قطعهبندی و طبقه بندی با استفاده از نقشه های خود سامانده با تکیه بر کتابخانه های طیفی مواد معدنی

محل انتشار: همایش ژئوماتیک 89
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,474

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GEO89_144

تاریخ نمایه سازی: 20 مهر 1389

چکیده مقاله:

امروزه سنجش از دور در محدوده طیفی مادون قرمز با هدف شناسایی کانی ها و مواد معدنی و توزیع آنها روی سطوح زمینی و نجومی یک فعالیت مداوم و رو به پیشرفت محسوب می شود. حجم وسیعی از داده های طیفی که در حال حاضر موجود و قابل دستیابی هستند و یا در ماموریت های فضایی آینده اخذ خواهند شد نشان از چالشی بزرگ برای دانشمندان و محققان دارد تا بتوانند از این داده ها اطلاعاتی مفید و کاربردی استخراج نمایند. نیاز به روش های اتوماتیک برای تسهیل در این فرایند به وضوح احساس می شود. تفکیک و سازمان دادن این داده ها در قطعه های معنی دار، یک مرحله حیاتی از آنالیز داده های سنجش از دور به حساب می رود که می توان آن را تکنیک خوشهبندی یا قطعه بندی نامید. در این مقاله یک طرح طبقه بندی و قطعه بندی اتوماتیک بر مبنای نقشه های خود سامانده SOM ارائه شده است SOM یک نوع از شبکه های عصبی غیر نظارت شده است که تابحال در موارد بسیاری از آنها به منظور قطعه بندی داده های سنجش از دور و شناسایی آنومالی ها استفاده شده است. شکل بسط یافته ای از شاخص اعتبارسنجی،Davies-Bouldin جهت تعیین تعداد بهینه قطعه ها به صورت خودکار مورد استفاده قرار گرفته است. این طرح با کتابخانه های طیفی کانی ها و مواد معدنی که در دانشگاه آریزوناASU) و جان هاپکینز JHU) تهیه شده و نمونه هایشان به شکل درختی با نامهای کلاس، زیر کلاس، و گروه برچسب گذاری شده بودند، آموزش داده شده و تست شد. این برچسب ها برای سنجش میزان خلوص طیفی قطعه های بدست آمده و دقت طبقه بندی بکار رفته اند جزئیات روش SOM روند تست ها، و سنجش کارآمدی روش پیشنهادی، به تفصیل توضیح داده شده است. نتایج آزمایشات و تست ها نشان می دهد که روش SOM می تواند عنصر مهمی در سیستم های خودکار طراحی شده برای شناسایی و پی جویی کانی ها از داده های بازتابی سطح زمین در محدوده طیفی مادون قرمز باشد

نویسندگان

محمد مقری

دانشجوی کارشناسی ارشد سنجش از دور دانشگاه صنعتی خواجه نصیرالدین طوسی

محمدجواد ولدان زوج

دانشیار دانشگاه صنعتی خواجه نصیرالدین طوسی

محمودرضا صاحبی

استادیار دانشگاه صنعتی خواجه نصیرالدین طوسی

ماهیار سلطانی

عضو هیئت علمی مرکز ICT پیشرفته دانشگاه صنعتی شریف

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • E. M. T. Villmann and B. Hammer, "Neural maps in ...
  • Website, http:/ts.asu. edu/webd ata/count _ .html. ...
  • learning challenges in Mars rover traverse Machineء [3] R. L. ...
  • T. L. Roush, M. Shipman, R. Morris, P. Gazis, and ...
  • J. Abonyi, S. Nemeth, C. Vincze, and P. Arva, "Process ...
  • M. Hiirsalmi, "Abnormality detection using SOM modeling, " MOD US-project ...
  • inspection by spectral features in ceramics industry, " in Visualء ...
  • [15] T. Kohonen, Self- Organizing Maps. New York: Spr inger-Verlag, ...
  • H. Tokutaka, K. Yoshihara, K. Fujimara, K. Iwamota, and K. ...
  • R. C. Hogan and T. L. Roush, "SOM Classification of ...
  • T. L. Roush, J. Helbert, R. C. Hogan, and A. ...
  • G. A. Marzo, T. L. Roush, A. Blanco, S. Fonti, ...
  • W. H. Press, S. A. Teukolsky, W. T. Vettering, and ...
  • P. R. Christensen, J. L. Bandfield, V. E. Hamilton, D. ...
  • J. W. Salisbury, L. S. Walter, N. Vergo, and D. ...
  • نمایش کامل مراجع