جستجو در تالارهای گفتگو

طبقه بندي داده هاي فراطيفي بر اساس سيستم هاي ماشين هاي بردار پشتيبان چندگانه با استفاده از گروه بندي باندهاي طيفي نویسندگان: بيگدلي بهناز*, صمدزادگان فرهاد با پيشرفت هاي کنوني در سنجش از دور و علوم مرتبط با آن، داده سنجش از دور فراطيفي با فراهم آوردن حجم بالاي اطلاعات طيفي براي تشخيص بهتر کلاس هاي زميني مورد استفاده فراوان قرار مي گيرد، اگرچه تعداد زياد باندهاي طيفي در مقابل تعداد کم نمونه هاي آموزشي در دسترس، مشکل «پدبده هيوز» را در اين داده ايجاد مي کند. به علاوه تعداد زياد باندهاي طيفي که اغلب به يکديگر وابسته مي باشند، شامل اطلاعات زايد فراواني هستند. اين سطح بالا از پيچيدگي در داده هاي فراطيفي، باعث عدم کارايي روش هاي طبقه بندي کلاسيک در طبقه بندي اين نوع داده مي شود. با توجه به محدوديت هاي طبقه بندي کننده هاي انفرادي در اين شرايط، سيستم هاي حاوي مجموعه طبقه بندي کننده ها ممکن است کارايي بهتري نسبت به طبقه بندي کننده هاي انفرادي داشته باشند. تحقيق پيش رو يک روش نوين براي طبقه بندي داده هاي فراطيفي با بکارگيري يک سيستم چندگانه ماشين هاي بردار پشتيبان که شامل گروه بندي باندهاي طيفي است، معرفي مي کند. روش پيشنهادي در اولين گام براي گروه بندي باندهاي طيفي از روشي براساس اطلاعات دوطرفه يا متقابل استفاده مي کند. روش پيشنهادي در دومين گام، از ماشين بردار پشتيبان به منظور طبقه بندي هر گروه از باندهاي طيفي استفاده مي کند تا مجموعه اي از طبقه بندي کننده ها حاصل شود. سرانجام روش پيشنهادي يک الگوريتم ادغام طبقه بندي کننده ها براساس تئوري بيز با نام (Naïve Bayes (NB را بکار مي برد. نتايج حاصل از روش پيشنهادي براي دو نمونه از داده هاي فراطيفي نشان مي دهد که روش پيشنهادي در مقايسه با SVM استاندارد-طبقه بندي کننده ايي که همه باندها را در يک زمان طبقه بندي مي کند- نتايج بهتري را ايجاد مي کند. اين نتايج همچنين کارايي مفهوم گروه بندي باندها و سيستم هاي طبقه بندي کننده چندگانه را در مقايسه با روش هاي معمول پيشين نشان مي دهد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413930320.pdf

استخراج و بازسازي سه بعدي عارضه ساختمان با استفاده از داده هاي اپتيکي و ليدار نویسندگان: زارع اصغر, محمدزاده علي*, ولدان زوج محمدجواد در اين مقاله روشي جهت آشکارسازي ساختمان ها و بازسازي مدل سه بعدي آن ها از طريق تصوير هوايي و داده هاي ليدار ارائه شده است. اين پژوهش شامل سه مرحله کلي آشکارسازي ساختمان ها، بازسازي مرز دو بعدي ساختمان ها و بازسازي مدل سه بعدي ساختمان ها مي باشد. در مرحله آشکارسازي ساختمان ها، عوارض غيرزميني (درختان و ساختمان ها) از روي داده هاي ليدار استخراج مي شوند و سپس جهت تفکيک ساختمان ها از درختان، طبقه بندي براساس ماشين هاي بردار پشتيبان (SVMs) بکار گرفته شده است. داده هاي آموزشي جهت انجام طبقه بندي ماشين هاي بردار پشتيبان بصورت نيمه اتوماتيک انتخاب شده است. جهت بهبود نتايج آشکارسازي ساختمان ها نيز ابتدا از عملگرهاي مورفولوژي رياضي استفاده شده است و سپس جداسازي ساختمان هاي غيرهم ارتفاع بر اساس دسته بندي K-Means انجام گرفته است. نتايج ارزيابي ها موفقيت روش پيشنهادي را در آشکارسازي ساختمان هاي بزرگ و کوچک نشان مي دهند بطوري که شاخص هاي پيکسل مبنا جامع بودن، صحيح بودن و کيفيت براي روش پيشنهادي به ترتيب %86.60، %99.10، %85.92 مي باشند. در مرحله بازسازي مرز دو بعدي ساختمان ها، مرزهاي دو بعدي ساختمان ها بعد از برداري کردن با خلاصه سازي و عمود سازي استخراج گرديده اند. در اين تحقيق، بازسازي سه بعدي ساختمان در سطح LOD2 انجام گرفته است. جهت کشف ساختار سقف ساختمان ها، ابتدا پارامترهاي صفحه برازش يافته به نقاط ليدار بدست مي آيند و با در نظر گرفتن اين پارامترها بعنوان ويژگي هاي هر ساختمان، دسته بندي ISO-DATA انجام گرفته است که در نهايت نتايج اين دسته بندي بيانگر تعداد سطوح صفحه اي هر ساختمان مي باشد. با ادغام صفحات نزديک و موازي و برازش صفحه به هر سطح صفحه اي، تعداد و پارامترهاي سطوح صفحه اي هر ساختمان مشخص گرديده است. با تقاطع اين سطوح و بدست آوردن نقاط مياني و نقاط مرزي هر ساختمان، ساختار سقف ساختمان ها بازسازي شده اند. ديوارهاي ساختمان نيز بطور قائم بر روي مرز دو بعدي ساختمان قرار گرفته اند. مقدار RMS ارتفاعي صفحات تعيين شده براي ساختار سقف ساختمان ها 0.4 متر و مقدار خطاي RMS کلي رئوس پليگون هاي اين صفحات 0.9 متر مي باشد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413930314.pdf

شناسايي گردو غبار در تصاوير ماهواره اي MODIS با استفاده از روش هاي ماشين بردار پشتيبان، شبکه عصبي مصنوعي و درخت تصميم گيري نویسندگان: شهريسوند محسن*, آخوندزاده هنزائي مهدي, سوري اميرحسين يکي از مهمترين بلاياي طبيعي که طي ساليان اخير مورد توجه قرار گرفته، پديده گرد و غبار است. در سال هاي اخير اين پديده در ايران ابعاد تازه اي گرفته و از يک معضل محلي، به مساله اي ملي تبديل شده است. شناسايي و تشخيص طوفان گردوغبار اولين مرحله در بررسي و پايش آن مي باشد. اين تحقيق با هدف شناسايي مناطق داراي گردوغبار از تصاوير ماهواره اي، در منطقه خاورميانه انجام گرفته است. در بررسي پديده گردوغبار تصاوير سنجنده MODIS با توجه به قدرت تفکيک زماني و طيفي مناسب، از اهميت ويژه اي برخوردار مي باشند. در اين مطالعه با استفاده از روش هاي طبقه بندي درخت تصميمگيري، شبکه عصبي مصنوعي (ANN) و ماشين هاي بردار پشتيبان (SVM) تلاش شده است که گردوغبار در تصاوير ماهواره اي MODIS تشخيص داده شود، که روش طبقه بندي ماشين هاي بردار پشتيبان به عنوان يک ايده جديد مطرح شده است. به علاوه به منظور بررسي دقت هر سه روش بکار برده شده، از محصول (AOD(Aerosol Optical Depth سنجنده OMI استفاده شده است، که نتايج نشان دهنده دقت و صحت بالاتر روش SVM نسبت به ساير روش ها مي باشد. با توجه به نتايج بدست آمده، اين الگوريتم قادر به شناسايي گردوغبار در هر دو منطقه خشکي و آب به طور همزمان مي باشد و مي تواند جايگزين مناسبي براي محصول (AOT(Aerosol Optical Thickness توليد شده براي گردوغبار توسط ناسا (NASA) باشد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413930311.pdf

بررسي عملکرد الگوريتم هاي فراابتکاري جمعيت مبنا به منظور بهينه سازي پارامترهاي ماشين هاي بردارپشتيبان در طبقه بندي تصاوير پلاريمتريک راداري نویسندگان: صمدزادگان فرهاد, فردوسي الهه* با توجه به اينکه استفاده از پلاريزاسيون هاي مختلف امواج الکترومغناطيسي در تصويربرداري پلاريمتريک راداري اطلاعاتي غني از جنبه هاي مختلف عوارض را فراهم مي کند. امروزه تصاوير پلاريمتري به عنوان ابزار قوي و کارآمد در زمينه شناسايي عوارض مختلف در مناطق جغرافيايي پيچيده مورد توجه قرار گرفته اند. به منظور استخراج اطلاعات، طبقه بندي اين تصاوير حائز اهميت مي باشد. طبقه بندي کننده ماشين هاي بردار پشتيبان به سبب عملکردش بر مبناي ويژگي هاي هندسي و پايداري در فضاهاي با ابعاد بالا گزينه مناسبي در طبقه بندي تصاوير پلاريمتري محسوب مي شود. اما عملکرد اين طبقه بندي کننده به شدت تحت تاثير پارامترهاي در نظر گرفته شده براي آن مي باشد. بنابراين به منظور به کارگيري طبقه بندي کننده ماشين هاي بردار پشتيبان با بيشترين کارآيي، مي بايست مقادير بهينه براي اين پارامترها تعيين شوند. روش هاي بهينه سازي سنتي متداول به سبب مواجه شدن با پيچيدگي هاي محاسباتي در اين فضاهاي جستجوي بزرگ اغلب به بهينه هاي محلي همگرا مي شوند. بنابراين به منظور بدست آوردن مقدار بهينه سراسري استفاده از الگوريتم هاي بهينه سازي فراابتکاري که از جستجوي سراسري همراه با جستجوي محلي بهره مي گيرند، اجتناب ناپذير است. در اين مقاله توانايي الگوريتم هاي ژنتيک، زنبورها و توده ذرات به عنوان تکنيک هاي بهينه سازي فراابتکاري قدرتمند، در تعيين مقدار بهينه پارامترهاي ماشين هاي بردار پشتيبان ارزيابي شده است. مقايسه نتايج بدست آمده، توانايي بالاي الگوريتم توده ذرات را در زمينه دقت طبقه بندي و سرعت همگرايي نشان مي دهد. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413920306.pdf