مقاله طبقهبندی تصاویر فراطیفی به وسیله ی ترکیب روش ماشینهای بردار پشتیبان و مؤلفههای مستقل مقید

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله طبقهبندی تصاویر فراطیفی به وسیله ی ترکیب روش ماشینهای بردار پشتیبان و مؤلفههای مستقل مقید دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله طبقهبندی تصاویر فراطیفی به وسیله ی ترکیب روش ماشینهای بردار پشتیبان و مؤلفههای مستقل مقید  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله طبقهبندی تصاویر فراطیفی به وسیله ی ترکیب روش ماشینهای بردار پشتیبان و مؤلفههای مستقل مقید،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله طبقهبندی تصاویر فراطیفی به وسیله ی ترکیب روش ماشینهای بردار پشتیبان و مؤلفههای مستقل مقید :

تعداد صفحات:۲۰
چکیده:
این پژوهش شامل یک روش ترکیبی، جهت طبقه بندی نظارت شده تصاویر سنجش از دور فرا طیفی می باشد. در طبقه بندی نظارت شده ، به اطلاعات اولیه از صحنه تصویر برداری همچون تعداد و نوع کلاس های حاضر به عنوان داده های آموزشی برای آموزش طبقه بندی کننده نیاز است. در روش پیشنهادی، با ترکیب فرآیند جداسازی طیفی و طبقه بندی نظارت شده ، نیاز به داشتن اطلاعات اولیه مرتفع می گردد. در این مقاله از روش تحلیل مؤلفه های مستقل مقید جهت جداسازی طیفی استفاده شده است. پس از استخراج مشخصه طیفی و فراوانی عناصرخالص موجود در صحنه، خالص ترین پیکسل ها از نقشه فراوانی هر عنصرخالص به عنوان داده آموزشی برگزیده می شوند. در مرحله بعد به منظور تهیه یک نقشه از پراکندگی فضایی این پدیده ها از روش طبقه بندی نظارت شده و الگوریتم طبقه بندی کننده ماشین بردار پشتیبان استفاده می شود. برای ارزیابی کارایی و دقت روش پیشنهادی دراین پژوهش، الگوریتم توسعه یافته بر روی پایگاه داده سالیناس مربوط به سنجنده آویریس مورد بررسی قرار گرفته است. دقت کلی و ضریب کاپا طبقه بندی روش پیشنهادی به ترتیب % ۰۴/۹۸ و % ۶۵/۹۷ است که درمقایسه با روش های مرسوم طبقه بندی نظارت شده بهتر هستند. روش پیشنهادی دارای دو مزیت است: نخست نیاز به داده های آموزشی از طریق فرآیند جدا سازی طیفی به صورت خود کار برطرف گردیده است، دوم آنکه گزینش بهترین داده ها جهت آموزش طبقه بندی کننده با داشتن ماتریس فراوانی عناصر خالص نتایج بهتری به دست می دهد.