OPTIMIZATION OF GAUSSIAN MIXTURE MODEL USING GENETIC ALGORITHM FOR LAND COVER CLASSIFICATION
محل انتشار: کنفرانس بین المللی مهندسی معماری و شهرسازی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 644
فایل این مقاله در 7 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ARCHITECTUREUR01_037
تاریخ نمایه سازی: 9 مرداد 1395
چکیده مقاله:
Gaussian Mixture Models (GMMs) have been frequently applied in hyperspectral image classification tasks. The problem of estimating the parameters in a Gaussian mixture model has been studied in the literature. Expectation-Maximization (EM) algorithm is one of the methods that can be applied for this problem. EM is a general method for optimizing likelihood functions and is useful in situations where data might be missing or simpler optimization methods fail [1]. On the other hand, the large number of bands in a hyperspectral images leads into estimation of a large number of parameters. In this paper, we use the Genetic Algorithm (GA) for solving the high dimensionality of the data and optimizing the EM-GMM classifier. In order to evaluate the proposed algorithm in real analysis scenarios, we use two benchmark hyperspectral data sets collected by AVIRIS and Reflective Optics System Spectrographic Imaging System (ROSIS).
کلیدواژه ها:
Gaussian Mixture Model (GMM) ، EM algorithm ، Genetic Algorithm (GA) ، classification ، Dimension Reduction
نویسندگان
h ghanbari
Dept. of Geomatics, College of Engineering, U. of Tehran, Iran
s homayouni
Dept. of Geography, Environmental Studies and Geomatics, U. of Ottawa, Ottawa, Canada
a safari
Dept. of Geomatics, College of Engineering, U. of Tehran, Iran
a mohammadpour
Dept. of Statistics, Faculty of Mathematics and Computer Science, Amirkabir University of Technology, Tehran, Iran
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 :