انتخاب ویژگیهای بهینه تصاویر فراطیفی با استفاده از الگوریتم بهینه سازی کلونی زنبورها

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,581

فایل این مقاله در 6 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:

ICMVIP06_135

تاریخ نمایه سازی: 20 فروردین 1390

چکیده مقاله:

امروزه با رشد و توسعه ی سیستمهای سنجش از دور فراطیفی شناسایی و طبقه بندی محدوده وسیعی از پدیده ها با کلاسهای پوشش زمینی مشابه در سطح زمین میسر گردیده است علیرغم این ویژگی منحصر به فرد ابعاد بسیار بالای داده های فراطیفی چالشی جدید در پردازش و تجزیه و تحلیل این داده ها به وجود اورده است این مشکل زمانی بروز می کند که باافزایش ابعاد داده دقت طبقه بندی تا یک حد استانه افزایش و سپس کاهش می یابد . یکی از راه حلها برای غلبه بر این مشکل کاهش دادن ابعاد فضای ورودی با استفاده از روشهای انتخاب ویژگی است در سالهای اخیر الگوریتمهای مبتنی برخرد جمعی به دلیل سادگی و کارایی بالای آنها برای انتخاب بهینه ی کلی در فضایی با ابعاد بالا مورد توجه قرارگرفته است دراین مقاله یک روش جدید انتخاب ویژگی براساس الگوریتم بهینه سازی کلونی زنبورها ارائه می گردد. این الگوریتم الهام گرفته از رفتار زنبورها در طبیعت برای پیدا کردن منابع نکتار و گرده می باشد الگوریتم پیشنهاد شده به منظور انتخاب ویژگیهای بهینه داده های فراطیفی aviris استفاده گردید.

کلیدواژه ها:

نویسندگان

فرهاد صمدزادگان

دانشگاه تهران

تهمینه پرتوی

دانشگاه تهران

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 :
  • ب. مجردی, "استخراج ویژگی به منظور طبقه‌بندی تصاویر ابرطیفی." دکتری, ...
  • M. Chi, L. Bruzzone, 1 Semisupervised Classification of Hyperspectral Images ...
  • D. Landgrebe, "Hyperspectral image data analysis". IEEE Signul Process, Mag., ...
  • J.A. Gualtieri and R.F. Cromp, "Support Vector Machines for Hyperspectral ...
  • H.A. Firpi and E. Goodman, Swarmed Feature Selection, IEEEPatter Recognition. ...
  • _ C. Chang, "Hyperspectral Data Exploitation". John Wiley & Sons ...
  • D.T. Pham, A. Ghanbarzadeh, E. Koc, S. Otri, S. Rahim ...
  • S.T. Monteiro and Y. Kosugi, "A Particle Swarm Optimization- based ...
  • R. Jensen, "Combining rough and fuzzy sets for feature selection". ...
  • H. Rashidy-Kanan, K. Faez, "An Improved Feature Selection Method based ...
  • T. Weise, "Global Optimization Algorithms- Theory and Application". E-book. pp. ...
  • M. Laguna, "Global Optimization and Meta-Heuristis _ _ College of ...
  • W. Siedlecki, and J. Sklansky, "A note On Genetic Algorithms ...
  • Feng. Tan, X. Fu, Y. Zhang and A. Bourgeois, "A ...
  • M.H. Aghdam, N. Ghas em-Aghaee and M.E. Basiri, "Text Feature ...
  • S. Zhou, J.P. Zhand and B.K. Su, "Feature Selection and ...
  • D.T. Pham, M. Mahmuddian, S. Otri and H Al-Jabbouli, "Application ...
  • H. Zhang and G. Sun, "Feature selection using tabu search ...
  • J. Chen, C. Wang and R. Wang, "Using Stacked Generalization ...
  • M. Fauvel, J. Chanussot and J.A. Benediktsson, "Evaluation of kernels ...
  • G. Foody, "Status of land cover classification accuracy assessment, " ...
  • نمایش کامل مراجع