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

استفاده از ترکیب طبقه بندی کننده ها به منظور طبقه بندی داده های ابرطیفی

تعداد صفحات: 12 | تعداد نمایش خلاصه: 2191 | نظرات: 0
سال انتشار: 1385
محل انتشار: همایش ژئوماتیک 85
کد COI مقاله: GEO85_32
زبان مقاله: فارسی
(فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.

قیمت این مقاله : 0 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله استفاده از ترکیب طبقه بندی کننده ها به منظور طبقه بندی داده های ابرطیفی

چکیده مقاله:

طبقه بندی داده های ابر طیفی یکی از مهمترین مسائل در استخراج اطلاعات از داده های ابر طیفی می باشد. با افزایش تعداد باندها، تعداد داده های آموزشی مورد نیاز جهت نمایش کلاسها در فضای ویژگی افزایش می یابد. از طرف دیگر با افزایش تعداد باندها در فضای ویژگی ورودی، فضای فرضیات نیز به طور نمایی رشد می کند که این امر عملکرد طبقه بندی را تاحد زیادی غیر مطمئن می سازد. در این مقاله از ترکیب طبقه بندی کننده ها به منظور طبقه بندی داده های ابر طیفی استفاده شده است. در روش پیشنهادی فضای ویژگی اولیه به زیر فضاهایی با ابعاد پایین تر تبدیل می شوند. ساختن این زیرفضاها با نمونه برداری تصادفی ویژگی ها از فضای اولیه صورت می گیرد. سپس بر روی هر کدام از این زیر فضاها یک طبقه بندی کننده بیز اعمال و خروجی آنها با چهارروش Max, Min, Mean و Product با یکدیگر ترکیب می شوند. برای یافتن بهترین تعداد زیرفضاها و همچنین بهترین تعداد ویژگیها در هر زیر فضا، تمامی ترکیب های ممکن مورد بررسی قرار گرفت. نتایج عملی بر روی داده های AVIRIS نشان می دهد که ترکیب ده زیر فضای 2 عضوی می تواند به عنوان بهترین ترکیب مورد استفاده قرار گیرد. مقایسه روشهای مختلف ترکیب نیز نشان می دهد که روشهای Mean و Product نسبت به روشهای دیگر دارای عملکرد بهتری می باشند.

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/5662/

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:
مقصودی مهرانی، یاسر و علیمحمدی، عباس و والدان، محمدجواد و مجردی، برات،1385،استفاده از ترکیب طبقه بندی کننده ها به منظور طبقه بندی داده های ابرطیفی،همایش ژئوماتیک 85،تهران،،،https://civilica.com/doc/5662

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: (1385، مقصودی مهرانی، یاسر؛ عباس علیمحمدی و محمدجواد والدان و برات مجردی)
برای بار دوم به بعد: (1385، مقصودی مهرانی؛ علیمحمدی و والدان و مجردی)
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 :

  • یاسر مقصودی مهرانی، مروری بر روشهای مختلف ترکیب طبقه بندی ...
  • Pi-Fuei Hsieh and David Landgrebe. Classification of High Dimensional Data, ...
  • G.F. Hughes. On the mean accuracy of statistical pattern recognizers, ...
  • David Landgrebe. Signal Theory Methods in Multispectral Remote Sensing, A ...
  • Shailesh Kumar , B. Tech , and M.A. Modular Learning ...
  • T.G. Dietterich. Machine learning research: four current directions. American Association ...
  • L. Breiman. Bagging predictors, Machine Learning, pp.123 140, 1996. ...
  • R. E. Schapire. The strength of weak learnability, Machine Learning, ...
  • T.G. Dietterich. Ensemble methods in machine learning. In Proc. of ...
  • http ://dynamo _ ecn.purdue.edu/ -b i eh/multispec/d O cumentati on.html ...
  • Lei Xu, Adam Kryzak, and Ching Y. Suen. Methods of ...
  • Lam, L., Suen, C.Y. Application of majority voting to pattern ...
  • Ho, T.K., Hull, J.J., Srihari, S.N. Decision combination in multiple ...
  • J. Kittler. Improving recognition rates by classifier combination, In the ...
  • J. Kittler. Combining classifiers: a theoretical framework. Pattern Analysis, Appl. ...
  • J. Kittler, M. Hatef, Duin, R.P.W, and J. Matas. On ...
  • 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