ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری
محل انتشار: پنجمین کنفرانس سراسری سیستم های هوشمند
سال انتشار: 1382
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 933
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICS05_100
تاریخ نمایه سازی: 16 آذر 1390
چکیده مقاله:
با پیشرفت فنآوری سنجش از دور و ایجاد سنسورهای جدید و مختلف تصویری، این امکان ایجاد شده است که تصاویر متعددی از یک صحنه در دسترس قرار گیرد. به دلایلی، از جمله محدود بودن تعداد نمونههای آموزشی، نتایج حاصل از روشهای کلاسیک طبقهبندی چنین تصاویری، رضایت بخش نیست. برای طبقهبندی چنین تصاویری از یک سیستم چند طبقهبندی کننده استفاده میشود. در این سیستم از استراتژی ترکیب تصمیمها که بالاترین سطح فنآوری ترکیب اطلاعات میباشد، استفاده شده است. با ارائه یک مکانیزم در این مقاله، این امکان ایجاد شده است که از یک سیستم چند طبقهبندی کننده، حتی برای طبقهبندی دادههای یک منبع استفاده شود. برای این منظور قبل از طبقهبندی اولیه در سیستم چند طبقهبندی کننده، ابتدا بدون توجه به سنسورهای تصویربرداری، باندهای موجود براساس معیار حداقل و حداکثر همبستگی، دستهبندی میشوند و دادههای هر دسته جهت طبقهبندی اولیه استفاده میشوند. در مرحله طبقهبندی نهایی، نتایج طبقهبندی اولیه منابع، براساس الگوریتمهای مختلف آماری و شبکه عصبی ترکیب شده و تصمیم نهایی در مورد کلاس یک پیکسل اتخاذ میگردد. علاوه بر این، در این مقاله اثر بکار گیری چند طبقهبندی کننده در مرحله طبقهبندی اولیه مورد بررسی قرار گرفته است. این روند روی دادههای واقعی اجرا شد و نتایج با استفاده از معیارهای مختلف مانند درجه صحت و نقشه تولید شده از طبقهبندی مورد تجزیه تحلیل کمی و کیفی قرار گرفتند. نتایج نشان میدهد که این روش طبقهبندی و بخصوص بکار گیری طبقهبندی کنندههای متنوع در مرحله طبقهبندی اولیه، میتواند مشکل محدود بودن تعداد نمونههای آموزشی در دادههای سنجش از دوری را تا حد قابل توجهی جبران نماید
کلیدواژه ها:
نویسندگان
بهزاد مشیری
گروه مهندسی برق و کامپیوتردانشکده فنی دانشگاه تهران
حمید دهقانی
دانشگاه تربیت مدرس
فرهاد بشارتی
دانشکده فنی دانشگاه تهران
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 :