CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Accuracy Assessment of MOGA-SVM MethodComparing with Some Supervised and Unsupervised Classification Methods

اعتبار موردنیاز : ۱ | تعداد صفحات: ۵ | تعداد نمایش خلاصه: ۶۶ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: NCCESDR05_001
زبان مقاله: انگلیسی
حجم فایل: ۴۳۱.۳۶ کیلوبایت (فایل این مقاله در ۵ 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 ۵ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Accuracy Assessment of MOGA-SVM MethodComparing with Some Supervised and Unsupervised Classification Methods

  Alireza Sharifi - Shahid Rajaee Teacher Training University, Civil engineering faculty, Tehran, Iran
Mohammad Hossein gholizadeh - Shahid Rajaee Teacher Training University, Civil engineering faculty, Tehran, Iran

چکیده مقاله:

In The problem of unsupervised classification of satellite image in number of homogeneous regions can be viewed as the task of clustering the pixels in the intensity space. This paper compares new method that combines recently proposed multi-objective fuzzy clustering scheme with support vector machine (SVM) classifier with four unsupervised and supervised methods like maximum likelihood (ML), SVM, fuzzy c-means (FCM), and k-means (KM). The multi-objective technique is first used to produce set of non-dominated solutions. The non-dominated set is then used to find some high-confidence points using fuzzy voting technique. The SVM classifier is thereafter trained by these high-confidence points. Finally, the remaining points are classified using the trained classifier. However, results demonstrating that supervised classification methods is better than unsupervised methods but new method (MOGA-SVM) shows the best result among other clustering methods. Moreover, TM satellite image of Qaem Shahr, Iran has been classified using the proposed technique to establish its utility.

کلیدواژه‌ها:

Fuzzy clustering, multi-objective optimization (MOO), support vector machine (SVM), Genetic algorithm

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-NCCESDR05-NCCESDR05_001.html
کد COI مقاله: NCCESDR05_001

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:
Sharifi, Alireza & Mohammad Hossein gholizadeh, ۱۳۹۷, Accuracy Assessment of MOGA-SVM MethodComparing with Some Supervised and Unsupervised Classification Methods, سیزدهمین سمپوزیوم بین المللی پیشرفت های علوم و تکنولوژی:سرزمین پایدار،مهندسی عمران و محیط زیست, مشهد, موسسه آموزش عالی خاوران- دانشگاه شهید رجایی - انجمن علوم و فنون دریایی, https://www.civilica.com/Paper-NCCESDR05-NCCESDR05_001.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: (Sharifi, Alireza & Mohammad Hossein gholizadeh, ۱۳۹۷)
برای بار دوم به بعد: (Sharifi & gholizadeh, ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 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.