بخش بندی تصاویر لیدار با استفاده ازخوشه بندی بهینه سازی ازدحام ذرات درمنطقه شهری
Publish place: پنجمین همایش پژوهش های نوین در علوم و فناوری
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 494
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EMAA05_116
تاریخ نمایه سازی: 14 آذر 1395
Abstract:
یکی از اقدامات اساسی در تغییر داده های LIDAR به موضوع های هدفمنددر مناطق شهری شامل تقسیم بندی این داده ها به واحدهای مربوطه ازطریق فرآیند دسته بندی میباشد. باید وجود، بعلت پیچیدگی صحنه و گوناگونی اهداف در مناطق شهری، از جمله،ساختمانها، جاده ها و درختان،آشکار است که کاربرد دسته بندی تنها یک دلی میباشد که کافی نییت. با توجه به دردسترس بودن منابع داده های اضافی، مانند محدوده لیزر و اطلاعات شدت دراولین و اخرین اکو اطلاعات بیشتررامیتوان درفرایند دسته بندی و در نهایت به صورت طرح شناخت و بازسازی بدست آورد. ویژگی چند بعدی بودن داده های LIDAR با نمونه بارداری متراکم فاصله ای در منطقه شهری اطلاعات زیادی در اختیار میگذارد.این اطلاعات مشکلات زیادی را در پیدا کردن شرایط جهانی در بسیاری از تکنیک هاایدسته بندی قدیمی بوجود می آورد. این مقاله پتانسیل الگوریتم بهینه سازی ازدحام ذرات ) pso ( را جهت دستیابی به راه حل های جهانی برای مشکل دسته بندی داده های چند بعدی LIDAR در منطقه شهری توصیف می کند. این الگوریتم یک نوع هوش ازدحامی )گروهی( بر مبنای اصول روانشناختی اجتماعی است و بینشی جهت رفتار اجتماعی و همچنین کمک به ایجادبرنامه های کاربردی مهندسی فراهم میکند.با ادغام الگوریتب خوشه بندی k-means با قابلیت الگوریتم pso ، این مقاله یک روش خوشه بندی قوی و کارآمد است که میتواند مشکل مقدار مطلوب منطقه ای تکنیک k-means را حل کند
Keywords:
Authors
عبدالله عبرتاوی
کارشناسی ارشد،دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد شادگان
علی امین رشیدی فر
کارشناسی ارشد،دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد شادگان
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 :