آموزش PCA و تحیل آماری آن در envi
PCA یکی از اولین الگریتم هایی می باشد که در نرم افزار envi و جهت آشنایی کلی با منطقه ی مورد مطالعه استفاده می شود. در این قسمت در این قسمت نحوه ی انجام پردازش تحلیل مولفه ی اصلی و نحوه ی تحلیل آماری این الگریتم بررسی شد.
قیمت: 18000/
18000
تومان
تخفیف روزانه: %0
بعد از پرداخت مشاهده آنلاین فعال خواهد شد
با استفاده از سکه های حساب خود می توانید این آموزش را رایگان دریافت کنید
تعداد سکه های مورد نیاز: 36 سکهتعداد سکه های شما: سکه
برای مشاهده این بخش باید وارد حساب کاربری خود شوید
در صورتی که حساب کاربری ندارید می توانید یک حساب کاربری رایگان بسازید
ورود به حساب کاربری ساخت حساب کاربری:نظرات ارسال شده
تحلیل مولفه اصلی جیست؟
الگوریتم تحلیل مولفههای اصلی یا PCA یک روش کاهش ابعاد است که اغلب برای کاهش ابعاد مجموعه دادههای بزرگ استفاده میشود، به بیانی دیگر، تبدیل یک مجموعه بزرگ از متغیرها به یک مجموعهی کوچکتر که همچنان حاوی بیشترین اطلاعات مجموعه بزرگ است. به طور خلاصه، ایده PCA ساده است، کاهش تعداد متغیرهای یک مجموعه داده، با حفظ بیشترین اطلاعات.
اهداف pca
یک مجموعه داده کوچکتر از چندین باند ایجاد کنید، در حالی که تا حد امکان اطلاعات طیفی اصلی حفظ شده اند. نتیجه مجموعه ای از باندهای تصویر غیرهمبسته است که باندهای PC نامیده می شوند.
آشکار سازی روابط پیچیده بین ویژگی های طیفی.
شناسایی مشخصه های طیفی که در بیشتر باندها شایع ترند و آنهایی که فقط مختص چند باند هستند.
تعریف
PCA یک تبدیل خطی است که واریانس یک تصویر چند باندی را به مجموعه جدیدی از باندهای تصویر بازنویس می کند. این باندهای PC ترکیبات خطی ناهمبسته از باندهای ورودی هستند. تبدیل PC، مجموعه جدیدی از محورهای متعامد را با مبدأ آنها در میانگین داده پیدا می کند و آنها را می چرخاند تا واریانس داده ها به حداکثر برسد. بحث دقیق تری از PCA در بیشتر ادبیات سنجش از دور موجود است.