Porównanie liniowych metod PCA (Principal Component Analysis) i LDA (Linear Discriminant Analysis) zastosowanych do klasyfikacji matryc wzbudzeniowo-emisyjnych wybranych grup substancji biologicznych

• Autorzy: Leśkiewicz M. , Kaliszewski M. , Mierczyk Z. , Włodarski M.

Identyfikatory

DOI

10.5604/12345865.1197960

Warianty tytułu

EN

Comparison of Principal Component Analysis and Linear Discriminant Analysis applied to classification of excitation-emission matrices of the selected biological material

• Języki publikacji: PL

Abstrakty

PL

W pracy porównano właściwości dwóch liniowych metod (PCA i LDA) pozwalających na redukcję wymiarów w trakcie analizy cech oraz zbadano wydajność tych dwóch algorytmów w procesie klasyfikacji wybranego materiału biologicznego na podstawie jego wzbudzeniowo-emisyjnych matryc fluorescencyjnych. Stwierdzono, że metoda LDA redukuje liczbę wymiarów (znaczących zmiennych) bardziej efektywnie niż metoda PCA. Za pomocą algorytmu LDA udało się uzyskać względnie dobre rozróżnienie badanego materiału biologicznego.

EN

Quality of two linear methods (PCA and LDA) applied to reduce dimensionality of feature analysis is compared and efficiency of their algorithms in classification of the selected biological materials according to their excitation-emission fluorescence matrices is examined. It has been found that LDA method reduces the dimensions (or a number of significant variables) more effectively than PCA method. Arelatively good discrimination within the examined biological material has been obtained with the use of LDA algorithm.

Słowa kluczowe

PL

analiza cech; spektroskopia fluorescencyjna; klasyfikacja substancji biologicznych

EN

Feature Analysis; Fluorescence Spectroscopy; Biological Material Classification

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Biuletyn Wojskowej Akademii Technicznej
• Rocznik: 2016
• Tom: Vol. 65, nr 1
• Strony: 15--31
• Opis fizyczny: Bibliogr. 6 poz., wykr., rys., tab.

Twórcy

autor

Leśkiewicz M.

• PCO Spółka Akcyjna, 03-982 Warszawa, ul. Jana Nowaka-Jeziorańskiego 28

autor

Kaliszewski M.

• Wojskowa Akademia Techniczna, Instytut Optoelektroniki, 00-908 Warszawa, ul. gen. S. Kaliskiego 2

autor

Mierczyk Z.

• Wojskowa Akademia Techniczna, Instytut Optoelektroniki, 00-908 Warszawa, ul. gen. S. Kaliskiego 2

autor

Włodarski M.

• Wojskowa Akademia Techniczna, Instytut Optoelektroniki, 00-908 Warszawa, ul. gen. S. Kaliskiego 2

Bibliografia

• [1] Bishop C.M., Pattern Recognition and Machine Learning, Springer, Discriminant Functions, 181-196, Continuous Latent Variables, 2006, 559-570.
• [2] Hardle W., Simar L., Applied Multivariate Statistical Analysis, Springer, Principal Component Analysis, 2003, 233-275.
• [3] Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer, Linear Discriminant Analysis, 2008, 106-119.
• [4] Fukunaga K., Introduction to Statistical Pattern Recognition, Academic Press, Discriminant Analysis, 1990, 445-455.
• [5] Isenberg H.D. (ed.), Clinical Microbiology Procedures Handbook, ASM Press, 2004.
• [6] Włodarski M. et al., Proc. SPIE, 6398, 2006, 6-1-12.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.