PCA transformation as a method of compression of experiment results

• Autorzy: Gil J.

Warianty tytułu

PL

Transformacja PCA jako metoda kompresji wyników eksperymentu

• Języki publikacji: EN

Abstrakty

EN

The paper presents a method of statistical analysis of multidimensional data by means of the PCA transformation (Principal Components Analysis), carried out by means of a neuron network. The PCA transformation, connected with the Karhunen-Loeve transformation is used for processing signals treated as stochastic processes. The method discussed in the paper, enables the reduction of input data on the basis of specified independent principal components with respect to their significiance.

PL

W pracy przedstawiono metodę analizy statystycznej wielowymiarowych danych za pomocą transformacji PCA (Principal Components Analysis), zrealizowaną za pomocą sieci neuronowej. Transformacja PCA, związana z transformacją Karhunena-Loeve jest stosowana w przetwarzaniu sygnałów traktowanych jako procesy stochastyczne. Omawiana w pracy metoda, umożliwia redukcję przestrzeni danych wejściowych na podstawie wyznaczonych niezależnych składników głównych z uwzględnieniem ich znaczenia.

Słowa kluczowe

EN

statistical analysis; neuron network; signal processing

PL

analiza statystyczna; sieć neuronowa; przetwarzanie sygnałów

• Wydawca: Komitet Geodezji PAN
• Czasopismo: Geodezja i Kartografia
• Rocznik: 2003
• Tom: T. 52, z. 3
• Strony: 133--142
• Opis fizyczny: Bibliogr. 4 poz., rys., wykr.

Twórcy

autor

Gil J.

• Department of Land and Environment Engineering Institute of Building Engineering University of Zielona Góra

Bibliografia

• [1] Kwiatkowski W., Metody automatycznego rozpoznawania danych, Instytut Automatyki i Robotyki, Wydział Cybernetyki, WAT, Warszawa 2001.
• [2] Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• [3] Sanger T. D., Optimal unsupervised learning in single layer linear feedformed neural network, vol. 2, Neural Networks, 1989.
• [4] Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, PWN, Warszawa 1996.