en تحلیل دستخط فارسی با استفاده از مؤلفه‌های اصلی تابعی عمومى General پژوهشي Research <p><span dir="RTL">یکی از روش‌های متداول در تحلیل داده‌های چندبعدی عبارت است از تحلیل مؤلفه‌های اصلی. همچنین از این روش برای مطالعه‌ی پراکندگی و کاهش حجم داده‌های تابعی نیز استفاده می‌شود. از طرف دیگر، یکی از داده‌هایی که معمولاً با روش‌های غیر تابعی مانند تحلیل شکل مورد بررسی قرار می‌گیرد داده‌ی مربوط به &laquo;دستخط&raquo; می‌باشد. با اضافه کردن عامل زمان، &laquo;دستخط&raquo; تبدیل به یک داده با بعد بی‌نهایت یا به عبارتی یک داده‌ی تابعی می‌شود. در این مقاله یک نمونه از داده‌های تابعی دستخط فارسی، مربوط به کلمه‌ی &laquo;مهر&raquo;، به روش تحلیل مؤلفه‌های اصلی تابعی مورد مطالعه قرار گرفته است.</span></p> <p>Principal components analysis is a well-known statistical method in dealing with large dependent data sets. It is also used in functional data for both purposes of data reduction as well as variation representation. On the other hand &quot;handwriting&quot; is one of the objects, studied in various statistical fields like pattern recognition and shape analysis. Considering time as the argument, the handwriting would be an infinite dimensional data; a functional object. In this paper we try to use the <em>functional principal components analysis</em> (FPCA) to the Persian handwriting data, analyzing the word <em>Mehr</em> which is the Persian term for Love.</p> تحلیل مؤلفه‌های اصلی تابعی, تحلیل داده‌های تابعی, داده‌های دستخط, تحلیل مؤلفه‌های اصلی تابعی دومتغیره Principal components analysis, functional data analysis, B-spline smoothing, on-line handwriting 141 160 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-90&slc_lang=en&sid=1 Yasaman Hosseinkashi یاسمن حسین کاشی yhossein@uwaterloo.cam 1003194753284600607 1003194753284600607 Yes Khalil Shafie خلیل شفیعی khalil.shafie@unco.edu 1003194753284600608 1003194753284600608 No