Tag Archives: PCA

Principal Component Analysis Tersebar untuk Jaringan Sensor Nirkabel

Principal Component Analysis (PCA) adalah sebuah teknik pengurangan dimensionalitas data yang cocok untuk pengolahan data dari jaringan sensor. PCA bisa diterapkan untuk tugas seperti kompresi, deteksi kejadian, dan pengenalan kejadian. Teknik ini didasarkan pada sebuah transformasi linear dimana pengukuran sensor berkorelasi, sekumpulan kecil komponen prinsip bisa menjelaskan sebagian besar variabilitas pengukuran. Hal ini ini memungkinkan untuk secara signifikan mengurangi jumlah komunikasi radio dan konsumsi energi.
Dalam penelitian ini, kami tunjukkan bahwa metode iterasi daya bias disebar dalam sebuah jaringan sensor untuk menghitung sebuah perkiraan dari komponen prinsip. Implementasi yang diusulkan bergantung pada sebuah layanan agregasi, yang baru-baru ini telah ditunjukkan untuk menyediakan sebuah kerangka kerja yang cocok untuk penyebaran komputasi dari sebuah transformasi linear dalam sebuah jaringan sensor. Kami juga mengembangkan penelitian sebelumnya ini dengan menyediakan analisir yang rinci dari komputasi, memori, dan biaya komunikasi yang dilibatkan. Sebuah percobaan kompresi yang melibatkan data real memvalidasi algoritma dan menggambarkan tukar-tambah antara akurasi dan biaya komunikasi.

GPCA sebuah skema pengurangan dimensi yang efisien untuk kompresi dan pencarian citra

Beberapa tahun terkini telah menyaksikan sebuah peningkatan dramatis dalam kuantitas data citra yang yang terkumpul, karena peningkatan dalam bidang seperti citra medis, pengamatan, pengawasan, astronomi, multimedia dan lain-lain. Dengan peningkatan ini , kenaikan telah mendatangkan kebutuhan untuk bias disimpan, dikirim, dan dicari dalam jumlah citra yang besar secara efisien. Sebuah operasi pada basis data citra yang besar adalah pencarian sebuah citra yang mirip dengan citra yang dicari.
Untuk itu citra dalam database seringkali disajikan sebagai sebuah vector dalam ruang dimensi tinggi dan sebuah masukan dijawab dengan mencari semua vector citra yang dekat dengan citra masukan dalam ruang ini, di bawah ukuran kemiripan yang sesuai. Untuk mengatasi permasalahan yang berhubungan dengan dimensionalitas yang tinggi, seperti waktu pencarian dan penyimpanan yang tinggi, sbeuah langkah pengurangan dimensi biasanya dilakukan pada vector untuk mengumpulkan informasi yang relevan dalam jumlah dimensi yang kecil.
Principal Component Analysis (PCA) adalah sebuah skema pengurangan dimensi yang dikenal baik. Namun, karena PCA bekerja dengan representasi citra yang tervektorisasi, PCA tidak mengambil peran lokalitas spasial dari piksel dalam citra. Dalam makalah ini, sebuah skema pengurangan dimensi baru, disebut Generalized Principal Component Analysis (GPCA), disajikan. Skema ini bekerja secara langsung dengan citra dalam bentuk asal, seperti matrik dua dimensi, dengan memproyeksikan citra pada sebuah ruang vector yaitu perkalian tensor dari dua ruang vector dengan dimensi lebih kecil. Percobaan dalam database citra wajah menunjukkan bahwa, untuk sejumlah penyimpanan yang sama, GPCA lebih bagus daripada PCA dalam hal kualitas dari citra yang terkompresi, presisi pencarian, dan biaya komputasi.

Incremental PCA: sebuah pendekatan alternatif untuk Deteksi Kebaruan

Pencarian dan penyelidikan terhadap lingkungan yang dinamis yang menggunakan robot bergerak adalah aplikasi yang memberikan keuntungan secara luas dari kebaruan algoritma deteksi. Dalam penelitian ini kami mengusulkan penggunaan dari sebuah pendekatan baru untuk kebaharuan deteksi online berbasis pada Incremental Principal Component Analysis dan membandingkan unjuk kerja dan fungsionalitasnya dengan teknik yang dipelajari sebelumnya yang berbasis pada sebuah jaringan syaraf GWR. Kami telah melakukan sederet percobaan yang menggunakan masukan visual dari sebuah robot bergerak yang berinteraksi dengan sebuah lingkungan laboratorium terkendali yang menunjukkan keuntungan dan kerugian untuk tiap metode.

Neto, Hugo Vieira, and Ulrich Nehmzow.

Sebuah Incremental Principal Component Analysis Baru dan Aplikasinya untuk Pengenalan Wajah

Zhao, Haitao, Pong Chi Yuen, and James T. Kwok.

Abstrak. Principal Component Analysis (PCA) telah terbukti sebagai sebuah metode efisien dalam pengenalan pola dan analisis citra. Baru-baru ini, PCA telah secara luas dipakai untuk algoritma pengenalan wajah, seperti eigenface dan fisherface. Hasil menarik telah dilaporkan dan dibahas dalam literatur. Banayk sistem pengenalan wajah berbasis PCA juga telah dikembangkan dalam dekade terakhir. Namun, pengenalan wajah berbasis PCA yang ada sulit untuk diperbesar karena biaya komputasi dan beban kebutuhan memori. Untuk mengatasi keterbatasan ini, sebuah pendekatan inkremental biasanya diadopsi. Metode Incremental PCA(IPCA) telah dikaji selama beberapa tahun dalam komunitas pembelajaran mesin. Continue reading

PCA untuk pengolahan data

Akhirnya, kita masuk pada Principal Componens Analysis(PCA). Apa itu PCA? PCA adalah sebuah cara untuk mengenali pola dalam data, dan menyatakan data dalam sebuah cara untuk menyoroti kemiripan dan perbedaan data. Karena pola-pola dalam data bisa sulit untuk ditemukan dalam data dimensi tinggi, dimana kemewahan dari representasi grafis tidak tersedia, PCA adalah sebuah perangkat yang kuat untuk menganalisis data.
Keuntungan lain dari PCA adalah ketika anda telah menemukan pola ini dalam data, dan anda memampatkan data, yaitu, dengan mengurangi jumlah dimensi, tanpa kehilangan banyak informasi. Teknik ini digunakan dalam kompresi citra, seperti yang akan kita lihat.
Pada bagian ini akan membawa anda melalui langkah yang anda butuhkan untuk melakukan sebuah Principal Component Analysis pada sekumpulan data. Saya tidak akan menjelaskan secara tepat mengapa teknik tersebut bekerja, namun saya akan mencoba untuk menyediakan sebuah penjelasan tentang apa yang terjadi pada tiap langkah sehinga akan bisa membuat keputusan yang diketahui ketika anda mencoba menggunakan teknik ini sendiri.