طبقه بندی پوشش زمین یکی از کاربردهای مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی SVM و قطعات تصویری ارائه می گردد. در این تحقیق برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده شده است. بدین منظور، از روش طبقه بندی کننده های چندگانه SVM استفاده شده است. برای نیل به این هدف، معیار دقت کلاس در طبقه بندی SVM، جهت انتخاب ویژگی به صورت کلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته شده است. در تصاویر پلاریمتری به خاطر نویز ضربه ای، گاها نتایج طبقه بندی پیکسل مبنا ممکن است راضی کننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است. بطور کلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی، طبقه بندی پیکسل مبنا و تلفیق نتایج پیکسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند. نتایج نشان میدهد که دقت کلی روش ارائه شده %90.07 نسبت به نتایج پیکسل مبنای طبقه بندی کننده های چندگانه (%83.61) SVM بهبود داشته است.

هدف این مقاله معرفی «طبقه بندی چندگانه موضوعی واژگان پایه فارسی» است. این طبقه بندی، ابتکاری است برای کاربرد مطلوب واژگان پایه به ویژه در تالیف کتاب های درسی و آموزش دانش آموزان ابتدایی به کمک واژه هایی به زبان فارسی و آشنا در همه مناطق ایران، و با هدف یاری رساندن به ارتقاء کیفیت آموزش در یک نظام آموزشی متمرکز انجام گرفته است. در این طبقه بندی، واژه ها در برخی موارد در بیش از یک طبقه قرار گرفته اند. علاوه بر معنای فرهنگنامه ای، معنای استعاری نیز در تخصیص واژه ها به موضوعات مورد نظر قرار گرفته است. از سوی دیگر می توان گفت هر موضوع زمینه و بافتی است برای کاربردی تازه و نیز معنایی دیگر به واژه می بخشد. موضوعات انتخاب شده، خود می توانند موضوع آموزش نیز باشند. در این مقاله ضمن بحث درباره مبانی، معیارها و چگونگی این طبقه بندی و معرفی موضوع های 24 گانه آن، همه «واژگان پایه» پایه اول و در مواردی واژگان پایه اول تا پنجم در جدول های واژگانی ارائه شده اند و ویژگی واژگانی هر موضوع به تناسب توضیح داده می شود. در پایان به کاربردها و مزیت های آموزشی این طبقه بندی اشاره شده است.

تصاویر نوری و راداری با دریچه ی مصنوعی تمام قطبیده (PolSAR)، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر نوری حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر PolSAR فراهم کننده ی اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده ی مکمل با تعداد قابل توجهی از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. با این حال، طبقه بندی زمین های کشاورزی ممکن است با دو چالش افزایش تصاعدی ابعاد داده و مساله ی داده های نامتوازن مواجه شود. در دهه ی گذشته، سیستم های طبقه بندی کننده ی چندگانه ی (MCS) درختی به ویژه روش مشهور جنگل تصادفی (RF) کارایی بالایی از خود برای حل چالش اول نشان داده است. با این حال، این روش ها به طور ذاتی برای حل مساله ی داده های نامتوازن طراحی نشده است. به تازگی دو روش نوین جایگزین RF به نام های جنگل پالایشی متوازن شده (BFF) و جنگل پالایشی هزینه حساس (CFF) برای طبقه بندی تصاویر راداری پیشنهاد شده است که قابلیت بالایی در حل همزمان دو چالش از خود نشان داده است. این پژوهش نیز قصد دارد تا از این دو روش نوین برای طبقه بندی زمین های کشاورزی از ترکیب تصاویر نوری و راداری استفاده کرده و کارایی و عملکرد آن ها را با روش های MCS درختی کلاسیک از جمله روش RF در مواجه با حل این دو چالش بررسی و مقایسه کند. نتایج نشان از افزایش دقت کلی تا حدود 10% بیشتر روش های نوین درختی نسبت به روش های کلاسیک و سرعت 6 برابر این روش ها نسبت به روش RF داشت. ضمن آن که در شناسایی محصولات کشاورزی، دقتی حدود 20% بیشتر از روش RF کسب کرد.

محدودیت های سنجنده های مختلف سنجش از دور و ضعف آنها در شناسایی عوارض مختلف باعث شد ادغام داده های حاصل از سنجنده های مختلف به منظور بهبود نتایج طبقه بندی مورد توجه قرار گیرد. در میان سنجنده های مختلف کنونی، در سال های اخیر دو سنجنده فراطیفی و لیدار به منظور طبقه بندی زمین بسیار پرکاربرد بوده اند. داده های حاصل از لیدار اطلاعات ارتفاعی مناسبی را از عوارض زمینی به ویژه عوارض دارای ارتفاع مانند ساختمان فراهم می کنند در حالی که اطلاعات طیفی ضعیفی از عوارض ایجاد می کنند. در همین حال داده های حاصل از سنجنده های فراطیفی اطلاعات طیفی مناسبی از عوارضی مانند خاک، آب و چمنزارها فراهم می کنند ولی اطلاعات ارتفاعی مناسبی از آنها در دسترس نیست. تحقیق پیش رو به منظور طبقه بندی بهتر عوارض زمینی، از مفهوم سیستم طبقه بندی کننده چندگانه فازی برای طبقه بندی داده های فراطیفی و لیدار استفاده می کند. پس از استخراج فضای ویژگی برای هر دو داده فراطیفی و لیدار، از روش طبقه بندی فازی نزدیکترین همسایگی برای طبقه بندی فازی هر داده استفاده خواهد شد. روش ادغام مورد استفاده برای ادغام تصمیمات فازی، روش الگوی تصمیم گیری می باشد. به منظور ارزیابی هر چه بیشتر روش پیشنهادی، یک سیستم طبقه بندی کننده چندگانه تک مقداری نیز به منظور مقایسه نتایج با روش پیشنهادی فازی ارائه می شود. در قسمت تک مقداری از طبقه بندی کننده ماشین بردار پشتیبان (SVM) برای طبقه بندی هر داده بصورت مجزا استفاده می شود و در ادامه روش ادغام بیزین برای ادغام نتایج طبقه بندی در سطح تصمیم گیری مورد استفاده قرار می گیرد. روش پیشنهادی روی داده فراطیفی و لیدار دانشگاه هیوستون و محوطه شهری اطراف آن پیاده سازی شد. نتایج طبقه بندی فازی داده های لیدار و فراطیفی 75% و 88% بوده است. این درحالی است که سیستم فازی ادغام طبقه بندی کننده ها دقت 96% را ایجاد کرده است. استفاده از ادغام طبقه بندی کننده ها باعث بهبود طبقه بندی کلاس های زمینی می شود. به علاوه این تحقیق نشان می دهد سیستم طبقه بندی کننده چندگانه در حالت فازی در نهایت بیشترین افزایش دقت را در مقایسه با سیستم های تک مقداری حاصل می کند.

در این تحقیق با استفاده از روش بهینه سازی چند منظوره گروه ذرات طبقه بندی کننده ای ارایه شده است که همزمان قادر به بهینه سازی شاخص های متفاوت و مهمی در تشخیص الگو نظیر قابلیت اطمینان، نرخ تشخیص صحیح و تعداد ابر صفحه های لازم برای مرزبندی موثر کلاس های متفاوت در فضای ویژگی می باشد. در طراحی طبقه بندی کننده پیشنهاد شده مسایل مهم فوق-برازش و فوق-آموزش نیز بر طرف شده است. توانایی دستیابی همزمان به شاخص های مذکور در سایر طبقه بندی کننده های مبتنی بر روش های هوش جمعی وجود ندارد. نتایج عملی به دست آمده بر روی داده های آزمایشی نشان می دهند که طبقه بندی کننده چند منظوره پیشنهادی با تخمین جبهه پرتو بهترین مجموعه انتخابی از ابر صفحه های جدا کننده کلاس های مختلف را برای برپایی شرایط دلخواه کاربر در خصوص انتخاب شاخص های فوق الذکر، فراهم می آورد.

در این مقاله مساله طبقه بندی سیگنال های EEG مبتنی بر تصور حرکتی برای یک سامانه واسط مغز- رایانه (BCI)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا، نیاز به طراحی ماتریس واژه نامه قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سامانه های BCI، از این روش برای طراحی ماتریس واژه نامه استفاده شده است. از معایب CSP حساس به نوفه بودن و مساله فرایادگیری در مجموعه های آموزشی کم است. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نام های GLRCSP و DLRCSP و استفاده شده است. استفاده از این روش ها منجر به افزایش میانگین درصد صحت تشخیص به میزان حدود %7.78 نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه بندی کننده SRC که از الگوریتم پایه BP استفاده می کند، زمان بربودن آن است. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده کردیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان %1.61 نسبت به الگوریتم استاندارد پایه می شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.