حذف افزونگي داده‌هاي خام از مجموعه داده‌ها، با استفاده از تحليل مؤلفه‌هاي اصلي ‌تُنُك

تحليل مؤلفه‌هاي اصلي يكي از روش‌هاي مطرح به منظور كـاهش ابعـاد مجموعـه داده است كه براي داده‌هاي يك بُعدي و دوبُعدي قابل استفاده است. با توجه به تُنُـك نبـودن بردارهاي پايه‌، تحليل مؤلفه‌هاي اصـلي تُنُك مطرح گرديده است كه با حفظ خواص تحليل مؤلفـه‌هـاي اصـلي اسـتاندارد، بعضي از درايه‌هاي بردارهاي پايه را صفر مي‌كند. در اين مقاله، با توجه به خاصيت تُنُكي بردارهاي پايه، كه سبب بي تأثير گشتن بعضي از مقادير مجموعه داده در انتقال به فضاي جديد مي گردد، دو آلگوريتم به منظور حذف افزونگي از داده‌هاي خام، در حالت يك بُعدي و دوبُعدي ارائه شده‌است. در الگوريتم يك بُعدي، افزونگي بين درايه هاي سيگنال تشخيص و سپس از تمامي مشاهدات مجموعه حذف مي‌شوند. در الگوريتم دوبُعدي اهميت سطر وستون‌هاي تصاوير مجموعه داده، تشخيص و سطر وستون‌هاي با اهميت كمتر به طور مستقيم از داده‌هاي خام حذف مي‌شوند. يكي از مهمترين مزيت آلگوريتم هاي پيشنهادي كه به عنوان روش هاي نمونه برداري غيريكنواخت نيز ميتوانند خوانده شوند، حفظ ظاهر سيگنال ها مي باشد. پس از حذف افزونگي داده‌هاي خام توسط دو الگوريتم ارائه شده، مي‌توان از داده‌هاي جديد با ابعاد كمتر در كاربردهاي ديگري همچون بازشناسي مجموعه داده، فشرده سازي و ... استفاده كرد