CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

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

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۳۷۷۸ | نظرات: ۰
سال انتشار: ۱۳۸۵
نوع ارائه: پوستر
محل انتشار: همایش ژئوماتیک 85
کد COI مقاله: GEO85_77
زبان مقاله: فارسی
حجم فایل: ۳۸۷.۲۱ کلیوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

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

مجید خلیفه قلی - دانشجوی کارشناسی ارشد سنجش از دور
  عباس علیمحمدی - عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی
  محمدجواد ولدان زوج (شناسه پژوهشگر - Researcher ID: ۲۴۰۷)
عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی

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.

کلیدواژه‌ها:

تصاویر ابر طیفی ، Support Vector Machines (SVM)

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-GEO85-GEO85_77.html
کد COI مقاله: GEO85_77

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خلیفه قلی, مجید؛ عباس علیمحمدی و محمدجواد ولدان زوج، ۱۳۸۵، ارزیابی تاثیر اندازه داده های آموزشی بر دقت الگوریتم SVM در طبقه بندی داده های ابر طیفی، همایش ژئوماتیک 85، تهران، سازمان نقشه برداری کشور، https://www.civilica.com/Paper-GEO85-GEO85_77.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (خلیفه قلی, مجید؛ عباس علیمحمدی و محمدجواد ولدان زوج، ۱۳۸۵)
برای بار دوم به بعد: (خلیفه قلی؛ علیمحمدی و ولدان زوج، ۱۳۸۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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, ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.