Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

بررسی عملکرد الگوریتم های بهینه سازی در طبقه بندی ماشین بردار پشتیبان در تصاویر سنجش ازدور

دومین کنفرانس ملی مهندسی عمران، معماری و توسعه شهری
Year: 1395
COI: ACUC02_072
Language: PersianView: 567
This Paper With 14 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

حمید عبادی - دانشگاه صنعتی خواجه نصیرالدین طوسی
الهه تمیمی - دانشگاه صنعتی خواجه نصیرالدین طوسی
عباس کیانی - دانشگاه صنعتی خواجه نصیرالدین طوسی

Abstract:

تمایل به داشتن اطلاعات مکانی دقیق، صحیح و بهنگام از منابع کشور در یک پایگاه داده جامع مکان مرجع هموا ره رو به رشد است. با گسترش علوم فتوگرامتر ی و سنجش ازدور، طی ف وس یعی از اطلاعات مکان ی در دسترس علوم مختلف قرارگرفته است. طبقه بندی یکی از پرکاربردترین روش های استخراج اطلاعات از تصاویر سنجش ازدور می باشد. تعیین روش مناسب طبقه بندی امری مهم و چالش برانگیز است که منجر به بهبود نتا یج نها یی م ی شود . هدف اصل ی ای ن مقاله، بهینه سازی طبقه بندی ماشین بردار پشتیبان در تصاویر ابرطیف ی سنجش ازدور م ی باشد . در طبقه بند ی ماشین بردار پشتیبان در مسائل غیرخطی، پارامترهایی برای توابع کرنل و ترم تنظیم کننده خطا مشخص می شود که به منظور افزا یش دقت طبقه بندی و افزایش اعتمادپذیری به نتایج، می توان از الگوریتم های بهینه سازی برای تعیی ن ای ن پارامترها استفاده نمود. از طرفی انتخاب باندهای مناسب تأثیر بسزایی در بهبود نتایج طبقه بندی دارد. این دو عامل سبب شده است که از الگوریتم های بهینه سازی در این مقاله به منظور تعیین مقادیر بهینه این پارامترها و تعیین ویژگی های بهینه استفاده شود که منجر به اتوماتیک سازی روند حل مسئله و افزایش ۵ درصدی دقت کلی طبقه بندی و افزایش ۱۵ درصدی ضر یب کاپا شده است.

Keywords:

طبقه بندی ماشین بردار پشتیبان , انتخاب ویژگی , تعیین پارامترها , الگوریتم بهینه سازی ژنتیک , الگوریتم بهینه سازی ازدحام ذرات

Paper COI Code

This Paper COI Code is ACUC02_072. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/512016/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
عبادی، حمید و تمیمی، الهه و کیانی، عباس،1395،بررسی عملکرد الگوریتم های بهینه سازی در طبقه بندی ماشین بردار پشتیبان در تصاویر سنجش ازدور،Second National Conference on Civil Engineering, Architecture and Urban Development،Babol،https://civilica.com/doc/512016

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 :

  • کمالی‌فر، ن. ع. محمدزاده و ع.ح.ن. احمدآبادیان، بررسی روش ماشین ...
  • Caridade, C., A.R. Marxal, and T. Mendonxa, The Ase of ...
  • Khatami, R., G. Mountrakis, and S.V. Stehman, A meta-analysis of ...
  • Ghamisi, P. and J.A. Benediktsson, Feature selection based on hybridization ...
  • Chen, W. and Y. Tian, Parameter Optimization of SVM Based ...
  • Cheng, L. and W. Bao, Remote sensing image classification based ...
  • Gao, H., M.K. Mandal, and J. Wan. Classification of hyperspectral ...
  • Fauvel, M., et al., Spectral and spatial classification of hyperspectral ...
  • Mountrakis, G., J. Im, and C. Ogole, Support vector machines ...
  • Kavzoglu, T. and P. Mather, The use of backpropaga ting ...
  • Jiang, H., et al., A method for application of classification ...
  • Gualieri, J.A. and R.F. Cromp. Support vector machines for hyperspectral ...
  • Huang, C., L. Davis, and J. Townshend, An assessment of ...
  • Ishibuchi, H., et al., Construction of fuzzy classification systems with ...
  • Tseng, M.-H., et al., A genetic algorithm rule-based approach for ...
  • Eads, D.R., et al. Genetic algorithms and support vector machines ...
  • Tu, C.-J., et al., Feature selection using PSO-SVM. International Journal ...
  • Prasad, Y., K.K. Biswas, and C.K. Jain, SVM classifier based ...
  • Li, M., et al., A review of remote sensing image ...
  • Puletti, N., R. Perria, and P. Storchi, Unsupervised classification of ...
  • Rollet, R., et al., Image classification algorithm based on the ...
  • Blanzieri, E. and F. Melgani, Nearest neighbor classification of remote ...
  • Dhodhi, M.K., et al., D-ISODATA A distributed algorithm for unsupervised ...
  • Shalaby, A. and R. Tateishi, Remote sensing and GIS for ...
  • Atkinson, P.M. and P. Lewis, Geostatisticat classification for remote sensing: ...
  • Dwivedi, R., S. Kandrika, and K. Ramana, Comparison of classifiers ...
  • Deer, P.J. and P. Eklund, A study of parameter values ...
  • Zhu, H. and O. Basir, An adaptive fuzzy evidential nearest ...
  • Zhang, X., et al., Land cover classification of the North ...
  • Vapnik, V., The nature of statistical learning theory. 2013: Springer ...
  • Burges, C.J., A tutorial on support vector machines for pattern ...
  • Ding, S. and X. Liu. Evolutionary computing optimization for parameter ...
  • Pal, M., Factors influencing the accuracy of remote sensing classifications: ...
  • Goldberg, D.E., Genetic algorithms in search optimization and machine learning. ...
  • Davis, L _ genetic algorithms tutorial. Handbook of genetic algorithms, ...
  • Ghamisi, P., M. Dalla Mura, and J.A. Benediktsson, A Survey ...
  • Zhang, X. and Y. Guo. Optimization of SVM parameters based ...
  • Lin, S.-W., et al., Particle Swarm optimization for parameter determination ...
  • Melgani, F. and Y. Bazi, Classification of e lec trocardiogram ...
  • Wu, Q., S. Wu, and J. Liu, Hybrid model based ...
  • Cohen, J., A coefficient of agreement for nominal scales. Educational ...

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 11,235
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

مقالات پیشنهادی مرتبط

New Papers

New Researchs

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support