CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بهره گیری از پیش طبقه بندی حداکثر احتمال برای بهینه سازی طبقه بندی چند کلاسه تصاویر ابر طیفی با ماشین بردار پشتیبان

اعتبار موردنیاز : ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۰۷۱ | نظرات: ۰
سرفصل ارائه مقاله: مخابرات
سال انتشار: ۱۳۸۷
کد COI مقاله: ICEE16_236
زبان مقاله: فارسی
حجم فایل: ۱.۲ مگابات (فایل این مقاله در ۶ 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.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهره گیری از پیش طبقه بندی حداکثر احتمال برای بهینه سازی طبقه بندی چند کلاسه تصاویر ابر طیفی با ماشین بردار پشتیبان

  سیدعلی حسینی - دانشگاه آزاد اسلامی واحد علوم و تحقیقات گروه برق
  حسن قاسمیان - دانشگاه تربیت مدرس، بخش مهندسی برق و کامپیوتر

چکیده مقاله:

ماشین بردار پشتیبان یک طبقه بندی کننده غیر آماری و هندسی است و برتری آن نسبت به بسیاری از طبقه بندی کننده ها در مسائل مختلف مشخص شده است. این طبقه بندی کننده نسبت به پدیده هیوز و کم بودن نقاط آموزشی حساسیت کمتری دارد لذا برای طبقه بندی تصاویر ابر طیفی مناسب به نظر می رسد. مشکل اصلی طبقه بندی با ماشین بردار پشتیبان برای تصاویر ابر طیفی، دودویی بودن بنیان اصلی این طبقه بندی کننده می باشد در حقیقت این طبقه بندی کننده در مسائل دو کلاسه بسیار خوب عمل می کند اما الگوریتم های چند کلاسه دارای حجم محاسبات بالا می باشد و صحت را نیز تحت تاثیر می دهند. بنابراین برای طبقه بندی با تعداد کلاس زیاد و حجم اطلاعات بالا عملا غیر قابل استفاده می باشند. در این مقاله روش جدیدی پیشنهاد شده که در آن ابتدا یک طبقه بندی اولیه به وسیله طبقه بندی کننده حداکثر احتمال انجام می پذیرد سپس ماشین بردار پشتیبان بین کلاس های دارای احتمال بیشتر تصمیم گیری می نماید. نتایج آزمایش بر روی داده های واقعی سنجنده ابر طیفی AVIRIS نشان می دهد که این روش نسبت به روش های ماشین بردار چندکلاسه متداول دارای حجم محاسبات و مدت زمان محاسبات بسیار کمتر و همینطور صحت و اعتبار نسبتاً بهتری است.

کلیدواژه‌ها:

طبقه بندی حداکثر احتمال ، SVM چند کلاسه ، تصاویر ابر طیفی ، درخت تصمیم گیری

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-ICEE16-ICEE16_236.html
کد COI مقاله: ICEE16_236

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:
حسینی, سیدعلی و حسن قاسمیان، ۱۳۸۷، بهره گیری از پیش طبقه بندی حداکثر احتمال برای بهینه سازی طبقه بندی چند کلاسه تصاویر ابر طیفی با ماشین بردار پشتیبان، شانزدهیمن کنفرانس مهندسی برق ایران، تهران، دانشگاه تربیت مدرس، https://www.civilica.com/Paper-ICEE16-ICEE16_236.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: (حسینی, سیدعلی و حسن قاسمیان، ۱۳۸۷)
برای بار دوم به بعد: (حسینی و قاسمیان، ۱۳۸۷)
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 :

  • F.Melgani, L.Bruzzone, _، Classification of Hyperspectral Remote Sensing Images With ...
  • B.Fei, J.Liu, 4Binary tree of SVM: A new fast multiclass ...
  • D. J. Sebald and J. A. Bucklew, "Support vector machines ...
  • J. A. Gualtieri and R. F. Cromp, *Support Vector machines ...
  • C.-W. Hsu and C.-J. Lin, ،A comparison of methods for ...
  • J. Platt, N. Cristianini, and J. Shawe- Taylor, «Largemargin DAGsvM* ...
  • K. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd ed. New ...
  • L. O. Jimenez and D. A. Landgrebe, *Supervised classification in ...
  • M. G. Kendall, A Course in the Geometry of n- ...
  • http://dynamo. ecn.purdue. edu/~bieh l/MultiSpec. ...
  • 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.