تحلیل تغییرات طیفی برخی گونه‌های برنج با استفاده از روش کاهش بُعد تابعی

رشد سریع فناوری، پیدایش رشته‌های جدید مانند ژنتیک و لزوم حل مسائل پیچیده در زمینه‌هایی مانند اقتصاد، شیمی و ... منجر به تولید داده‌های با ابعاد بالا شده است که ویژگی عمده آن‌ها این است که اغلب تعداد نمونه کمتر از تعداد ویژگی دارند. در چنین شرایطی برخی از روش‌های کاهش بُعد مانند تحلیل مولفه‌های اصلی نیز با وجود محبوبیت بسیاری که دارند کارا نخواهند بود. تحلیل مولفه‌های اصلی تابعی یکی از راهکارهایی که ممکن است برای تحلیل برخی از داد‌ه‌های بُعد بالا مفید باشد. این روش در واقع همان اعمال روش تحلیل مولفه‌های اصلی برای گونه‌ای از مشاهدات است که به صورت یک منحنی (داده‌های تابعی) هستند. به دلیل ماهیت پیچیده و در عین حال ساختارمند داده‌های بُعد بالای مورد مطالعه در این پژوهش، نحوه اعمال روش کاهش بُعد با رویکرد نوین تابعی به همراه نتایج تحلیل کاربردی ارائه می‌شود.

analysis of spectral changes of some rice varieties using functional dimension reduction method

the rapid growth of technology, the emergence of new fields such as genetics and the need to solve complex problems in fields such as economics, chemistry, etc. have led to the production of high-dimensional data. the main characteristics of such data is that the number of samples is less than the number of features. in such a situation, some dimension reduction methods such as principal component analysis will not be effective despite their popularity. analysis of functional principal components is one of the solutions that may be useful for analyzing some high-dimensional data. this method is actually the same as applying the principal component analysis method to a type of observations that are in the form of a curve (functional data). due to the complex and at the same time structured nature of the high dimensional data studied in this research, the method of applying the dimension reduction method with a new functional approach is presented along with the results of analyzing a real application.