Resumen

La estimación precisa de la matriz de covarianza para datos de alta dimensión puede ser un problema difícil. Una buena aproximación de la matriz de covarianzas necesita en la mayoría de los casos un número prohibitivo de píxeles, es decir, píxeles de una sección estacionaria de la imagen cuyo número sea superior a varias veces el número de bandas. La estimación de la matriz de covarianza con un número de píxeles del orden del número de bandas o inferior provocará no sólo una mala estimación de la matriz de covarianza, sino también una matriz de covarianza singular que no puede invertirse. En este artículo investigaremos dos métodos para obtener una aproximación suficiente de la matriz de covarianza utilizando sólo un pequeño número de píxeles vecinos. El primero es la matriz de covarianza cuasilocal (QLRX) que utiliza la varianza de la covarianza global en lugar de las varianzas que son demasiado pequeñas y causan una covarianza singular. El segundo método es la transformación de matriz dispersa (SMT) que realiza un conjunto de rotaciones K-givens para estimar la matriz de covarianza. Compararemos los resultados de la adquisición de objetivos basados en ambos métodos. Se sugiere una mejora del algoritmo SMT.

• Materias:Redes Inalámbricas Modelo computacional Teoría de códigos Sistemas de comunicación Procesamiento de datos
• Subjects:Wireless Networks Computational Model Code theory Communication systems Data processing
• Palabras claves:matriz de covarianza, número, píxeles, estimación precisa de la matriz de covarianza, matriz de covarianza cuasilocal, matriz de covarianza singular, transformada de matriz dispersa, bandas, métodos, algoritmo smt
• Keywords:covariance matrix, number, pixels, accurate covariance matrix estimation, quasilocal covariance matrix, singular covariance matrix, sparse matrix transform, bands, methods, smt algorithm