تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله ترکیب اطلاعات نظارت شده با PCA از طریق انتخاب مولفه های تشخیصی – نشریه الزویر

عنوان فارسی: ترکیب اطلاعات نظارت شده با PCA از طریق انتخاب مولفه های تشخیصی
عنوان انگلیسی: Combined supervised information with PCA via discriminative component selection
تعداد صفحات مقاله انگلیسی : 5 تعداد صفحات ترجمه فارسی : 10
سال انتشار : 2015 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 4977 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.15Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی الگوریتم و محاسبات، مهندسی نرم افزار و هوش مصنوعی
مجله: اسناد پردازش اطلاعات
دانشگاه: وزارت آموزش و پرورش، آزمایشگاه های کلیدی قابل اعتماد خدمات کامپیوتر در سایبر فیزیکی جامعه، چونگ کینگ، چین
کلمات کلیدی: الگوریتم ها، طراحی الگوریتم ها، تحلیل مولفه های اصلی (PCA)، تشخیص چهره، تحلیل تشخیصی خطی (LDA)، تحلیل آماری چندمتغیره
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. روش

3. مثالهای اسباب بازی

4. آزمایشات

5. نتیجه گیری

نمونه متن انگلیسی

abstract

Principal Component Analysis (PCA) is a classical multivariate statistical algorithm for data analysis. Its goal is to extract principal features or properties from data, and to represent them as a set of new orthogonal variables called principal components. Although PCA has obtained extensive successes across almost all the scientific disciplines, it is clear that PCA cannot incorporate the supervised information such as class labels. In order to overcome this limitation, we present a novel methodology to combine the supervised information with PCA by discriminatively selecting the components. Our method use the fisher criterion to evaluate the discriminative abilities of bases of original PCA and find the first n best ones to yield the new PCA projections. Clearly, the proposed method is general to all PCA family algorithms and even can be applied to other unsupervised multivariate statistical algorithms. Furthermore, another desirable advantage of our method is that it doesn’t break the original structure of the PCA components and thereby keeps their visual interpretability. As two examples, we apply our method to incorporate the supervise information with PCA and Robust Sparse PCA (RSPCA) to improve their discriminative abilities. Experimental results on two popular databases demonstrate the effectiveness of our method.

نمونه متن ترجمه

چکیده

تحلیل مولفه های اصلی (PCA) یک الگوریتم آماری چند متغیره کلاسیکی برای تحلیل داده ها می باشد. هدفش استخراج ویژگیها یا خصوصیات اصلی از داده ها و نمایش آنها به صورت مجموعه ای از متغیرهای متعامد جدید موسوم به مولفه های اصلی می باشد. هرچند PCA تقریباً در کلیه رشته های علمی موفقیت های گسترده ای کسب کرده است، اما روشن است PCA قادر به بهره گیری از اطلاعات نظارت شده نظیر برچسب های کلاس نمی باشد. برای غلبه بر این محدودیت، روش جدیدی برای ترکیب اطلاعات نظارت شده با PCA با انتخاب افتراقی یا تشخیصی مولفه ها مطرح می کنیم. روش پیشنهادی از معیار فیشر برای ارزیابی توانایی های تشخیصی پایگاههای PCA اصلی و یافتن n PCA اول برتر برای پیش بینی های جدید PCA استفاده می کند. روشن است روش پیشنهادی در کلیه الگوریتم های خانواده PCA و حتی در سایر الگوریتم های آماری چند متغیره بدون ناظر (غیر نظارت شده) کاربرد دارد. به علاوه، یکی دیگر از محاسن روش پیشنهادی آن است که ساختار اصلی مولفه های PCA را نقض نکرده و بدین طریق تفسیرپذیری بصری و دیداری آنها را حفظ می کند. به عنوان دو مثال، از روش پیشنهادی برای بهره گیری از اطلاعات نظارت شده با PCA و Robust Sparse PCA جهت بهبود توانایی های تشخیصی شان استفاده می کنیم. نتایج آزمایش روی دو پایگاه داده مشهور، اثربخشی روش پیشنهادی را نشان می دهد.