انتخاب پارامترهای تکنیک SVM توسط الگوریتم ژنتیک جهت طبقه بندی داده های LiDAR
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 466
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCEGIT02_053
تاریخ نمایه سازی: 19 تیر 1398
Abstract:
طبقه بندی یک مرحله مهم در استخراج اطلاعات از تصاویر سنجش از دور است. SVM یک روش طبقه بندی نظارت شده است که قادر به غلبه بر مشکلاتی نظیر کم بودن تعداد داده های آموزشی، توزیع غیرخطی کلاس ها و بزرگ بودن ابعاد فضای ویژگی می باشد. یک محدودیت در بکارگیری SVM انتخاب مقدار مناسب برای پارامترهای ورودی آن است چرا که کارایی این روش به شدت تحت تاثیر مقادیر این پارامتر است. در این تحقیق از الگوریتم بهینه سازی ژنتیک جهت غلبه بر این محدودیت استفاده می شود. الگوریتم ژنتیک به کار گرفته شده در این تحقیق از Individual هایی استفاده می کند که به روش مقادیر حقیقی کدگذاری شده اند. از معیار Kappa بهعنوان تابع برازندگی و همچنین از روش های Arithmetic و Non-uniform به ترتیب برای عملگرهای ترکیب و جهش استفاده می شود. الگوریتم ارائه شده بروی یک مجموعه داده لیدار مربوط به منطقه ای در غرب آلمان پیاده سازی شد و نتایج آن با روش سنتی جستجوی شبکه ای مقایسه گردید. نتایج این ارزیابی حاکی از مقدار 96.22 درصد دقت کلی و کاپای 0.951 می باشد که در مقایسه با روش جستجوی شبکه ای نتایج بهتری را ارائه داده است.
Keywords:
Authors
محمد حاجب
مربی گروه سنجش از دور و GIS دانشگاه شهید بهشتی
آرا تومانیان
استادیار گروه سنجش از دور و GIS دانشگاه تهران
زینب آذربخش
دانشجوی دکترای سنجش از دور دانشگاه شهید بهشتی
فرشاد کریمی
کارشناس ارشد سنجش از دور و GIS دانشگاه شهید بهشتی