معرفی یک روش بهینه جهت خوشه بندی جز ءبندی داده های فراطیفی با استفاده از الگوریتم بهینه سازی توده ذرات
امین علیزاده نائینی، a. alizadeh naeini department of geomatics, faculty of engineering, university of tehran, north kargar street, tehran, iranدانشگاه تهران، گروه نقشه برداری محمد سعادت سرشت، m. saadatseresht department of geomatics, faculty of engineering, university of tehran, north kargar street, tehran, iranدانشگاه تهران، گروه نقشه برداری سعید همایونی، s. homayouni department of geography, university of ottawa, ottawa, canada, k1n 6n5دانشگاه اتاوا، کانادا ابوالفضل جمشیدزاده، a. jamshidzadeh department of geomatics, faculty of engineering, university of bojnord, bojnord, iran.گروه مهندسی نقشه برداری، دانشکده مهندسی، دانشگاه بجنورد، خراسان شمالی
Abstract
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.
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. ع
Articleمهندسی نقشه برداری و اطلاعات مکانیحیدر راستی ویس، h. rastiveis school of surveying and geospatial engineering,college of engineering, university of tehran,خ کارگر شمالی-پردیس دانشکده های فنی- دانشکده نقشه برداری گروه فتوگرامتری فرهاد صمدزادگان، f. samadzadegan school of surveying and geospatial engineering,college of engineering, university of tehran,خ کارگر شمالی-پردیس دانشکده های فنی- دانشکده نقشه برداری گروه فتوگرامتری
در سالهای اخیر، تکنولوژی لیدار به عنوان یک تکنولوژی کارآمد در کسب اطلاعات سهبعدی از زمین شناخته شده و هر روز بیش از پیش مورد توجه مهندسین و متخصصان مهندسی ژئوماتیک قرار میگیرد. استخراج عوارض از دادههای لیدار به عنوان یکی از مسائل مهم در پردازش این اطلاعات به شمار میآید. یکی
Articleبین المللی مهندسی صنایع و مدیریت تولیدmasoud yaghini assistance professor of school of railway engineering - iran university of science and technology، mahdi vard msc, school of railway engineering - iran university of science and technology
مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. در مسائل خوشهبندی در دنیای واقعی، اغلب با مجموعه دادههایی مواجهیم که از ترکیبی از مقادیر عددی و دستهای تشکیل شدهاند. در حالیکه اغلب روشهای خوشهبن
Articleمهندسی فناوری اطلاعات مکانیفاطمه عامری، fateme ameri محمدجواد ولدان زوج، mohammad javad valadan zoej مهدی مختارزاده، mehdi mokhtarzadeh
این تحقیق در بر گیرنده روشی نوین در استخراج راه در قالب دو مرحله کشف راه و برداری سازی آن می باشد. در مرحله کشف راه تصویر مشتمل بر کلاس عوارض راه با استفاده از خوشه بندی به روش سی مینز فازی و بهبود تصویر با بهره گیری از پاره ای از عملیات پس پردازشی حاصل می گردد. در مرحله برداری س
Article2011تحقیقات مرتع و بیابان ایرانصالح آرخی، مصطفی ادیب نژاد
طبقه‌بندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتمها برای این منظور توسعه یافتهاند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان[1](svms) را در طبقه‌بندی تصاویر ماهوارهای مورد بررسی قرار میدهد. ماشینهای
امروزه استفاده از برآورد اطلاعات حسابداری همانند سایر رشته ها بدلیل عدم دسترسی به تمام اطلاعات، لازم و ضروری می باشد. به همین دلیل در این پژوهش سعی شده با استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآورد های حسابداری مورد بررسی قرار گیرد تا مشخص گردد روش های مختلف خ