تحلیل تغییرات طیفی برخی گونه های برنج با استفاده از روش کاهش بعد تابعی

رشد سریع فناوری، پیدایش رشته های جدید مانند ژنتیک و لزوم حل مسائل پیچیده در زمینه هایی مانند اقتصاد، شیمی و ... منجربه تولید داده های با ابعاد بالا شده است که ویژگی عمده آن ها این است که اغلب تعداد نمونه کمتر از تعداد ویژگی دارند. در چنین شرایطیبرخی از روش های کاهش بعد مانند تحلیل مولفه های اصلی نیز با وجود محبوبیت بسیاری که دارند کارا نخواهند بود. تحلیل مولفه های اصلی تابعی یکی از راهکارهایی که ممکن است برای تحلیل برخی از داده های بعد بالا مفید باشد. این روش در واقع همان اعمال روش تحلیل مولفه های اصلی برای گونه ای از مشاهدات است که به صورت یک منحنی (داده های تابعی) هستند. به دلیل ماهیت پیچیده و در عین حالساختارمند داده های بعد بالای مورد مطالعه در این پژوهش، نحوه اعمال روش کاهش بعد با رویکرد نوین تابعی به همراه نتایج تحلیل کاربردی ارائه می شود.

کلیدواژه ها:

داده های بعد بالا ، تحلیل مولفه های اصلی ، داده های تابعی ، هموارسازی ، طیف سنجی