ارزیابی تاثیر اندازه داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی

محل انتشار: همایش ژئوماتیک 85
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 4,289

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GEO85_77

تاریخ نمایه سازی: 24 دی 1384

چکیده مقاله:

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.

کلیدواژه ها:

تصاویر ابر طیفی ، Support Vector Machines (SVM)

نویسندگان

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 مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • _ G. F. Hughes, «On the mean accuracy of statistical ...
  • J. P. Hoffbeck and D. A. Landgrebe, 44Covariance matrix estimation ...
  • S. Tadjudin and D. A. Landgrebe, «Covariance estimation with limited ...
  • Q. Jackson and D. A. Landgrebe, ، An adaptive classifier ...
  • B. M. Shahshahani and D. _ Landgrebe, ، The effect ...
  • A. P. Dempster, N. M. Laird, and D. B. Rubin, ...
  • exp e ctati on-maximiz ation algorithm, ' Signal Process. Mag., ...
  • J. A. Richards and X. Jia, Remote Sensing Digital Image ...
  • L. Bruzzone, F. Roli, and S. B. Serpico, ،0An extension ...
  • J. Kittler, ،#Feature set search algorithm, ' in Pattern Recognition ...
  • P. Pudil, J. Novovicova, and J. Kittler, *Floating search methods ...
  • S. B. Serpico and L. Bruzzone, ،A new search algorithm ...
  • C. Lee and D. A. Landgrebe, ،Feature extraction based _ ...
  • L. O. Jimenez and D. A. Landgrebe, ، *Hypersp ectral ...
  • S. Kumar, J. Ghosh, and M. M. Crawford, ، Best-bases ...
  • J. P. Hoffbeck and D. A. Landgrebe, ،، Classification of ...
  • F. Tsai andW. D. Philpot, ،0A derivative -aided hyperspectral image ...
  • V. N. Vapnik, Statistical Learning Theory. New York: Wiley, 1998. ...
  • F. Melgani and L. Bruzzone, ،، Classification of Hyperspectral Remote ...
  • C. Cortes and V. Vapnik. Support vector networks. Machine Learning, ...
  • B. Scholkopf, A. J. Smola, R. C. Williamson, and P. ...
  • V. Vapnik. The Nature of Statistical Learning Theory. Springer Verlag, ...
  • Pai-Hsuen Chen, et al, ،0A Tutorial _ v-Support Vector Machines, ...
  • نمایش کامل مراجع