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

High performance of the support vector machine in classifying hyperspectral data using a limited dataset

سال انتشار: 1394
کد COI مقاله: JR_IJMGE-49-2_008
زبان مقاله: انگلیسیمشاهد این مقاله: 280
فایل این مقاله در 16 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 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله High performance of the support vector machine in classifying hyperspectral data using a limited dataset

Amir Salimi - Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
Mansour Ziaii - Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
Mahdieh Hosseinjani Zadeh - Department of Ecology, Institute of Science and High Technology and Environmental Science, Graduate University of Advanced Technology, Kerman, Iran
Ali Amiri - Computer Engineering Group, Faculty of Engineering, Zanjan University, Zanjan, Iran

چکیده مقاله:

To prospect mineral deposits at regional scale, recognition and classification of hydrothermal alteration zones using remote sensing data is a popular strategy. Due to the large number of spectral bands, classification of the hyperspectral data may be negatively affected by the Hughes phenomenon. A practical way to handle the Hughes problem is preparing a lot of training samples until the size of the training set is adequate and comparable with the number of the spectral bands. In order to gather adequate ground truth instances as training samples, a time-consuming and costly ground survey operation is needed. In this situation that preparing enough field samples is not an easy task, using an appropriate classifier which can properly work with a limited training dataset is highly desirable. Among the supervised classification methods, the Support Vector Machine is known as a promising classifier that can produce acceptable results even with limited training data. Here, this capability is evaluated when the SVM is used to classify the alteration zones of Darrehzar district. For this purpose, only 12 sampled instances from the study area are utilized to classify Hyperion hyperspectral data with 165 useable spectral bands. Results demonstrate that if parameters of the SVM, namely C and σ, are accurately adjusted, the SVM can be successfully used to identify alteration zones when field data samples are not available enough.

کلیدواژه ها:

classification, cross-validation, hughes phenomenon, hydrothermal alteration, hyperspectral, SVM

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/488137/

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:
Salimi, Amir and Ziaii, Mansour and Hosseinjani Zadeh, Mahdieh and Amiri, Ali,1394,High performance of the support vector machine in classifying hyperspectral data using a limited dataset,,,,,https://civilica.com/doc/488137

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: (1394, Salimi, Amir؛ Mansour Ziaii and Mahdieh Hosseinjani Zadeh and Ali Amiri)
برای بار دوم به بعد: (1394, Salimi؛ Ziaii and Hosseinjani Zadeh and Amiri)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 7,663
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

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