1) Principal component transform fusion
主成分变换融合
2) principal component fusion
主成分融合
1.
The Application of Principal Component Fusion in the Extraction of Saline Soil Information in Arid Areas;
主成分融合在干旱区盐渍地信息提取中的应用研究
3) PCA transformation
主成分变换
1.
Based on geo-science assessment on NOAA/AVHRR data,facing remote sensing image pattern recognition,monthly composition and PCA transformation were carried out on 10d composition and 1km spatial resolution NOAA/AVHRR NDVI of two-year time series data set,from Apr.
在NOAA/AVHRR数据地学评价的基础上,面向遥感影像模式识别,对内蒙古地区1992年4月～1993年3月和1995年2月～1996年1月的10d合成、1km空间分辨率NOAA/AVHRRNDVI2年的时间序列数据集进行月合成与主成分变换处理,为遥感影像模式识别提供了有效的数据源。
4) Principal Component Transform
主成分变换
1.
The Automatic Detection Methods of Changing Information for Dynamic Monitoring by Principal Component Transform;
基于主成分变换的动态监测变化信息自动发现
5) principal component transformation
主成分变换
1.
The application of principal component transformation and Bayesian regularization back propagation (BP)neural network in forest volume estimate was introduced through a specific sample in this paper.
介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题。
2.
In this paper, the principal component transformation method is used to make the fusion of Resource 2 satellite panchromatic band image and Landsat 7 ETM multispectral band image so as to enhance and extract the inshore tidal flat information in the Fuqing and Changle areas of Fujian Province.
利用“资源二号”的全色波段和Landsat 7 ETM的多光谱波段,采用主成分变换的方法进行融合,对福建省的福清、长乐沿海的滩涂信息进行增强和提取。
6) principal component analysis
主成分变换
1.
Rice field mapping and monitoring using ASAR data based on principal component analysis;
基于主成分变换的ASAR数据水稻种植面积提取
2.
Taking it for example that application of classification of ETM+ images based on two representational Fusing methods(IHS transform and principal component analysis),this paper discusses the experimental results through comparison and analysis.
文章以两种具有代表性的融合算法(IHS变换与主成分变换)在ETM+影像中的分类应用为例,对两种算法的分类结果进行定性和定量的对比与分析。
3.
Taking the NDVI data of NOAA/AVHRR remote sensing image as data source with spatial and temporal resolution at 1 km×1 km and a whole vegetation growth cycle, the method employed the presently popular principal component analysis technique with combination of climate information, Digital Elevation Model (DEM), and relevant geographical a.
在地理信息系统支持下,文章以时间分辨率为植物一个完整生长周期、空间分辨率1km×1km的NOAA/AVHRR遥感影像的NDVI指标为数据源,采用目前较为流行的主成分变换法,结合气象资料和数字高程模型(DEM),参考相关的地理基础图件,对黄河流域地表植被覆盖的进行综合分类。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条