مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

618
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

470
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود

صفحات

 صفحه شروع 43 | صفحه پایان 57

چکیده

استخراج ویژگی نقش مهمی در بهبود دسته بندی تصاویر ابرطیفی دارد. روش های استخراج ویژگی غیرپارامتریک, نسبت به روش های پارامتریک, برای داده های با توزیع غیر نرمال از کارایی بهتری برخوردارند و می توانند ویژگی های بیشتری را استخراج نمایند. روش های استخراج ویژگی غیرپارامتریک از ماتریس های پراکندگی غیرپارامتریک برای محاسبه ماتریس انتقال استفاده می کنند. تحلیل ممیز غیرپارامتریک[1], یکی از روش های غیرپارامتریک در استخراج ویژگی است که در آن برای تشکیل ماتریس های پراکندگی غیرپارامتریک, از میانگین های محلی هر نمونه و تابع وزن استفاده می شود. میانگین محلی با استفاده از k نمونه همسایه بدست می آید و تابع وزن, بر روی نمونه های مرزی در تشکیل ماتریس پراکندگی بین دسته ای تاکید می کند. در این مقاله, NDA بهبود یافته[2] به منظور اصلاح NDA معرفی شده است. در MNDA, تعداد نمونه های همسایه در محاسبه میانگین محلی با توجه به موقعیت نمونه در فضای ویژگی بدست می آید. روش پیشنهادی از توابع وزن جدید در تشکیل ماتریس های پراکندگی استفاده می کند. توابع وزن پیشنهادی تاکید روی نمونه های مرزی در تشکیل ماتریس پراکندگی بین دسته ای و تاکید روی نمونه های نزدیک به میانگین دسته, در تشکیل ماتریس پراکندگی درون دسته ای دارند. علاوه براین, به منظور اجتناب از تکین شدن ماتریس پراکندگی درون دسته ای, از تنظیم آن استفاده شده است. نتایج آزمایش ها روی تصاویر ایندیانا و سالیناس نشان می دهد که MNDA کارایی بهتری را نسبت به روش های استخراج ویژگی پارامتریک و غیرپارامتریک مورد مقایسه داشته است. بیشترین مقدار صحت متوسط دسته بندی برای داده ایندیانا %34/80 است که با 18 نمونه آموزشی, دسته بند ماشین بردار پشتیبان و 10 ویژگی استخراج شده از MNDA بدست آمده است. برای داده سالیناس, بیشترین مقدار صحت متوسط دسته بندی, %31/94 است که با 18 نمونه آموزشی, دسته بند ماشین بردار پشتیبان و 9 ویژگی استخراج شده از MNDA بدست آمده است. آزمایش ها نشان می دهند که با استفاده از توابع وزن پیشنهادی و ماتریس پراکندگی درون دسته ای تنظیم شده, روش پیشنهادی نتایج بهتری را در دسته بندی تصاویر ابرطیفی با نمونه های آموزشی محدود بدست آورده است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    کیانی سرکله، آزاده، و قاسمیان، محمدحسن. (1396). تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود. پردازش علایم و داده ها، 14(2 (پیاپی 32) )، 43-57. SID. https://sid.ir/paper/160753/fa

    Vancouver: کپی

    کیانی سرکله آزاده، قاسمیان محمدحسن. تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود. پردازش علایم و داده ها[Internet]. 1396؛14(2 (پیاپی 32) ):43-57. Available from: https://sid.ir/paper/160753/fa

    IEEE: کپی

    آزاده کیانی سرکله، و محمدحسن قاسمیان، “تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود،” پردازش علایم و داده ها، vol. 14، no. 2 (پیاپی 32) ، pp. 43–57، 1396، [Online]. Available: https://sid.ir/paper/160753/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button