fa مقایسه کاهش ابعاد حاصل از تکنیکهای PCA و LDA در طبقه بندی داده های بیناب نمایی فروشکست القایی لیزری به روش SVM تخصصی Special تجربی Experimental چکیده – کاهش ابعاد تکنیکی است که به منظور افزایش دقت مدل طبقه بندی مورد استفاده قرار میگیرد. در این پژوهش تاثیر کاهش ابعاد به وسیله ی روش های تحلیل مولفه اصلی(PCA) و تجزیه و تحلیل تفکیک خطی(LDA) در طبقه بندی داده های بیناب نمایی فروشکست القایی لیزری(LIBS) نمونه های آلیاژی آهن -کروم-نیکل با استفاده از روش ماشی بردار پشتیبان(SVM) به همراه دو تابع کرنل خطی و شعاعی(RBF) مورد بررسی قرار گرفت. در روش PCA نتایج طبقه بندی SVM با کرنل خطی و شعاعی به ترتیب 100%ذو 98%حاصل و در روش LDA  نتایج به ترتیب برابر 100 %و 68 %بدست آمد. نتایج پژوهش کارآمدی روش PCA را در مقایسه با روش LDA در ای حوزه به خوبی نشان داد. Dimensional reduction is a technique used to increase the accuracy of the classification model. In this study, the effect of dimensional reduction by Principle Component Analysis(PCA) and Linear Discriminant Analysis(LDA) on the classification of laser-induced breakdown spectroscopy(LIBS) data of iron-chromiumnickel alloy samples was investigated using the Support Vector Machine(SVM) method with two linear and Radial Basis kernel(RBF) functions. For PCA method, classification results for SVM method with linear and radial kernels were %100 and %98, respectively, and for LDA method, these results were %100 and %68, respectively. The results showed that the PCA method was more effective than the LDA method in this field. ماشین بردار پشتیبان, بیناب نمایی فروشکست القایی لیزری, تحلیل مولفه اصلی, تجزیه و تحلیل تفکیک خطی, توابع کرنل Support Vector Machine(SVM), Laser Induced Breakdown Spectroscopy(LIBS), Principle Component Analysis(PCA), Linear Discriminant Analysis(LDA), Kernel Function 780 783 http://opsi.ir/browse.php?a_code=A-10-1971-255&slc_lang=fa&sid=1 Yashar Ahmadi alinasab یاشار احمدی عالی نسب yasharahmadi1375@gmail.com 100319475328460010860 100319475328460010860 Yes مرضیه همتی فارسانی marziyeh.hemati.22@gmail.com 100319475328460010861 100319475328460010861 No محمدرضا دربانی darbany@mut-es.ac.ir 100319475328460010862 100319475328460010862 No