informatics. 2013;(1):57-65. (In Russ.)

Просмотров: 328


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)