ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی

مجید خلیفه قلی; عباس علیمحمدی; محمدجواد ولدان زوج

ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی

Publish place: Geomatics 1386

Publish Year: 1386

Type: Conference paper

Language: Persian

This Paper With 10 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

Export:

Link to this Paper:

https://civilica.com/doc/15459

Document National Code:

GEO86_132

Index date: 5 September 2006

ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی abstract

بدلیل پدیده هاف در طبقه بندی داده های ابر طیفی، طبقه بندی کننده های معمولی به تعداد نمونه های آموزشی زیادی نیاز دارند و معمولا نتایج رضایت بخشی بدست نمی آورند. در بسیاری از موارد جمع آوری حجم زیاد مورد نیاز از داده ها مشکل و غیر ممکن است. برای بهبود دقت طبقه بندی، با حجم داده های آموزشی کم، اخیرا روش Support Vector Machines (SVMs) مبتنی بر خواص هندسی داده ها توسط محققین پیشنهاد شده است. در این تحقیق، کارایی و حساسیت SVM به تعداد نمونه های آموزشی کم در مقایسه با طبقه بندی کننده K-Nearest Neighbor (KNN) ارزیابی شده است. داده های ابر طیفی استفاده شده در این تحقیق بوسیله سنجنده Airborne Visible/Infrared Imaging Spectroradiometer (AVIRIS) در ژوئن 1992 در منطقه Indian Pines (Indiana) که شامل انواع مختلف پوشش گیاهی است اخذ شده است. نتایج این تحقیق نشان می دهد که در همه موارد مورد آزمایش با تعداد نمونه های آموزشی مختلف، دقت طبقه بندی به روش SVM بطور قابل توجه ای بیشتر از روش KNN می باشد. بنابراین استفاده از SVM می تواند بعنوان یک راه حل برای مسئله تعداد نمونه های آموزشی برای حصول دقت مناسب در طبقه بندی داده های ابر طیفی مورد توجه قرار گیرد.

ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی Keywords:

تصاویر ابر طیفی Support Vector Machines (SVM) , سنجش از دور , پدیده هاف

ارزیابی تاثیر اندازه های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابرطیفی authors

مجید خلیفه قلی

دانشجوی کارشناسی ارشد سنجش از دور

عباس علیمحمدی

عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی

محمدجواد ولدان زوج

عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

_ G. F. Hughes, «On the mean accuracy of statistical ...

J. P. Hoffbeck and D. A. Landgrebe, ،4Covariance matrix estimation ...

S. Tadjudin and D. A. Landgrebe, «Covariance estimation with limited ...

Q. Jackson and D. A. Landgrebe, ،An adaptive classifier design ...

B. M. Shahshahani and D. A. Landgrebe, ، The effect ...

A. P. Dempster, N. M. Laird, and D. B. Rubin, ...

exp e ctati on-maximiz ation algorithm, ' Signal Process. Mag., ...

J. A. Richards and X. Jia, Remote Sensing Digital Image ...

L. Bruzzone, F. Roli, and S. B. Serpico, ،0An extension ...

J. Kittler, ،#Feature set search algorithm, * in Pattern Recognition ...

P. Pudil, J. Novovicova, and J. Kittler, *Floating search methods ...

S. B. Serpico and L. Bruzzone, ،A new search algorithm ...

C. Lee and D. A. Landgrebe, ،Feature extraction based _ ...

L. O. Jimenez and D. A. Landgrebe, ، *Hypersp ectral ...

S. Kumar, J. Ghosh, and M. M. Crawford, ، Best-bases ...

J. P. Hoffbeck and D. A. Landgrebe, ،، Classification of ...

F. Tsai andW. D. Philpot, ،0A derivative- aided hyperspectral image ...

V. N. Vapnik, Statistical Learning Theory. New York: Wiley, 1998. ...

F. Melgani and L. Bruzzone, ،، Classification of Hyperspectral Remote ...

C. Cortes and V. Vapnik. Support vector networks. Machine Learning, ...

B. Scholkopf, A. J. Smola, R. C. Williamson, and P. ...

V. Vapnik. The Nature of Statistical Learning Theory. Springer Verlag, ...

Pai-Hsuen Chen, et al, ،0A Tutorial _ v-Support Vector Machines, ...

نمایش کامل مراجع