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

محل انتشار: همایش ژئوماتیک 85
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,531

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:

GEO85_32

تاریخ نمایه سازی: 24 دی 1384

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.

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 :
  • 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 ...
  • نمایش کامل مراجع