Resumen

Presentamos un método de descomposición aleatoria de valores singulares (rSVD) con fines de compresión sin pérdidas, reconstrucción, clasificación y detección de objetivos con datos hiperespectrales (HSI). Trabajos recientes en aproximaciones de matrices de bajo rango obtenidas a partir de proyecciones aleatorias sugieren que estas aproximaciones son muy adecuadas para la reducción aleatoria de dimensionalidad. Se evalúan los errores de aproximación de la rSVD en HSI y se comparan con técnicas deterministas y con otros métodos aleatorios de aproximación de matrices de bajo rango que implican el análisis compresivo de componentes principales. Las pruebas numéricas sobre datos HSI reales sugieren que el método es prometedor y resulta especialmente eficaz para la interrogación de datos HSI.

• 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:análisis compresivo de componentes principales, descomposición aleatoria del valor singular, métodos de aproximación de matrices de rangos, interrogación de datos hsi, reducción aleatoria de la dimensionalidad, aproximaciones de matrices de rangos, datos reales hsi, hsi, método, rsvd
• Keywords:compressive principal component analysis, randomized singular value decomposition, rank matrix approximation methods, hsi data interrogation, randomized dimensionality reduction, rank matrix approximations, real hsi data, hsi, method, rsvd