ارائه روشی برای طبقه بندی داده های ابرطیفی aviris ، با استفاده از استخراج ویژگی و ترکیب طبقه بندی کننده ها
Authors
abstract
یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش ازتلفیق این دو روش استفاده شده است، بدن تربیت که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس افتاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهشت، تصویر سنجیده aviris مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در آمریکاست. پس از پیاده سازی روش استخراج ویژگی غیر پارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 در صد و در روش پیشنهای دقیت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهاید در این پژوهش مناسب تر به نظر می رسد.
similar resources
ارائه یک سیستم طبقه بندی کننده چندگانه فازی برای ادغام داده های فراطیفی و لیدار
محدودیتهای سنجندههای مختلف سنجش از دور و ضعف آنها در شناسایی عوارض مختلف باعث شد ادغام دادههای حاصل از سنجندههای مختلف به منظور بهبود نتایج طبقه بندی مورد توجه قرار گیرد. در میان سنجندههای مختلف کنونی، در سالهای اخیر دو سنجنده فراطیفی و لیدار به منظور طبقهبندی زمین بسیار پرکاربرد بودهاند. دادههای حاصل از لیدار اطلاعات ارتفاعی مناسبی را از عوارض زمینی به ویژه عوارض دارای ارتفاع مانند سا...
full textطبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر
طبقهبندی زعفران به عنوان گرانترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجهبندی زعفران استفاده میشود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونهها انجام میشود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام میگیرد. طبق نظر متخصصان، استفاده از تکنیکهای یادگیری ماشین برای طبقهبندی زعفران به دلیل داشتن ماهیت غیر مخ...
full textروشی نوین به منظور طبقه بندی داده های چند بازگشتی لایدار با استفاده از اطلاعات هندسی مجاورتی و فضای پدیده
دادههای اخذ شده توسط سیستمهای لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتاً بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم میآورند. طبقهبندی و تفکیک داده<...
full textمقایسه ی الگوریتم های مختلف طبقه بندی داده ها برای تعیین نوع زردی در نوزادان
Background and Aim: Neonatal jaundice is a matter that is very important for clinicians all over the world because this disease is one of the most common cases that requires clinical care. The aim of this study is to use data classification algorithms to predict the type of jaundice in neonates, and therefore, to prevent irreparable damages in future. Materials and Methods: This is a descripti...
full textطبقه بندی و استخراج ویژگی الکتروانسفالوگرام صرعی با استفاده از روش های PCA،ICA،EMD،DWT و SVM
هدف این مقاله طبقه بندی سیگنال های الکتروانسفالوگرام به دو دسته صرعی و سالم می باشد. برای دستیابی به بالاترین دقت، از تکنیک های مختلف استفاده شده است. روش های تبدیل موجک و تجزیه حالت تجربی برای استخراج ویژگی های مورد نظر از این سیگنال ها به کار رفته است. این دو روش از لحاظ تاثیر در فرآیند طبقه بندی با یکدیگر مقایسه شده اند. جهت کاهش ابعاد فضای ویژگی، روش های تحلیل اجزای مستقل و اصلی مورد استفاد...
full textاستخراج ویژگیهای نوین برای طبقه بندی مدولاسیون با استفاده از یک دمدولاتور 8PSK
In this paper a feature-based modulation classification algorithm is developed for discriminating PSK signals. The candidate modulation types are assumed to be QPSK, OQPSK, π/4 DQOSK and 8PSK. The proposed method applies an 8PSK baseband demodulator in order to extract required features from observed symbols. The received signal with unknown modulation type is demodulated by an 8PSK demodulator...
full textMy Resources
Save resource for easier access later
Journal title:
سنجش از دور و gis ایرانجلد ۱، شماره ۱، صفحات ۰-۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023