تعیین توصیفگرهای بهینه در خوشه بندی داده های لیدار با استفاده از الگوریتم ژنتیک
Authors
abstract
در سالهای اخیر، تکنولوژی لیدار به عنوان یک تکنولوژی کارآمد در کسب اطلاعات سهبعدی از زمین شناخته شده و هر روز بیش از پیش مورد توجه مهندسین و متخصصان مهندسی ژئوماتیک قرار میگیرد. استخراج عوارض از دادههای لیدار به عنوان یکی از مسائل مهم در پردازش این اطلاعات به شمار میآید. یکی از راههای استخراج اتوماتیک عوارض از این دادهها استفاده از الگوریتمهای خوشهبندی میباشد. تعیین روش بهینه خوشهبندی، تعداد خوشه بهینه و همچنین توصیفگرهای بهینه از جمله مسائل مهم در خوشهبندی این دادهها میباشند که تاکنون یک جواب ثابت و جهانی برای آنها ارائه نشده است. هدف از این تحقیق، تعیین توصیفگرهای بهینه در خوشهبندی دادههای لیدار میباشد. برای این منظور، از یک نمونه داده لیدار 147 توصیفگر بافتی استخراج شده و با مینیمم کردن معیار nce با کمک الگوریتم ژنتیک، که به عنوان یکی از الگوریتمهای قوی در حل مسائل بهینهسازی مطرح میباشد، توصیفگرهای بهینه استخراج شدند. نتایج بدست آمده کارآیی الگوریتم ژنتیک در بهینهسازی و نیز بهینه بودن توصیفگرهای انتخابشده را نشان میدهند.
similar resources
تعیین توصیفگرهای بهینه در خوشهبندی دادههای لیدار با استفاده از الگوریتم ژنتیک
در سالهای اخیر، تکنولوژی لیدار به عنوان یک تکنولوژی کارآمد در کسب اطلاعات سهبعدی از زمین شناخته شده و هر روز بیش از پیش مورد توجه مهندسین و متخصصان مهندسی ژئوماتیک قرار میگیرد. استخراج عوارض از دادههای لیدار به عنوان یکی از مسائل مهم در پردازش این اطلاعات به شمار میآید. یکی از راههای استخراج اتوماتیک عوارض از این دادهها استفاده از الگوریتمهای خوشهبندی میباشد. تعیین روش بهینه خوشهبند...
full textیک روش ترکیبی خوشه بندی مبتنی بر الگوریتم ژنتیک با استفاده از عملگر های جدید تغییر
The clustering problem under the criterion of minimum sum of squares is a non-convex and non-linear program, which possesses many locally optimal values, resulting that its solution often being stuck at locally optimal values and therefore cannot converge to global optima solution. In this paper, we introduce several new variation operators for the proposed hybrid genetic algorithm for the cl...
full textبهینه سازی زمان بندی الگوریتم های موازی با استفاده از الگوریتم ژنتیک
In scheduling, a set of machines in parallel is a setting that is important, from both the theoretical and practical points of view. From the theoretical viewpoint, it is a generalization of the single machine scheduling problem. From the practical point of view the occurrence of resources in parallel is common in real-world. When machines are computers, a parallel program can be conceived as a...
full textخوشه بندی خودکار داده های مختلط با استفاده از الگوریتم ژنتیک
مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. در مسائل خوشهبندی در دنیای واقعی، اغلب با مجموعه دادههایی مواجهیم که از ترکیبی از مقادیر عددی و دستهای تشکیل شدهاند. در حالیکه اغلب روشهای خوشهبندی موجود تنها بر روی دادههای عددی از کارایی مناسبی برخوردارند و قابلیت استفاده بر روی دادههای مختلط را ندارند. از س...
full textحل هم زمان خوشه بندی و تعیین باندهای بهینه داده های فراطیفی با استفاده از الگوریتم بهینه سازی توده ذرات
امروزه با رشد و توسعه ی سیستم های سنجش از دور و تولید داده های فراطیفی با قدرت تفکیک طیفی بالا انتظار می رود که شناسایی پدیده ها با دقت بیشتری انجام گیرد و دقت خوشه بندی کلاس های پوشش زمینی مشابه افزایش یابد. با وجود چنین پیشرفتی، اطلاعات طیفی با ابعاد زیاد همچنان مسئله ای چالش برانگیز در پردازش و تجزیه و تحلیل داده قلمداد می شود، به گونه ای که با افزایش ابعاد داده، دقت خوشه بندی تا یک حد آستان...
full textبهینه سازی مسیر تردد سرویسهای حمل و نقل یک شرکت، با استفاده از خوشه بندی و الگوریتم ژنتیک
یکی از راهکارهای استفاده پایدار از منابع، سیستم حمل و نقل ادارات است. امروزه، سامانه های حمل و نقل به صورت دلخواه و با نظر افراد تعیین می شوند، در حالی که این انتخاب بهینه نیست. بنابراین باید روشی اتخاذ شود که بتوان این مسئله را به صورت کارآمد مدل کرد. از سوی دیگر در صورتی که تعداد کارمندان در یک شرکت زیاد باشد، فضای جستجوی مسئله افزایش پیدا کرده و استفاده از الگوریتمهای ریاضی مشکل است. به همین...
full textMy Resources
Save resource for easier access later
Journal title:
مهندسی نقشه برداری و اطلاعات مکانیجلد ۷، شماره ۱، صفحات ۲۷-۴۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023