محمد کریمی فیروزجایی؛ امیر صدیقی؛ نجمه نیسانی سامانی
چکیده
بکارگیری ویژگیهای بهینه در الگوریتمهای مختلف طبقهبندی، بر دقت نتایج حاصل از طبقهبندی تأثیرگذار میباشد. هدف از پژوهش حاضر بررسی قابلیتهای تصاویر هایپریون و لندست و مقایسه کارایی الگوریتمهای بهینهسازی ازدحام ذرات و جستجوی گرانشی جهت تعیین ویژگیهای بهینه برای تفکیک اراضی فضای سبز و شالیزار میباشد. در این مطالعه ...
بیشتر
بکارگیری ویژگیهای بهینه در الگوریتمهای مختلف طبقهبندی، بر دقت نتایج حاصل از طبقهبندی تأثیرگذار میباشد. هدف از پژوهش حاضر بررسی قابلیتهای تصاویر هایپریون و لندست و مقایسه کارایی الگوریتمهای بهینهسازی ازدحام ذرات و جستجوی گرانشی جهت تعیین ویژگیهای بهینه برای تفکیک اراضی فضای سبز و شالیزار میباشد. در این مطالعه از تصاویر ماهوارهای لندست، هایپریون و مجموعه دادههای واقعی مربوط به منطقهای در شمال ایران استفاده شده است. در این مطالعه کارایی الگوریتمهای بهینهسازی ازدحام ذرات و جستجوی گرانشی جهت تعیین ویژگیهای بهینه و قابلیت تصاویر لندست و هایپریون برای تفکیک اراضی فضای سبز و شالیزار با استفاده از مجموعهی دادههای واقعی مقایسه گردید. برای ارزیابی نتایج از پارامترهای دقت کاربر، دقت تولید کننده، دقت کلی و ضریب کاپا استفاده شده است. نتایج پژوهش بیانگر این است که دقت کلی تفکیک اراضی فضای سبز و شالیزار با تصویر هایپریون 15 درصد بالاتر از تصویر لندست میباشد. بکارگیری شاخصهای طیفی در فرایند طبقهبندی، سبب بهبود دقت تفکیک اراضی فضای سبز و شالیزار در هر دو داده لندست و هایپریون می گردد. همچنین استفاده از الگوریتم بهینهسازی برای تعیین ویژگیهای بهینه و استفاده از ویژگیهای بهینه در فرایند طبقهبندی سبب افزایش دقت تفکیک اراضی فضای سبز و شالیزار میگردد. با توجه به مقادیر دقت کلی، کارایی الگوریتم بهینهسازی جستجوی گرانشی برای تفکیک اراضی فضای سبز و شالیزار 2 درصد بهتر از الگوریتم ازدحام ذرات میباشد.
میر رضا غفاری رزین؛ بهزاد وثوقی
چکیده
در این مقاله از ترکیب شبکههای عصبی موجک (WNNs) به همراه الگوریتم آموزش بهینهسازی انبوه ذرات (PSO) جهت مدلسازی تغییرات زمانی محتوای الکترون کلی (TEC) یونسپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم ...
بیشتر
در این مقاله از ترکیب شبکههای عصبی موجک (WNNs) به همراه الگوریتم آموزش بهینهسازی انبوه ذرات (PSO) جهت مدلسازی تغییرات زمانی محتوای الکترون کلی (TEC) یونسپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم PSO به ترتیب 25، 20، 15 و 10 ایستگاه از شبکه مبنای ژئودینامیک ایران (IPGN) میباشند. در هر چهار حالت تعداد پنج ایستگاه با توزیع مناسب در گستره جغرافیایی ایران به عنوان ایستگاههای آزمون در نظر گرفته شدهاند. شاخصهای آماری خطای نسبی، خطای مطلق و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی و مدل جهانی یونسپهر 2016 (IRI-2016) مقایسه شده است. میانگین خطای نسبی محاسبه شده در 5 ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 43/13%، با 20 ایستگاه آموزش برابر با 73/13%، با 15 ایستگاه آموزش برابر با 05/15% و با 10 ایستگاه آموزش برابر با 17/28% تعیین شده است. همچنین میانگین مقادیر ضریب همبستگی محاسبه شده در پنج ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 9768/0، با 20 ایستگاه آموزش برابر با 9545/0، با 15 ایستگاه آموزش برابر با 9376/0 و با 10 ایستگاه آموزش برابر با 7569/0 محاسبه شده است. نتایج این مقاله نشان میدهد که مدل شبکه عصبی موجک با الگوریتم آموزش PSO یک مدل قابل اعتماد جهت پیشبینی تغییرات زمانی یونسپهر در منطقه ایران است. این مدل میتواند یک جایگزین بسیار مطمئن برای مدل مرجع جهانی یونسپهر در ایران باشد.