تنظیم همزمان مدل و پارامتر های طبقه بندی کننده های ماشین های بردار پشتیبان با استفاده از الگوریتم BGSA به منظور انتخاب پارامتر و ویژگی های بهینه در تصاویر پلاریمتری راداری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 495

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NPECE01_020

تاریخ نمایه سازی: 6 بهمن 1395

چکیده مقاله:

یکی از متداول ترین روش های طبقه بندی پوشش زمینی بهره گیری از سنجنده های تمام پلاریمتریک می باشد از انجاییکه این سنجنده ها دارای اطلاعات طیفی با ابعاد زیاد از عارضه های زمینی می باشند تجزیه و تحلیل این اطلاعات چالشی جدی محسوب می شود امروزه طبقه بندی کننده ماشین های بردار پشتیبان یکی از بهترین روش های طبقه بندی محسوب می شود که دارای پارامترهای تنظیم می باشد که این پارامترها یا بصورت تجربی ویا با استفاده از الگوریتم های موجود تعیین می شود که در مقالات معمولا انتخاب ویژگی های بهینه و یا تنظیم پارامترهای موجود مورد بررسی قرار گرفته از آنجاییکه مدل تعیین شده همزمان به ویژگی های انتخابی و پارامترها وابسته می باشند و این دو بر روی هم تاثیر گذار می باشند در این مقاله ضمن ارائه روشی برای انتخاب ویژگی های بهینه بهترین پارامترهای موجود نیز تعیین شده و از طرفی یکی از مسائلی که در طبقه بندی ممکن است رخ دهد گیر افتادن در بهینه محلی می باشد در حالیکه همیشه به دنبال رسیدن به بهینه سراسری مد نظر می باشد سعی شده است این موضوع نیز برطرف گشته تا در نهایت با ضریب اطمینان بالا به ویژگی های بهینه سراسری همراه با بهترین پارامتر به بالاترین دقت دست یابیم

کلیدواژه ها:

طبقه بندی کننده ی ماشین های بردار پشتیبان ، بهینه سازی ، الگوریتمBGSA ، پلاریمتری راداری

نویسندگان

یاسر رضایی

دانشجوی فوق لیسانس مهندسی فناوری ماهواره دانشکده علوم و فنون نوین دانشگاه تهران ایران

علیرضا رضائی

استادیار گروه مکاترونیک دانشکده علوم و فنون نوین 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 :
  • J. Anthony Gualtieri, R. F. Cromp, "Support Vector Machines for ...
  • 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 alpe-Maravilla, "Robust Support Vector ...
  • C. Cortes and V. Vapnik, "Support vector networks", Mach. Learn., ...
  • R. Courant and D. Hilbert, Methods of Mathematical Physics. New ...
  • T. M. Cover, "Geometrical and statistical properties of systems of ...
  • B. Scholkopf, 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 ...
  • نمایش کامل مراجع