مقایسه عملکرد روشهای هوشمند شبکههای عصبی مصنوعی و ماشین بردار پشتیبان در شناسایی خودکار اهداف استوانهای پنهان در تصاویر رادار نفوذی به زمین
Authors
Abstract:
در مطالعه حاضر از روش غیرمخرب و با قدرت تفکیک زیاد رادار نفوذی به زمین (GPR) جهت آشکارسازی و شناسایی مشخصات هندسی اهداف به شکل استوانه افقی مدفون همانند انواع ساختارهای تونلی، استفاده شده است. دستیابی به چنین مقصودی براساس تعیین ارتباط بین مشخصات هندسی اهداف استوانهای مدفون و پارامترهای هذلولی پاسخ GPR مربوطه، با استفاده از روشهای هوشمند شبکههای عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) صورت پذیرفته است. برای این منظور ابتدا پاسخ سیستم GPR برای 194 مدل مصنوعی مختلف شامل اشیاء استوانهای شکل متناظر با اهداف ژئوتکنیکی متداول (ساختارهای استوانهای همچون تونلها، کانالها، قناتها و خطوط لوله)، با استفاده از مدلسازی پیشرو به روش تفاضل محدود دوبعدی بهبودیافته، مدلسازی شد. سپس از نتایج آن با استفاده از الگوریتم تجزیه مقدار تکین، ویژگیهای متمایز و منحصربهفرد شامل مقادیر ویژه و نرم مقادیر ویژه ماتریس تصاویر GPR در راستای افقی (فضای بین تریسی) و عمودی (فضای درون تریسی) استخراج گردید و به عنوان دادههای ورودی در الگوریتمهای ANN و SVM جهت تخمین مشخصات هندسی شامل شعاع، موقعیت افقی و موقعیت قائم (عمق دفن) اهداف استوانهای مدفون، مورد استفاده قرار گرفت. عملکرد روشهای استفاده شده، برای تصاویر واقعی GPR در حضور نوفهها نیز ارزیابی شد و نتایج قابل قبولی حاصل گردید بهگونهایکه ANN و SVM پارامترهای هندسی هدف معین مدفون را با متوسط خطای بهترتیب 5 و 9 درصد تخمین زدند. نتایج پژوهش حاضر نشان میدهد که هر دو روش هوشمند مورد استفاده، قابلیت کاربرد برجا، سریع، دقیق و خودکار را برای اهداف ژئوتکنیکی واقعی دارا میباشند هرچند درمجموع روش ANNنسبت به روش SVM از خطای کمتر و در نتیجه قدرت تخمین بالاتر پارامترهای هندسی اهداف استوانهای مدفون برخوردار است.
similar resources
مقایسه عملکرد روش های هوشمند شبکه های عصبی مصنوعی و ماشین بردار پشتیبان در شناسایی خودکار اهداف استوانه ای پنهان در تصاویر رادار نفوذی به زمین
در مطالعه حاضر از روش غیرمخرب و با قدرت تفکیک زیاد رادار نفوذی به زمین (gpr) جهت آشکارسازی و شناسایی مشخصات هندسی اهداف به شکل استوانه افقی مدفون همانند انواع ساختارهای تونلی، استفاده شده است. دست یابی به چنین مقصودی براساس تعیین ارتباط بین مشخصات هندسی اهداف استوانه ای مدفون و پارامترهای هذلولی پاسخ gpr مربوطه، با استفاده از روش های هوشمند شبکه های عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm)...
full textشناسایی گردوغبار در تصاویر ماهوارهای MODIS با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری
یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیدهی گردوغبار است. در سالهای اخیر این پدیده در ایران ابعاد تازهای گرفته و از یک معضل محلی، به مسئلهای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن میباشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهوارهای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر...
full textشناسایی گردوغبار در تصاویر ماهواره ای modis با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری
یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده ی گردوغبار است. در سال های اخیر این پدیده در ایران ابعاد تازه ای گرفته و از یک معضل محلی، به مسئله ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر...
full textتعیین پارامترهای هندسی اهداف استوانهای پنهان در تصاویر رادار نفوذی به زمین با استفاده از الگوریتم تطبیق الگوی سریع
در مطالعه حاضر از روش رادار نفوذی به زمین (GPR) جهت تعیین مشخصات هندسی و فیزیکی اهداف استوانهای مدفون نظیر انواع ساختارهای تونلی استفاده شده است. برای این منظور از روش تطبیق الگو بهکمک روابط ریاضی موجود بین مشخصات هندسی هدف استوانهای شامل شعاع، عمق دفن و موقعیت افقی، با پارامترهای هذلولی پاسخ، استفاده شد. روش تطبیق الگو از طریق بکارگیری دو روش تعیین ...
full textمقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربریهای اراضی از تصاویر ماهوارهای لندست TM
Land use classification and mapping mostly use remotely sensed data. During the past decades, several advanced classification methods such as neural network and support vector machine (SVM) have been developed. In the present study, Landsat TM images with 30m spatial resolution were used to classify land uses through two classification methods including support vector machine and neural network...
full textمقایسه عملکرد ماشین بردار پشتیبان و شبکه عصبی مصنوعی در برآورد ارتفاع آب معادل برف در حوضه آذربایجان شرقی
برف و برفاب در حوضههای کوهستانی و مرتفع عامل مهم و کنترلکننده رژیم جریان محسوب شده و به عنوان منبع اصلی تأمین آب نقش بسیار مهمی را ایفا مینماید. به همین دلیل در مناطق کوهستانی هیدرولوژی برف اهمیت و ارزش زیادی دارد. علاوه بر این تخمین، شبیهسازی و پیشبینی جریان ناشی از ذوب برف و باران در زمینههای مختلف دارای اهمیت و کاربرد میباشد که از جمله آن تأمین آب شرب، کشاورزی، صنعت و تفرجگاهها، تنظی...
full textMy Resources
Journal title
volume 10 issue 26
pages 83- 98
publication date 2015-03-01
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023