ارزیابی تاثیر اندازه داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی
Publish place: Geomatics 1385
Publish Year: 1385
Type: Conference paper
Language: Persian
View: 4,439
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
GEO85_77
Index date: 14 January 2006
ارزیابی تاثیر اندازه داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی abstract
بدلیل پدیده هاف در طبقه بندی داده های ابر طیفی، طبقه بندی کننده های معمولی به تعداد نمونه های آموزشی زیادی دارند و معمولا نتایج رضایت بخشی بدست نمی آورند. در بسیاری از موارد جمع آوری حجم زیاد مورد نیاز از داده هامشکل و غیر ممکناست. 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 درمنطقه 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 داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی Keywords:
تصاویر ابر طیفی , Support Vector Machines (SVM)
ارزیابی تاثیر اندازه داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی 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 :