ارزیابی توانایی روش های مختلف خوشه ‌بندی در استخراج اشیا سه ‌بعدی از داده‌ های LIDAR


در حال بارگذاری
23 اکتبر 2022
فایل ورد و پاورپوینت
2120
2 بازدید
۷۹,۷۰۰ تومان
خرید

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

 ارزیابی توانایی روش های مختلف خوشه ‌بندی در استخراج اشیا سه ‌بعدی از داده‌ های LIDAR دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد ارزیابی توانایی روش های مختلف خوشه ‌بندی در استخراج اشیا سه ‌بعدی از داده‌ های LIDAR  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 ارزیابی توانایی روش های مختلف خوشه ‌بندی در استخراج اشیا سه ‌بعدی از داده‌ های LIDAR،به هیچ وجه بهم ریختگی وجود ندارد


بخشی از متن ارزیابی توانایی روش های مختلف خوشه ‌بندی در استخراج اشیا سه ‌بعدی از داده‌ های LIDAR :

نام کنفرانس، همایش یا نشریه : دانشکده فنی دانشگاه تهران

تعداد صفحات :۱۶

در سالهای اخیر، رشد چشمگیر و روزافزون استفاده از داده‌ های LIDAR در کشورهای مختلف، توجه محققین زیادی را به سمت تکنیک ‌های مختلف پردازش این داده‌ ها سوق داده است. ویژگیهای منحصر بفرد این داده ‌ها و بخصوص پتانسیل بالای آنها در افزایش کارایی روش های مطرح در اتوماتیک سازی روند استخراج عوارض مختلف سطح زمین، تحقیقات این شاخه را به سمت گسترش روش هایی هدایت می‌کند که تا حد‌ ممکن نیاز به دخالت اپراتور در پردازش داده ‌ها را کاهش دهند. در این میان، خوشه ‌بندی داده ‌های LIDAR جهت استخراج بدون نظارت عوارض گوناگون سطح زمین، توجه قابل ملاحظه ‌ای را به خود جلب نموده است. با این وجود، هنوز یک تحقیق جامع در خصوص ارزیابی توانایی روش ‌های مختلف خوشه‌ بندی داده‌ های LIDAR انجام نپذیرفته است. در این مقاله با بکارگیری مطرح ‌ترین روشهای خوشه ‌بندی (K-Means، FCM و SOM) مزایا، محدودیت ‌ها و میزان کارآیی هر کدام از آنها در استخراج عوارض سطح زمین از داده ‌های LIDAR برآورد گردیده است. با توجه به نتایج بدست آمده، روش شبکه‌ های عصبی خودسازمانده (SOM) از کارآیی بالاتری در خوشه‌بندی این داده‌ها نسبت به دیگر روش های مورد ارزیابی برخوردار است.

کلید واژه: LIDAR، شناسایی الگو، خوشه ‌بندی، K-Means، FCM، دقت، شبکه عصبی خودسازمانده

  راهنمای خرید:
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.