FAST METHODS OF REDUCING THE DIMENSION OF SPECTRAL DATA FOR THEIR IMAGING VISUALIZATION
Abstract
Fast methods for reducing the dimensionality of spectral data are developed. In contrast to the widely known methods of projecting data with a N dimension into spaces of a smaller dimension having a computational complexity of N´N order proportional to the dimension of the covariance data matrices, it is proposed to use new methods to reduce the complexity. They are feasible in a sliding window in n of counts. As a result, fast methods have the computational complexity of n´N order. The results of computer experiments of reducing the dimensionality of the IR spectra of automobile gasolines are represented. The problem of reducing the dimension of IR spectra is topical for their visualization as well as for decreasing the multicollinearity and the influence of noise while modeling the behavior or analysis of parameters depending on the spectral characteristics.
About the Authors
V. A. Vagin
Scientific and Technological Center of Unique Instrument-Making of the Russian Academy of Sciences
Russian Federation
Russian Federation
A. E. Krasnov
Center of Realization of State Educational Policy and Informational Technologies
Russian Federation
Russian Federation
D. N. Nicol’Skii
Center of Realization of State Educational Policy and Informational Technologies
Russian Federation
Russian Federation
References
1. A. E. Krasnov, S. A. Krasnikov, E. A. Chernov. Materials Int. Sci.-Pract. Conf. “Innovative Information Technologies”, 2, section 2, 21-25 April 2014, Prague, Moscow, HSE (2014) 664-670
2. Е. А. Чернов. Метод сжатия и визуализации обобщенных спектральных данных объектов пищевой и химической промышленности, дис.. канд. техн. наук, Москва, МГУТУ им. К. Г. Разумовского (2014) 6-8
3. A. E. Краснов, С. А. Красников, А. В. Воробьева, Ю. Г. Кузнецова, Н. А. Краснова, Д. Ю. Анискин. Основы спектральной компьютерной квалиметрии жидких сред, Москва, Юриспруденция (2006) 135-161
4. А. А. Балашов, В. А. Вагин, И. С. Голяк, А. Н. Морозов, А. И. Хорохорин. Журн. прикл. спектр., 84, № 4 (2017) 643-647 [A. A. Balashov, V. A. Vaguine, Il. S. Golyak, A. N. Morozov, A. I. Khorokhorin. J. Appl. Spectr., 84 (2017) 664-667]
5. А. К. Жерносек, И. Е. Талуть. Аналитическая химия для будущих провизоров. Часть 1. Учебное пособие, Витебск, ВМГУ (2003) 282-309
6. Д. В. Бельков, Е. Н. Едемская. Наук. праці ДонНТУ, Сер. Інформ., кіберн. обчисл. техн., 16, № 204 (2012) 21-27
7. С. А. Лысенко, М. М. Кугейко. Журн. прикл. спектр., 80, № 3 (2013) 432-441 [S. А. Lisenko, М. М. Kugeiko. J. Appl. Spectr., 80 (2013) 419-428]
8. Г. Б. Толсторожев, М. В. Бельков, И. В. Скорняков, В. А. Бутра, В. И. Пехньо, А. Н. Козачкова, Н. И. Царик, И. П. Куценко, Н. И. Шарыкина. Журн. прикл. спектр., 81, № 3 (2014) 444-450 [G. B. Тоlstorozhev, М. V. Bel’kov, I. V. Skornyakov, V. А. Butra, V. I. Pekhnyo, А. N. Kоzachkova, N. I. Tsarik, I. P. Kutsenko, N. I. Sharykina. J. Appl. Spectr., 81 (2014) 463-469]
9. В. С. Бураков, А. В. Буцень, В. В. Кирис, Н. В. Тарасенко. Журн. прикл. спектр., 80, № 4 (2013) 604-609 [V. S. Burakov, A. V. Butsen, V. V. Kiris, N. V. Tarasenko. J. Appl. Spectr., 80 (2013) 589-594]
10. А. А. Балашов, В. А. Вагин, А. В. Висковатых, Г. А. Капралова, В. В. Крадецкий, А. И. Хорохорин, А. М. Чайкин. Журн. прикл. спектр., 80, № 1 (2013) 149-151 [A. A. Balashov, V. A. Vagin, A. V. Viskovatykh, G. A. Kapralova, V. V. Kradeckiy, A. I. Khorokhorin, A. M. Chaikin. J. Appl. Spectr., 80 (2013) 145-147]
11. М. Ю. Доломатов, Г. У. Ярмухаметова, М. М. Доломатова. Журн. прикл. спектр., 84, № 1 (2017) 132-137 [M. Yu. Dolomatov, G. U. Yarmuhametova, M. M. Dolomatova. J. Appl. Spectr., 84 (2017) 114-119]
12. М. Ю. Доломатов, Г. У. Ярмухаметова, М. М. Доломатова. Журн. прикл. спектр., 85, № 3 (2018) 443-447 [M. Yu. Dolomatov, G. U. Yarmuhametova, M. M. Dolomatova. J. Appl. Spectr., 85 (2018) 452-456]
13. А. Л. Куракин, В. А. Левченко, Л. И. Лобковский. Журн. прикл. спектр., 80, № 6 (2013) 913-919 [A. L. Kurakin, V. A. Levchenko, L. I. Lobkovsky. J. Appl. Spectr., 80 (2013) 905-911]
14. Г. Г. Райкунов, В. Л. Щербаков, С. И. Турченко, Н. А. Брусничкина. Гиперспектральное дистанционное зондирование в геологическом картировании, Москва, Физматлит (2014) 26-89
15. Б. Е. Мошкин, А. В. Григорьев, В. А. Вагин, А. В. Шакун, Д. В. Пацаев, А. В. Жарков. ПТЭ, № 6 (2017) 45-51
16. А. И. Орлов. Науч. журн. КубГАУ, № 119(05) (2016) 1-16
17. В. Ю. Яньков, Е. А. Чернов. Технологии XXI века в легкой промышленности (электронное научное издание), № 7, часть II, раздел 4, статья № 9 (2013) 1-6
18. В. В. Цаплин, В. Л. Горохов, В. В. Витковский. Программные продукты и системы, № 3 (107) (2014) 22-25
19. C. Хайкин. Нейронные сети: полный курс - Neural Networks: A Comprehensive Foundation, 2-е изд., Москва, Вильямс (2006) 509-572
20. В. Г. Манжула, Д. С. Федяшов. Фундамент. исслед., № 4 (2011) 108-115
21. А. Е. Краснов, Ю. Л. Сагинов, Н. А. Феоктистова. Приложение к журналу “Качество. Инновации. Образование”, 2, № 5 (2015) 97-108
22. Ю. Е. Воскобойников. Фильтрация сигналов и изображений: фурье и вейвлет алгоритмы (с примерами в Mathcad), Новосибирск, изд-во НГАСУ (2010) 86-89
23. P. S. Addison. Physiol. Meas., 26 (2005) 155-199
24. Д. В. Аносов. Дифференциальные уравнения: то решаем, то рисуем, Москва, изд-во МЦНМО (2008) 40-70
25. А. Е. Краснов, И. Н. Компанец. Радиотехника, № 1 (2000) 55-60
26. А. А. Балашов, В. А. Вагин, С. А. Подлепа, М. А. Шилов. Физические основы приборостроения, № 1 (2011) 122-131
27. В. А. Вагин. ИК Фурье-спектрометры для научных исследований и применений, дис.. д-ра техн. наук, Москва, НТЦ УП РАН (2009) 65-82
28. А. Е. Краснов, Д. Н. Никольский, А. А. Калачев. Способ нейроподобного снижения размерности оптических спектров, патент РФ № 2 635 331, Бюл. № 31 (2017)
29. А. Е. Краснов, Д. Н. Никольский, А. А. Калачев. Снижение размерности спектральных данных нейроподобным алгоритмом, св-во о гос. рег. программы для ЭВМ, РФ, № 2017612195 (2017)
30. K. G. Jayanta, D. Mohan, S. Tapas. An Introduction to Bayesian Analysis. Theory and Methods, New York, USA, Springer Science+Business Media (2006) 23-26
31. В. П. Боровиков. STATISTICA. Искусство анализа данных на компьютере, 2-е изд., Москва-Санкт-Петербург, ПИТЕР (2003) 409-504
32. A. E. Krasnov, E. N. Nadezhdin, V. S. Galayev, E. A. Zykova, D. N. Nikol’skii, D. S. Repin. Int. J. Appl. Eng. Res., 13, N 8 (2018) 5647-5654
33. А. Е. Краснов, В. М. Смирнов. Способ управления созданием нанокристаллических структур на основе распознавания их оптических спектров, патент РФ № 2657101, бюл. № 16 (2018)
34. V. S. Galayev, A. E. Krasnov, D. N. Nikol’skii, D. S. Repin. Int. J. Appl. Eng. Res., 12, N 21 (2017) 10781-10790
35. А. А. Балашов, В. А. Вагин, Б. Е. Мошкин, В. И. Котлов, О. В. Хитров, А. И. Хорохорин. ПТЭ, № 1 (2008) 179
36. Laurens van der Maaten. J. Machine Learning Res., N 9 (2008) 2579-2605
Review
For citations:
Vagin V.A., Krasnov A.E., Nicol’Skii D.N. FAST METHODS OF REDUCING THE DIMENSION OF SPECTRAL DATA FOR THEIR IMAGING VISUALIZATION. Zhurnal Prikladnoii Spektroskopii. 2019;86(1):116-121. (In Russ.)
Views: 286
Email this article 