چکیده مقاله
طبقه بندی یک مرحله مهم در استخراج اطلاعات از تصاویر سنجش از دور است SVM یک روش طبقه بندی نظارت شده است که قادر به غلبه بر مشکلاتی نظیر کم بودن تعداد داده های آموزشی، توزیع غیرخطی کلاس ها و بزرگ بودن ابعاد فضای ویژگی می باشد یک محدودیت در بکارگیری SVM انتخاب مقدار مناسب برای پارامترهای ورودی آن است چرا که کارایی این روش به شدت تحت تاثیر مقادیر این پارامتر است در این تحقیق از الگوریتم بهینه سازی ژنتیک جهت غلبه بر این محدودیت استفاده می شود الگوریتم ژنتیک به کار گرفته شده در این تحقیق از Individual هایی استفاده می کند که به روش مقادیر حقیقی کدگذاری شده اند از معیار Kappa بهعنوان تابع برازندگی و همچنین از روش های Arithmetic و Non uniform به ترتیب برای عملگرهای ترکیب و جهش استفاده می شود الگوریتم ارائه شده بروی یک مجموعه داده لیدار مربوط به منطقه ای در غرب آلمان پیاده سازی شد و نتایج آن با روش سنتی جستجوی شبکه ای مقایسه گردید نتایج این ارزیابی حاکی از مقدار 96 22 درصد دقت کلی و کاپای 0 951 می باشد که در مقایسه با روش جستجوی شبکه ای نتایج بهتری را ارائه داده است
کلیدواژهها
نویسندگان
محمد حاجب
مربی گروه سنجش از دور و GIS دانشگاه شهید بهشتی
آرا تومانیان
استادیار گروه سنجش از دور و GIS دانشگاه تهران
زینب آذربخش
دانشجوی دکترای سنجش از دور دانشگاه شهید بهشتی
فرشاد کریمی
کارشناس ارشد سنجش از دور و GIS دانشگاه شهید بهشتی
شیوه ارجاع
�اجب، محمد و تومانیان، آرا و آذربخش، زینب و کریمی، فرشاد،1395،انتخاب پارامترهای تکنیک SVM توسط الگوریتم ژنتیک جهت طبقه بندی داده های LiDAR،دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی،تهران
ارائهشده در
مجموعه مقالات دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی29 دی 1395 · تهران