پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > علوم ریاضی > مقطع کارشناسی ارشد > سال 1391
پدیدآورندگان:
فائضه صفری [پدیدآور اصلی]، داود شاهسونی[استاد راهنما]، حمید طاهری شهر آئینی [استاد راهنما]، برات مجردی [استاد مشاور]
چکیده: در گذشته برای ایجاد نقشه های رده بندی عوارض مختلف در سطح زمین از روشهای مطالعه میدانی که بسیار وقت گیر و هزینه بر بود استفاده می شد. با ظهور ماهواره ها و برداشت تصاویر ماهواره ای، این مهم توسط تصاویر ماهواره ای و پردازش آنها انجام می شود. اما مشکل این است که دقت نتیجه های استخراج شده بستگی به عملکرد روش پردازش تصویر برای رده بندی دارد. روشهای متداول رده بندی در گذشته توانسته اند به نحو مطلوبی این مهم را به انجام رسانند. با ظهور روشهای جدید پیشرفته آماری و یادگیری ماشین، می توان امید داشت که این روشها عملیات رده بندی تصاویر ماهواره ای را بهتر از روشهای متداول انجام دهند. در این مطالعه جهت رده بندی کاربری اراضی مختلف از روشهای پیشرفته آماری و یادگیری ماشین استفاده شده و عملکرد آنها با روشهای متعارف مقایسه می شوند. بدین منظور از داده های تشعشع ابرطیفی استفاده می شود که درطول و عرض های جغرافیایی مشخصی جمع آوری شده اند. این داده ها شامل 176 متغیر توضیحی (باند ماهواره) و یک متغیر پاسخ 13 رده ای است که نوع پوشش گیاهی در مختصات جغرافیایی منطقه مورد مطالعه را مشخص می کند. مقادیر متغیر توضیحی توسط سنجنده AVIRIS برداشت شده است. برای استخراج داده ها، از تصاویر ماهواره ای LAND SAT استفاده شده است. منطقه مطالعاتی در (KFC ( Kennedy Flight center ایالت فلوریدا آمریکا واقع شده است. روشهای پیشرفته آماری مورد مطالعه در این پایان نامه، شامل ماشین بردار پشتیبان و جنگل تصادفی می باشند. روش ماشین بردار پشتیبان دارای 4 تابع کرنل مختلف است که هر یک از آنها دارای پارامترهای خاص خود می باشند. انتخاب نوع توابع کرنل و بهینه سازی مقادیر پارامترهای آن که با استفاده از جستجوی نقطه ای انجام می شود، دارای هزینه محاسباتی گزافی است. جنگل تصادفی، مجموعه ای از چندین درخت تصمیم است که ساخت آن وابسته به دو پارامتر تعداد درخت و تعداد متغیرهای مورد نیاز در رشد درخت می باشد که هزینه اجرای آن بسیار کمتر از روش ماشین بردار پشتیبان است. این دو روش ذکر شده جزء روشهای پیشرفته هستند و روشهای متداول آماری شامل تحلیل ممیزی درجه دوم، تحلیل ممیزی خطی است که در علوم مهندسی به ترتیب روش ماکزیمم درستنمایی، فاصله ماهالونبیس نامیده می شوند. مدل نهایی از مقایسه روشهای پیشرفته و متداول آماری حاصل می شود. نتیجه مقایسه این 4 روش، مدل ماشین بردار پشتیبان با کرنل نرمال را مدل منتخب با دقت کلی 958/0 معرفی نموده که حساسیت بالایی برای تمامی رده ها دارد. به عبارت دیگر رده بندی برای تمامی 13 رده را بخوبی انجام داده است.
کلید واژه ها (نمایه ها):
#داده های ابر طیفی #جنگل تصادفی #ماشین بردار پشتیبان #رده بندی
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)