ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

طبقه بندی تصاویر سنجش از دور فراطیفی به کمک ماشین های بردار پشتیبان

سال انتشار: 1388
محل انتشار: همایش ژئوماتیک 88
کد COI مقاله: GEO88_033
زبان مقاله: فارسیمشاهده این مقاله: 2,250
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 طبقه بندی تصاویر سنجش از دور فراطیفی به کمک ماشین های بردار پشتیبان

رضا شاه حسینی - گروه مهندسی نقشه برداری، دانشکده فنی، دانشگاه تهران
سعید همایونی
محمدرضا سراجیان

چکیده مقاله:

با پیشرفت های نوین در سنجش از دور و تولید داده های فراطیفی با اطلاعات طیفی فراوان، امید زیادی به استفاده از این داده ها جهت مطالعه دقیق پدیده ها و طبقه بندی موفق کلاسهای پوشش زمینی ایجاد شده است. علی رغم این ویژگی مفید و مهم ، تعدد باندها یا به عبارت دیگر اطلاعات طیفی با ابعاد زیاد ، چالشی جدی در پردازش و تجزیه تحلیل این داده ها در برابر پژوهشگران قرار داده است. این دشواری، به ویژه، در طبقه بندی تصاویر در مرحله جمع آوری داده های آموزشی و آموزش طبقه بندی کننده ها، خودنمایی می کند. لذا، برای حل این مشکل، مطالعه و پژوهش بر روی روش هایی که برای طبقه بندی نیاز به داده های آموزشی کم تری دارند، مورد توجه قرار گرفته است . یکی از این روش ها که در سالهای اخیر بسیار موفقیت آمیز بوده است، الگوریتمی بر پایه ماشین های بردار پشتیبان (SVM) است که از تئوری یادگیری آماری استخراج شده است.در این مقاله ، کارایی روش ماشین های بردار پشتیبان در طبقه بندی تصاویر فراطیفی مورد بررسی قرار گرفته است . ویژ گی اصلی این روش، توانایی آن در بکار گیری داده هایی با ابعاد طیفی زیاد و عدم نیاز به مرحله انتخاب ویژگی ها و یا کاهش ابعاد می باشد. ماشین های بردار پشتیبان ، از لحاظ فرمول بندی، دارای دو فرم یگانه و دوگانه هستند. در اغلب موارد ، این دو فرم معادل یکدیگرند . ولی برای بهینه سازی فرم یگانه، که یک رابطه بدون قید است، از هر روشی می توان برای بهینه سازی است فاده کرد . در حالی که برای بهینه سازی فرم دوگانه، بایستی از روش ضرائب نامعین لاگرانژ استفاده کرد. در این پژوهش، در گام اول، الگوریتمی جهت طبقه بندی داده های فراطیفی با استفاده از ماشین های بردار پشتیبان به فرم دوگانه، پیاده سازی شده است. در گام بعد، آنالیز دقت و ارزیابی حساسیت این الگوریتم نسبت به تعداد نمونه های آموزشی مختلف، پارامترهای کنترل کننده الگوریتم و توابع هسته، که نقش مهمی در فرآیند بهینه سازی الگوریتم دارند، انجام شده است. این روش بر روی داده های تصویری فراطیفی سنجنده Hyperion شامل 242 باند با قدرت تفکیک مکانی 30 متر از یک منطقه کشاورزی، پیاده سازی شده است. ارزیابی های دقت نشانگر موفقیت قابل قبول نتایج طبقه بندی این تصاویر به کمک روش پیشنهادی است.

کلیدواژه ها:

طبقه بندی نظارت شده، تصاویر فراطیفی، ماشین های بردار پشتیبان، بهین ه سازی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا GEO88_033 میباشد و 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/69731/

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:
شاه حسینی، رضا و همایونی، سعید و سراجیان، محمدرضا،1388،طبقه بندی تصاویر سنجش از دور فراطیفی به کمک ماشین های بردار پشتیبان،همایش ژئوماتیک 88،تهران،https://civilica.com/doc/69731

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: (1388، شاه حسینی، رضا؛ سعید همایونی و محمدرضا سراجیان)
برای بار دوم به بعد: (1388، شاه حسینی؛ همایونی و سراجیان)
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 مقاله لینک شده اند :

  • احمد کشاورز، حسن قاسمیان یزدی، "یک الگوریتم سریع مبتنی بر ...
  • _ J. Anthony Gualtieri, R. F. Cromp, "Support Vector Machines ...
  • G. F. Hughes, "On the mean accuracy of statistical pattern ...
  • B. E. Boser, I. M. Guyon, and V. N. Vapnik, ...
  • C. Cortes, and V. N. Vapnik, *Support Vector network, * ...
  • V. N. Vapnik, The Nature of Statistical Learning Theory. New ...
  • V. N. Vapnik, Statistical Learning Theory. New York: John Wiley ...
  • Gustavo Camps-Valls, Luis Gomez- Chova, Javier C alp e-Maravilla, "Robust ...
  • C. Cortes and V. Vapnik, *Support vector networks?, Mach. Learn., ...
  • R. Courant and D. Hilbert, Methods of Mathematical Physics. New ...
  • T. M. Cover, 4Geometrical and statistical properties of systems of ...
  • B. SchGlkopf, K.-K. Sung, C. Burges, F. Girosi, P. Niyogi, ...
  • T. Hastie and R. Tibshirani, ،، Classification by pairwise coupling;' ...
  • Mingmin Chi, Rui Feng, Lorenzo Bruzzone, _ Classification of hyperspectral ...
  • 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.

    کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش 1 مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 63,668
    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 پیشنهادی مرتبط

    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