كاربرد تابع مشخص نرمال چوله براي كاهش خطا در كلاس بندي تصاوير ماهواره اي  Fulltext 

[ محمدرضا زادكرمي ] - عضو هيئت علمي دانشكده علوم رياضي و كامپيوتر دانشگاه شهيد چمران اهواز
[ مهدي روحاني ] - دانشجوي كارشناسي ارشد آمار رياضي دانشگاه شهيد چمران اهواز
[ كاظم رنگزن ] - عضو هيئت علمي دانشكده سنجش از راه دور دانشگاه شهيد چمران اهواز

خلاصه مقاله:

حالات واقعي زيادي وجود دارد كه داده ها از توزيع چند متغيري پيروي مي كنند كه بعضي از مولفه هاي آن نرمال و بعضي ديگر غير نرمال (نمزديك به نرمال) مي باشند. به طور مثال در كلاس بندي تصاوير ماهواره اي در سنجش از راه دور، تصاوير داراي پوشش هاي مختلفي مي باشند كه بعضي از آنها داراي توزيع نرمال و بقيه نزديك به نرمال هستند. تابع مميزي خطي نرمال و تابع مميزي درجه دوم نرمال، دو تابع مميزي رايج براي كلاس بندي تصاوير ماهواره اي هستند كه در اكثر نرم افزارهاي سنجش از راه دور مانند ERDAS و ENVI از اين دو تابع براي انجام عمليات مميزي استفاده مي شود. در اين مقاله به بررسي تابع مميزي براي جوامع داراي توزيع نرمال و غيرنرمال(نرمال چوله) پرداخته شدئهخ است و خطاي كلاس بندي آن با توابع مميزي LDF و QDF مقايسه شده است و با توجه به اينكه تفاوت خطاي كلاس بندي بين روشهاي مميزي معني دار است، توصيه مي گردد به خاطر حصول تصاوير با كيفيت برتر و خطاي كلاس بندي كمتر، در نرم افزارهاي سنجش از راه دور به جاي استفاده از توابع مميزي LDF و QDF از تابع مميزي نرمال چوله استفاده گردد.

تابع مميزي در جه دوم نرمال، تابع صعودي خطي نرمال ، تابع مميزي نرمال چوله ، توزيع چند مميزي نرمال ، توزيع چند متغيري نرمال چوله ، خطاي كلاس بندي ، كلاس بندي تصاوير ماهواره اي