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:

834
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

601
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ماشین های تصادفی بردار پشتیبان، طبقه بندی دسته جمعی بهینه داده های با ابعاد بالا

صفحات

 صفحه شروع 133 | صفحه پایان 152

چکیده

 افزایش ابعاد فضای ویژگی ورودی موجب تمایز بیش تر کلاس های پوششی در طبقه بندی تصاویر سنجش از دور می شود اما تعداد کم نمونه های آموزشی مانع از بروز این عملکرد مثبت می شود. استفاده از روش های گروهی به جای طبقه بندی کننده های منفرد راه حل مناسبی برای برخورد با این مشکل است. در این مقاله روشی با عنوان «ماشین های تصادفی بردار پشتیبان (SVRMs)» برای جمعی کردن روش SVM پیشنهاد می شود. روش پیشنهادی نسبت به روش های قبلی در جمعی کردن SVM مزایای موثری دارد. اعمال هم زمان روش بگینگ در داده های آموزشی و فضای ویژگی و روش بوستینگ موجب بهبود صحت, استقلال و تنوع طبقه بندی کننده های پایه می شود. ادغام طبقه بندی کننده ها در روش پیشنهادی در سطح احتمال و به صورت غیرخطی با استفاده از یک تلفیق SVM انجام کمی شود. عملکرد روش پیشنهادی بر روی داده های فراطیفی و پلاریمتریک رادار با روزنه مصنوعی ارزیابی شده است. آزمایش ها از سه دیدگاه: ارزیابی در برابر سایر روش های دسته جمعی SVM, ارزیابی در برابر روش های انتخاب ویژگی و در نهایت سایر روش های طبقه بندی طراحی و تحلیل شده است. در داده فراطیفی روش پیشنهادی حدود 16 درصد و در داده پلاریمتریک حدود 10 درصد نسبت به روش منفرد SVM بهبود نشان می دهد. روش پیشنهادی در هر دو منبع داده عملکرد بهتری در بیشتر کلاس های مورد بررسی خصوصا کلاس های نزدیک نسبت سایر روش های جمعی نشان می دهد. نتایج نشان می دهد روش پیشنهادی ضمن حفظ هزینه محاسباتی مطلوب عملکرد بهتری نسبت به روش های انتخاب ویژگی همچون ژنتیک دارد. مطابق نتایج صحت و دقت مطلوب روش پیشنهادی نیز در برابر روش های پایه طبقه بندی در دو منبع داده (بیشترین شباهت و ویشارت) و همچنین روش های قدرتمند (جنگل تصادفی و شبکه عصبی) تصدیق می شود.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    جعفری، محسن، و آخوندزاده، مهدی. (1396). ماشین های تصادفی بردار پشتیبان, طبقه بندی دسته جمعی بهینه داده های با ابعاد بالا. مهندسی فناوری اطلاعات مکانی، 5(1 )، 133-152. SID. https://sid.ir/paper/230091/fa

    Vancouver: کپی

    جعفری محسن، آخوندزاده مهدی. ماشین های تصادفی بردار پشتیبان, طبقه بندی دسته جمعی بهینه داده های با ابعاد بالا. مهندسی فناوری اطلاعات مکانی[Internet]. 1396؛5(1 ):133-152. Available from: https://sid.ir/paper/230091/fa

    IEEE: کپی

    محسن جعفری، و مهدی آخوندزاده، “ماشین های تصادفی بردار پشتیبان, طبقه بندی دسته جمعی بهینه داده های با ابعاد بالا،” مهندسی فناوری اطلاعات مکانی، vol. 5، no. 1 ، pp. 133–152، 1396، [Online]. Available: https://sid.ir/paper/230091/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