ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی

سال انتشار: 1386
محل انتشار: همایش ژئوماتیک 86
کد COI مقاله: GEO86_132
زبان مقاله: فارسیمشاهد این مقاله: 1,743
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی

مجید خلیفه قلی - دانشجوی کارشناسی ارشد سنجش از دور
عباس علیمحمدی - عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی
محمدجواد ولدان زوج - عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده مقاله:

بدلیل پدیده هاف در طبقه بندی داده های ابر طیفی، طبقه بندی کننده های معمولی به تعداد نمونه های آموزشی زیادی نیاز دارند و معمولا نتایج رضایت بخشی بدست نمی آورند. در بسیاری از موارد جمع آوری حجم زیاد مورد نیاز از داده ها مشکل و غیر ممکن است. برای بهبود دقت طبقه بندی، با حجم داده های آموزشی کم، اخیرا روش Support Vector Machines (SVMs) مبتنی بر خواص هندسی داده ها توسط محققین پیشنهاد شده است. در این تحقیق، کارایی و حساسیت SVM به تعداد نمونه های آموزشی کم در مقایسه با طبقه بندی کننده K-Nearest Neighbor (KNN) ارزیابی شده است. داده های ابر طیفی استفاده شده در این تحقیق بوسیله سنجنده Airborne Visible/Infrared Imaging Spectroradiometer (AVIRIS) در ژوئن 1992 در منطقه Indian Pines (Indiana) که شامل انواع مختلف پوشش گیاهی است اخذ شده است. نتایج این تحقیق نشان می دهد که در همه موارد مورد آزمایش با تعداد نمونه های آموزشی مختلف، دقت طبقه بندی به روش SVM بطور قابل توجه ای بیشتر از روش KNN می باشد. بنابراین استفاده از SVM می تواند بعنوان یک راه حل برای مسئله تعداد نمونه های آموزشی برای حصول دقت مناسب در طبقه بندی داده های ابر طیفی مورد توجه قرار گیرد.

کلیدواژه ها:

تصاویر ابر طیفی Support Vector Machines (SVM) ، سنجش از دور ، پدیده هاف

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/15459/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خلیفه قلی، مجید و علیمحمدی، عباس و ولدان زوج، محمدجواد،1386،ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی،همایش ژئوماتیک 86،تهران،،،https://civilica.com/doc/15459

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1386، خلیفه قلی، مجید؛ عباس علیمحمدی و محمدجواد ولدان زوج)
برای بار دوم به بعد: (1386، خلیفه قلی؛ علیمحمدی و ولدان زوج)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • _ G. F. Hughes, «On the mean accuracy of statistical ...
  • J. P. Hoffbeck and D. A. Landgrebe, ،4Covariance matrix estimation ...
  • S. Tadjudin and D. A. Landgrebe, «Covariance estimation with limited ...
  • Q. Jackson and D. A. Landgrebe, ،An adaptive classifier design ...
  • B. M. Shahshahani and D. A. Landgrebe, ، The effect ...
  • A. P. Dempster, N. M. Laird, and D. B. Rubin, ...
  • exp e ctati on-maximiz ation algorithm, ' Signal Process. Mag., ...
  • J. A. Richards and X. Jia, Remote Sensing Digital Image ...
  • L. Bruzzone, F. Roli, and S. B. Serpico, ،0An extension ...
  • J. Kittler, ،#Feature set search algorithm, * in Pattern Recognition ...
  • P. Pudil, J. Novovicova, and J. Kittler, *Floating search methods ...
  • S. B. Serpico and L. Bruzzone, ،A new search algorithm ...
  • C. Lee and D. A. Landgrebe, ،Feature extraction based _ ...
  • L. O. Jimenez and D. A. Landgrebe, ، *Hypersp ectral ...
  • S. Kumar, J. Ghosh, and M. M. Crawford, ، Best-bases ...
  • J. P. Hoffbeck and D. A. Landgrebe, ،، Classification of ...
  • F. Tsai andW. D. Philpot, ،0A derivative- aided hyperspectral image ...
  • V. N. Vapnik, Statistical Learning Theory. New York: Wiley, 1998. ...
  • F. Melgani and L. Bruzzone, ،، Classification of Hyperspectral Remote ...
  • C. Cortes and V. Vapnik. Support vector networks. Machine Learning, ...
  • B. Scholkopf, A. J. Smola, R. C. Williamson, and P. ...
  • V. Vapnik. The Nature of Statistical Learning Theory. Springer Verlag, ...
  • Pai-Hsuen Chen, et al, ،0A Tutorial _ v-Support Vector Machines, ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی