مقاله ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری

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

  مقاله ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری  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 ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ترکیب طبقهبندی کنندهها جهت طبقهبندی دادههای سنجشاز دوری :

تعداد صفحات:۱۰

چکیده:

با پیشرفت فنآوری سنجش از دور و ایجاد سنسورهای جدید و مختلف تصویری، این امکان ایجاد شده است که تصاویر متعددی از یک صحنه در دسترس قرار گیرد. به دلایلی، از جمله محدود بودن تعداد نمونههای آموزشی، نتایج حاصل از روشهای کلاسیک طبقهبندی چنین تصاویری، رضایت بخش نیست. برای طبقهبندی چنین تصاویری از یک سیستم چند طبقهبندی کننده استفاده میشود. در این سیستم از استراتژی ترکیب تصمیمها که بالاترین سطح فنآوری ترکیب اطلاعات میباشد، استفاده شده است. با ارائه یک مکانیزم در این مقاله، این امکان ایجاد شده است که از یک سیستم چند طبقهبندی کننده، حتی برای طبقهبندی دادههای یک منبع استفاده شود. برای این منظور قبل از طبقهبندی اولیه در سیستم چند طبقهبندی کننده، ابتدا بدون توجه به سنسورهای تصویربرداری، باندهای موجود براساس معیار حداقل و حداکثر همبستگی، دستهبندی میشوند و دادههای هر دسته جهت طبقهبندی اولیه استفاده میشوند. در مرحله طبقهبندی نهایی، نتایج طبقهبندی اولیه منابع، براساس الگوریتمهای مختلف آماری و شبکه عصبی ترکیب شده و تصمیم نهایی در مورد کلاس یک پیکسل اتخاذ میگردد. علاوه بر این، در این مقاله اثر بکار گیری چند طبقهبندی کننده در مرحله طبقهبندی اولیه مورد بررسی قرار گرفته است. این روند روی دادههای واقعی اجرا شد و نتایج با استفاده از معیارهای مختلف مانند درجه صحت و نقشه تولید شده از طبقهبندی مورد تجزیه تحلیل کمی و کیفی قرار گرفتند. نتایج نشان میدهد که این روش طبقهبندی و بخصوص بکار گیری طبقهبندی کنندههای متنوع در مرحله طبقهبندی اولیه، میتواند مشکل محدود بودن تعداد نمونههای آموزشی در دادههای سنجش از دوری را تا حد قابل توجهی جبران نماید