مقالات ترجمه شده

ROBPCA: یک رویکرد جدید برای تحلیل مولفه های اصلی مقاوم

عنوان فارسی

ROBPCA: یک رویکرد جدید برای تحلیل مولفه های اصلی مقاوم


عنوان لاتین

ROBPCA: A New Approach to Robust Principal Component Analysis

مشخصات کلی

سال انتشار 2005
کد مقاله 3241
فرمت فایل ترجمه Word
تعداد صفحات ترجمه 39
نام مجله فاقد منبع
نشریه فاقد منبع
درج جداول و شکل ها در ترجمه انجام شده است
جداول داخل مقاله ترجمه شده است

چکیده فارسی

یک روش جدید برای تحلیل مولفه های اصلی مقاوم (PCA) ارائه کردیم. PCA کلاسیک بر اساس ماتریس کواریانس تجربی اطلاعات عمل می کند و بنابراین به میزان زیادی به مشاهدات پرت حساس است. تاکنون دو رویکرد مقاوم توسعه داده شده اند. اولین رویکرد بر اساس بردار ویژه های یک ماتریس پراکنده نظیر مینی موم دترمینان کواریانس یا یک تخمینگر-S است و محدود به داده های با ابعاد به نسبت پایین است. رویکرد دوم بر اساس یک projection pursuit است و می تواند داده های با ابعاد بالا را مدیریت کند. در اینجا رویکرد PROBPCA را ارائه می کنیم که ایده های projection pursuit را با تخمین ماتریس پراکندگی ترکیب می کند. ROBPCA تخمین های دقیق تری بر مجموعه های داده غیرآلوده (بدون داده های پرت) و تخمین های قدرتمندتری بر داده های آلوده ارائه می کند. ROBPCA را می توان به سرعت محاسبه کرد و قادر به تشخیص موقعیت های برازش دقیق می باشد. ROBPCA یک نمودار تشخیصی ارائه می کند که داده های پرت را نمایش داده و طبقه بندی می کند. الگوریتم را به چندین مجموعه داده در زمینه مهندسی و شیمی سنجی اعمال کردیم.

چکیده لاتین

We introduce a new method for robust principal component analysis (PCA). Classical PCA is based on the empirical covariance matrix of the data and hence is highly sensitive to outlying observations. Two robust approaches have been developed to date. The first approach is based on the eigenvectors of a robust scatter matrix such as the minimum covariance determinant or an S-estimator and is limited to relatively low-dimensional data. The second approach is based on projection pursuit and can handle highdimensional data. Here we propose the ROBPCA approach, which combines projection pursuit ideas with robust scatter matrix estimation. ROBPCA yields more accurate estimates at noncontaminated datasets and more robust estimates at contaminated data. ROBPCA can be computed rapidly, and is able to detect exact-fit situations. As a by-product, ROBPCA produces a diagnostic plot that displays and classifies the outliers. We apply the algorithm to several datasets from chemometrics and engineering.

خرید و دانلود ترجمه این مقاله:

جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.

دیدگاه ها

هیچ دیدگاهی برای این مقاله ثبت نشده است

ارسال دیدگاه

مقالات معتبر علمی از ژورنال های ISI