TM影像的分辨率问题1 TM影像的分辨率为30米---------指的是 所能分辨的最小的纯像元的大小为30m×30m？2 使用ENVI软件对所用的TM影像进行分类前处理时，一般进行的是最小噪声分离（MNF）、缨帽变换（K-T）、归一化植被指数（NDVI）、主成分分析（PCA）、纹理分析，我所做的是：原TM影像（无第6波段）→MNF→取前4个波段原TM影像（无第6波段）→K-T→3个波段（亮度，湿
如何通俗易懂地讲解什么是 PCA 主成分分析？ 很多人对回归分析都很熟悉，它的数学形式是这样的：这意味着我们有一个标记好的变量y，它是我们的正确答…
为什么说主成分分析对噪声敏感？必须要求小的符合高斯分布的噪声？ 占个坑回答一下。首先回顾一下PCA对于某一采样，采样数据，。对于无噪声估计，假设每组 能够视…
用ENVI进行主成分分析 最低0.27元开通文库会员，查看完整内容>；原发布者：haixiaohouseENVI主成分分析(PCA)是通过使用PrincipalComponents选项生成互不相关的输出波段，达到隔离噪声和减少数据集的维数的方法。由于多波段数据经常是高度相关的，主成分变换寻找一个原点在数据均值的新的坐标系统，通过坐标轴的旋转来使数据的方差达到最大，从而生成互不相关的输出波段。主成分（PC）波7a64e4b893e5b19e31333433623763段是原始波谱波段的线性合成，它们之间是互不相关的。可以计算输出主成分波段（与输入的波谱波段数相同）。第一主成分包含最大的数据方差百分比，第二主成分包含第二大的方差，以此类推，最后的主成分波段由于包含很小的方差（大多数由原始波谱的噪声引起），因此显示为噪声。由于数据的不相关，主成分波段可以生成更多种颜色的彩色合成图像。ENVI能完成正向和逆向的主成分（PC）旋转。1.正向主成分（PC）旋转正向PC旋转用一个线性变换使数据方差达到最大。当使用正向PC旋转时，ENVI允许计算新的统计值，或根据已经存在的统计值进行旋转。输出值可以存为字节型、浮点型、整型、长整型或双精度型。也可以基于特征值来提取PC旋转的输出内容，生成只包含所需的PC波段的输出。计算新的。
独立成分分析 ( ICA ) 与主成分分析 ( PCA ) 的区别在哪里？ 小声的补充几点。一、PCA和ICA的用途完全不同。如果只在意数据的能量或方差、假设噪声或不感兴趣的信号都…
如何通俗易懂地讲解什么是 PCA 主成分分析？ 图片来源：winefolly.com 祖母：很有趣！所以这PCA检查哪些特性是冗余的，然后丢弃它们？你：问得好，奶奶！不，PCA并没有选择一些特性然后丢弃其余。相反，它创建一些 新 。
主成分分析法（PCA） 3.2.2.1 技术原理主成分分析方法（PCA）是常用的数据降维方法，应用于多变量大样本的统计分析当中，大量的统计数据能够提供丰富的信息，利于进行规律探索，但同时增加了其他非主要因素的干扰和问题分析的复杂性，增加了工作量，影响分析结果的精确程度，因此利用主成分分析的降维方法，对所收集的资料作全面的分析，减少分析指标的同时，尽量减少原指标包含信息的损失，把多个变量（指标）化为少数几个可以反映原来多个变量的大部分信息的综合指标。主成分分析法的建立，假设xi1，xi2，…，xim是i个样品的m个原有变量，是均值为零、标准差为1的标准化变量，概化为p个综合指标F1，F2，…，Fp，则主成分可由原始变量线性表示：地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例计算主成分模型中的各个成分载荷。通过对主成分和成分载荷的数据处理产生主成分分析结论。3.2.2.2 方法流程1）首先对数据进行标准化，消除不同量纲对数据的影响，标准化可采用极值法及标准差标准化法其中s＝（图3.3）；图3.3 方法流程图2）根据标准化数据求出方差矩阵；3）求出共变量矩阵的特征根和特征变量，根据特征根，确定主成分；4）结合专业知识和各主成分所蕴藏的信息。
如何通俗易懂地解释主成分分析和因子分析？ 主成分分析（PCA）是一种统计过程，它使用正交变换将一组可能相关的变量的观察值转换为一组称为主成分的线性不相关变量的值。如果有变量的观察值，则不同主成分的数量是。这种变换是这样定义的，即第一主成分具有最大可能方差（即，尽可能多地考虑数据中的可变性），并且在约束条件下每个随后的成分又可能具有最高的方差这是正交于前面的组件。得到的向量是不相关的正交基集。PCA对原始变量的相对比例敏感。PCA是通过于1901年发明的皮尔逊，为的类似物主轴定理在力学；它后来由Harold Hotelling在20世纪30年代独立开发并命名。根据应用领域的不同，它也被称为信号处理中的离散Karhunen-Loève变换（KLT），多变量质量控制中的霍特林变换，机械工程中的适当正交分解（POD），奇异值分解（SVD）的X（Golub和Van Loan，1983），特征值分解（EVD）线性代数中的X T X，因子分析（关于PCA与因子分析之间的差异的讨论参见Jolliffe的主成分分析第7章），Eckart-Young定理（Harman，1960）或Schmidt-Mirsky定理在心理测量学，气象科学经验正交函数（EOF），经验特征函数分解（Sirovich，1987），经验分量分析（Lorenz，1956），准同调模式（Brooks等，1988），噪声和振动的谱分解，结构。
