تحلیل تشخیصی خطی فیشر برای داده های هواشناسی با استفاده از چارچوب فضاهای هیلبرت با هسته بازآفرین

امروزه به موازات رشد روزافزون علم و فناوری، داده هایی با ماهیت تابعی به سهولت جمع آوری می شوند. از این رو تحلیل آماری چنین داده هایی از اهمیت ویژه ای برخوردار شده است. همانند تحلیل های چند متغیره ترکیبات خطی از متغیرهای تصادفی نقشی کلیدی در تحلیل داده های تابعی دارند. در این میان نقش نظریه ی فضاهای هیلبرت با هسته ی بازآفرین بسیار حائز اهمیت است. در این مقاله، مفهومی عام از تحلیل تشخیصی خطی فیشر که توسط شین ( ٢٠٠٨ ) معرفی شده و تعمیمی از روش چند متغیره کلاسیک برای داده های تابعی است، مرور شده است. در این تعمیم یک نگاشت دوسویی که فرایند تصادفی نوع دوم را با فضای هیلبرت با هسته بازآفرین تولید شده بوسیله تابع کوواریانس درون رده ای ارتباط می دهد، بکار گرفته می شود. در نهایت داده های هواشناسی کشور در سال ٢٠٠٨ به منظور رده بندی اقلیمی مورد تجزیه و تحلیل قرار گرفته اند.

Fisher’s Linear Discriminant Analysis for Weather Data by reproducing kernel Hilbert spaces framework

Recently with science and technology development, data with functional nature are easy to collect. Hence, statistical analysis of such data is of great importance. Similar to multivariate analysis, linear combinations of random variables have a key role in functional analysis. The role of Theory of Reproducing Kernel Hilbert Spaces is very important in this content. In this paper we study a general concept of Fisher rsquo;s linear discriminant analysis that extends the classical multivariate method to the case functional data. A bijective map is used to link a second order process to the reproducing kernel Hilbert space, generated by its within class covariance kernel. Finally a real data set related to Iranian weather data collected in 2008 is also treated.