معرفی یک روش بهینه جهت خوشه بندی جز ءبندی داده های فراطیفی با استفاده از الگوریتم بهینه سازی توده ذرات
نویسندگان
چکیده
یکی از موفقیت آمیز ترین کاربردهای داده‌های فراطیفی، طبقه بندی آنها و تولید نقشه های پوشش زمین بدون نیاز به داده های واقعیت زمینی است. در میان روش های مختلف طبقه بندی غیرنظارت شده، روش های جزءبندی به دلیل سرعت و عملکرد بالا در خوشه بندی داده های فراطیفی مورد توجه قرار گرفته اند. عملکرد خوشه بندی مبتنی بر جزء بندی این داده ها تابع پنج پارامتر تعداد و موقعیت خوشه ها، تعداد و موقعیت باندها و معیار شباهت است. بنابراین می توان به مسئله ی خوشه بندی جزء بندی به صورت یک مسئله ی بهینه سازی نگاه کرد که هدف در آن پیدا کردن موقعیت بهینه ی پارامترهای مذکور است. بسته به اینکه کدامیک از این پنج پارامتر در فرآیند بهینه سازی توده ذرات وارد شوند چهار حالت معنی دار در این تحقیق در نظر گرفته شده و هدف پیدا کردن حالتی است که به بالاترین دقت در تهیه نقشه های موضوعی منجر شود. لازم به ذکر است که از میان پنج پارامتر مختلف خوشه بندی، معیار شباهت و تعداد خوشه ها به منظور جلوگیری از پدیده ی افزونی پارامترها وارد فرآیند بهینه سازی نشده و ثابت در نظر گرفته شدند. بررسی ها بر روی یک مجموعهی داده ی شبیه سازی و دو داده ی واقعی نشان دادند که از میان چهار حالت مورد بررسی در این تحقیق، حالتی که تعداد باندها در یک مرحله ی پیش پردازشی توسط خوشه بندی باندها در فضای داده ها یا با استفاده از تبدیل pca در فضای ویژگی کاهش داده می شود دارای دقت بالاتری در تهیه ی نقشه های موضوعی هستند.
منابع مشابه
معرفی یک روش بهینه جهت خوشه‌بندی جزءبندی داده‌های فراطیفی با استفاده از الگوریتم بهینه‌سازی توده ذرات
یکی از موفقیت‌آمیز‌ترین کاربردهای داده‌های فراطیفی، طبقه‌بندی آنها و تولید نقشه‌های پوشش زمین بدون نیاز به داده‌های واقعیت زمینی است. در میان روش‌های مختلف طبقه‌بندی غیرنظارت شده، روش‌های جزءبندی به‌دلیل سرعت و عملکرد بالا در خوشه‌بندی داده‌های فراطیفی مورد توجه قرار گرفته‌اند. عملکرد خوشه‌بندی مبتنی بر جزءبندی این داده‌ها تابع پنج پارامتر تعداد و موقعیت خوشه‌ها، تعداد و موقعیت باندها و معیار ...
متن کاملحل هم زمان خوشه بندی و تعیین باندهای بهینه داده های فراطیفی با استفاده از الگوریتم بهینه سازی توده ذرات
امروزه با رشد و توسعه ی سیستم های سنجش از دور و تولید داده های فراطیفی با قدرت تفکیک طیفی بالا انتظار می رود که شناسایی پدیده ها با دقت بیشتری انجام گیرد و دقت خوشه بندی کلاس های پوشش زمینی مشابه افزایش یابد. با وجود چنین پیشرفتی، اطلاعات طیفی با ابعاد زیاد همچنان مسئله ای چالش برانگیز در پردازش و تجزیه و تحلیل داده قلمداد می شود، به گونه ای که با افزایش ابعاد داده، دقت خوشه بندی تا یک حد آستان...
متن کاملمدل سازی توسعه شهری کلان شهر تهران با استفاده از الگوریتم بهینه یابی توده ای ذرات
رشد جمعیت شهرها در جهان به سبب جاذبه های اقتصادی، اجتماعی و داشتن امکانات ، در طول چند دهه گذشته به گونه ای بوده است که از 9/22% در سال 1985 به 47% در سال 2010 رسیده است. افزایش بی رویه جمعیت و مهاجرت جمعیت از روستاها به شهرها باعث تشدید فرایند توسعه شهرها شده است به گونه ای که در اکثر موارد این توسعه ها بدون برنامه، بدون کنترل و بدون تناسب با رشد جعیت و از همه مهمتر رشد زیرساختهای شهری بوده اس...
متن کاملشکستن الگوریتم رمزنگاری SDES با استفاده از الگوریتم استاندارد بهینه سازی پرتو ذرات بهینه شده
در سال‌‌‌‌‌‌‌‌‌‌‌‌‌های متمادی، شکستن الگوریتمهای رمزنگاری به‌عنوان یک چالش مورد توجه قرار گرفته است. الگوریتم رمزنگاری DES به-عنوان استانداردی جهت محرمانه نگه‌داشتن اطلاعات مورد استفاده قرار گرفته و این امکان برای محققان وجود دارد که آن را بیازمایند. الگوریتم رمزنگاری SDES نسخه ساده شده الگوریتم رمزنگاری DES می‌باشد که محققان جهت پژوهش، الگوریتم رمزنگاریSDES را مورد استفاده قرار...
متن کاملبهینه سازی مسیر تردد سرویسهای حمل و نقل یک شرکت، با استفاده از خوشه بندی و الگوریتم ژنتیک
یکی از راهکارهای استفاده پایدار از منابع، سیستم حمل و نقل ادارات است. امروزه، سامانه های حمل و نقل به صورت دلخواه و با نظر افراد تعیین می شوند، در حالی که این انتخاب بهینه نیست. بنابراین باید روشی اتخاذ شود که بتوان این مسئله را به صورت کارآمد مدل کرد. از سوی دیگر در صورتی که تعداد کارمندان در یک شرکت زیاد باشد، فضای جستجوی مسئله افزایش پیدا کرده و استفاده از الگوریتمهای ریاضی مشکل است. به همین...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
علوم و فنون نقشه برداریجلد ۴، شماره ۴، صفحات ۲۶۷-۲۸۲
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023