جستجو در تالارهای گفتگو

الگويابي داده هاي لرزه يي با استفاده از خوشه بندي به منظور پيش بيني زلزله نویسندگان: معطي عادل, امين ناصري محمدرضا*, زعفراني حميد * بخش مهندسي صنايع، دانشگاه تربيت مدرس چکیده: زلزله ها همواره به عنوان يكي از مخرب ترين بلاياي طبيعي شناخته مي شوند. به دليل خسارت هاي اقتصادي و تلفات جاني بسيار بالا، پيش بيني زلزله امري ضروري به نظر مي رسد. در اين نوشتار، تغييرات زماني پارامتر b از رابطه ي گوتنبرگ ريشتر قبل از زلزله هايي با بزرگاي Mw=6.0 و يا بالاتر از آن در ناحيه ي جنوبي ايران، منطقه ي قشم و اطراف آن مورد بررسي قرار گرفته است. از دو روش خوشه بندي K-Means و نقشه ي خود سازمان ده SOM ، براي يافتن الگو از اين نوع زلزله ها استفاده شده است. براساس دو سنجه ي سيلوئيت و ديويس بولدين، تعداد 3 خوشه به عنوان تعداد بهينه ي خوشه براي هر دو روش مذكور به دست آمده است. قبل از تمامي زلزله هاي مورد بررسي، خوشه يي كه معرف كاهش در مقدار b است، مشاهده شده است. به عنوان نتيجه ي نهايي، كاهش مقدار b در بازه ي زماني مشخص به عنوان يك الگوي مشخص براي رخداد اين زلزله هاي مخرب معرفي شده است. كليد واژه: پيش بيني زلزله، داده كاوي، خوشه بندي، الگويابي، رابطه ي گوتنبرگ ريشتر منبع دانلود از پیوست یا این لینک 7831395020103.pdf

ارائه روشي جديد براي کاهش پديده Speckle با استفاده از خوشه بندي در تصوير تک کاناله رادار نویسندگان: جانعلي پور ميلاد, محمدزاده علي*, مقصودي ياسر پديده Speckle جزء طبيعت تصاوير رادار مي باشد که باعث کاهش دقت تفسير، طبقه بندي، قطعه بندي و... در اين تصاوير مي شود. محققين توسط روش هاي مختلف سعي در کاهش اين پديده در تصاوير رادار داشته اند. يکي از روش هاي کاهش پديده Speckle در تصاوير رادار فيلترهاي حيطه مکان مي باشند. عمده روش هاي فيلتر حيطه مکان از حدآستانه هايي براي طبقه بندي انواع اهداف استفاده مي کنند، سپس بر مبناي نوع هدف پديده Speckle را کاهش مي دهند. استفاده حدآستانه بر روي تصاوير براي طبقه بندي هدف يک روش با خطا بالا است. بنابراين، روش خوشه بندي براي طبقه بندي هدف در اين پژوهش استفاده مي شود. در روش پيشنهادي، ابتدا پديده Speckle تصوير خام رادار با استفاده از فيلتر ميانگين کاهش يافت، سپس روش خوشه بندي K-Means با تعداد خوشه هاي متفاوت بر روي تصوير پياده سازي شد. تعداد خوشه بهينه براي منطقه مورد مطالعه با استفاده از شاخص ديويس- بولدين تعيين گرديد. در نهايت، تصوير فيلترشده در يک سطح تصميم گيري با تصاوير خوشه بندي و خام رادار توليد شد. نتايج روش پيشنهادي با روش هاي ديگر شامل فيلتر ميانگين، فيلتر Lee، فيلتر Enhance Lee، فيلتر گاما و فيلتر ميانه با استفاده از شاخص هاي حفظ اطلاعات راديومتريکي و حفظ لبه مقايسه شد. نتايج نشان مي دهد که روش پيشنهادي نسبت به روش هاي ديگر بر اساس شاخص هاي حفظ لبه و اطلاعات راديومتريکي صحت بالاتري دارد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413940410.pdf

مدل سازي مکاني تغيير کاربري هاي شهري با استفاده از الگوريتم NSGA-II و خوشه بندي جواب هاي بده بستان در طرح هاي سيال شهري نویسندگان: معصومي زهره*, مسگري محمدسعدي * دانشکده علوم زمين، دانشگاه تحصيلات تکميلي علوم پايه، زنجان كليد واژه: مديريت کاربري اراضي شهري، تغيير کاربري، سيستم اطلاعات مکاني، بهينه سازي چندهدفه، خوشه بندي، حمايت از تصميم گيري، NSGA-II منبع: [Hidden Content] دانلود: [Hidden Content] 7002413940111.pdf

تاثير استفاده از اطلاعات همسايگي مکاني در دقت خوشه بندي تصاوير ماهواره اي نویسندگان: فاطمي سيدباقر*, مباشري محمدرضا, آبكار علي اكبر تاکنون براي بهبود دقت روش هاي خوشه بندي پيشنهادات متعددي ارايه شده است که از آن جمله مي توان به استفاده از روش هاي نيمه نظارت شده، ترکيب خوشه بندي ها و خوشه بندي دوگانه اشاره نمود. يکي از مهمترين رويکردها در اين زمينه استفاده از اطلاعات مکاني تصوير مي باشد. در اين تحقيق چهار روش خوشه بندي که از اطلاعات مکاني سطح تصوير استفاده مي کنند با يکديگر مقايسه گرديد. اين چهار روش شامل اعمال فيلتر اکثريت، استفاده از داده هاي بافت، خوشه بندي مبتني بر شيء، و استفاده از ميدان هاي تصادفي مارکوف مي باشند که در کنار روش خوشه بندي k-means ساده روي چهار نمونه تصوير آزمايش شدند. استفاده از داده هاي بافت براي تصاوير واقعي تا 10.8 درصد و روش ميدان هاي تصادفي مارکوف براي تصاوير شبيه سازي شده با 22.8 درصد بيشترين افزايش دقت را نسبت به خوشه بندي k-means نشان داده اند. نتايج اين پژوهش نشان مي دهند که استفاده از خوشه بندي k-means در شکل ساده اش به هيچ وجه همه توانايي اطلاعاتي تصوير را به کار نمي گيرد و نتايج و انتظارات کاربر را برآورده نخواهد کرد و استفاده از اطلاعات همسايگي يکي از بهترين راهکارهاي افزايش دقت مي باشد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413930408.pdf