Support Vector Machine

حرية الوصول المقاله

1 - مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
مهسا عبدلی لاکتاسرائی مریم حقیقی خمامی

10.29252/.5.8.47

پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، ان أکثر

پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق‌تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهواره‌ایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره‌ای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی‌ شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایش‌یافته است. تفاصيل المقالة

حرية الوصول المقاله

2 - مقایسه روش¬های طبقه¬بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد
داود نظری ندا ماهوش محمدی محمدحسین آدابی اردشیر هزارخانی محمد قویدل سیوکی هانیه کلانی

تفکیک واحد های دگرسانی، برای بسیاری از فعالیت های معدنی از جمله اکتشاف کانسارها، دارای اهمیت می-باشد. در گذشته از روش های رایج کلاسیک بدین منظور استفاده می شد اما امروزه روش ماشین بردار پشتیبان (SVM) که یکی از مهم‌ترین مدل های داده کاوی است بسیار مورد استفاده قرار گرفته أکثر

تفکیک واحد های دگرسانی، برای بسیاری از فعالیت های معدنی از جمله اکتشاف کانسارها، دارای اهمیت می-باشد. در گذشته از روش های رایج کلاسیک بدین منظور استفاده می شد اما امروزه روش ماشین بردار پشتیبان (SVM) که یکی از مهم‌ترین مدل های داده کاوی است بسیار مورد استفاده قرار گرفته است. این مدل براساس نظریه یادگیری آماری می باشد. در پژوهش حاضر، روش ماشین بردار پشتیبان (SVM) و کرنل های مختلف آن با روش حداکثر احتمال به‌منظور تفکیک واحد های دگرسانی مواد معدنی منطقه تخت گنبد با استفاده از تصاویر ماهواره ای سنجنده ASTER مورد تحلیل و ارزیابی قرار گرفت. نتایج به‌دست‌آمده نشان داد که روش SVM با تابع کرنل RBF نسبت به سایر کرنل ها و روش حداکثر احتمال، بیشترین دقت (17/89 درصد) و ضریب کاپا (83/0) را دارا می باشد. ارزیابی نتایج به‌دست‌آمده و مطالعات صحرایی گویای این حقیقت است که روش SVM در طبقه بندی دگرسانی هایی با تفکیک پایین تر در منطقه مورد مطالعه بسیار کارآمدتر از روش های مورد بحث دیگر بوده است. تفاصيل المقالة

حرية الوصول المقاله

3 - Foreground-Back ground Segmentation using K-Means Clustering Algorithm and Support Vector Machine
Masoumeh Rezaei mansoureh rezaei Masoud Rezaei

10.52547/jist.16507.11.41.65

Foreground-background image segmentation has been an important research problem. It is one of the main tasks in the field of computer vision whose purpose is detecting variations in image sequences. It provides candidate objects for further attentional selection, e.g., أکثر

Foreground-background image segmentation has been an important research problem. It is one of the main tasks in the field of computer vision whose purpose is detecting variations in image sequences. It provides candidate objects for further attentional selection, e.g., in video surveillance. In this paper, we introduce an automatic and efficient Foreground-background segmentation. The proposed method starts with the detection of visually salient image regions with a saliency map that uses Fourier transform and a Gaussian filter. Then, each point in the maps classifies as salient or non-salient using a binary threshold. Next, a hole filling operator is applied for filling holes in the achieved image, and the area-opening method is used for removing small objects from the image. For better separation of the foreground and background, dilation and erosion operators are also used. Erosion and dilation operators are applied for shrinking and expanding the achieved region. Afterward, the foreground and background samples are achieved. Because the number of these data is large, K-means clustering is used as a sampling technique to restrict computational efforts in the region of interest. K cluster centers for each region are set for training of Support Vector Machine (SVM). SVM, as a powerful binary classifier, is used to segment the interest area from the background. The proposed method is applied on a benchmark dataset consisting of 1000 images and experimental results demonstrate the supremacy of the proposed method to some other foreground-background segmentation methods in terms of ER, VI, GCE, and PRI. تفاصيل المقالة

حرية الوصول المقاله

4 - تشخیص خودکار صرع گراندمال و بازشناسی اعمال عادی در ویدئو با تلفیق تکنیک‌های بینایی ماشین و یادگیری ماشین
امین حکیمی راد نصراله مقدم چركری

متداول‌ترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنال‌های EEG حاصل از انجام الکتروآنسفالوگرافی می‌باشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود می‌آورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز ب أکثر

متداول‌ترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنال‌های EEG حاصل از انجام الکتروآنسفالوگرافی می‌باشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود می‌آورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز بازشناسی اعمال عادی فرد مبتلا به عارضه از طریق نظارت ویدئویی می‌باشد. در این مقاله از ترکیب دو تکنیک بینایی ماشین و یادگیری ماشین به منظور تشخیص صرع گراندمال و بازشناسی اعمال عادی برای فردی استفاده می‌شود که روی زمین و یا تخت دراز کشیده است. بعد از حذف پس‌زمینه از دنباله قاب‌های ویدئویی و جداسازی شبح تصاویر، ویژگی‌های هندسی مناسب استخراج شده و به عنوان ورودی به دسته‌بند ماشین بردار پشتیبان چندکلاسه اعمال گردید تا عمل دسته‌بندی ویدئوها و تخصیص برچسب رفتاری مناسب به صورت خودکار انجام شود. تمامی پیاده‌سازی‌های این تحقیق در محیط نرم‌افزار Matlab نسخه a.2011 انجام شده است. در این سیستم هوشمند، میانگین دقت تشخیص و بازشناسی 21/90 درصد می‌باشد. به کارگیری این سیستم علاوه بر کاهش ناظر انسانی، کمک زیادی در تشخیص به موقع و همیشگی عارضه می‌نماید. این روش به دلیل نیاز به یک دوربین فیلم‌برداری ساده و یک سیستم کامپیوتری معمولی، روشی مقرون به صرفه بوده و برای قشرهای درآمدی مختلف قابل تهیه است. علاوه بر آن غیر تماسی بودن سیستم پیشنهادی، عاملی برای حذف مشکلات حرکتی است. دقت بالا تأییدکننده کارایی مناسب این سیستم می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

5 - طبقه‌بندی خودآموز نیمه‌نظارتی مبتنی بر ساخت همسایگی
منا عمادی جعفر تنها محمد ابراهیم شیری مهدی حسین زاده اقدم

به‌کارگیری داده‌های بدون برچسب در خودآموزی نیمه‌نظارتی می‌تواند به طور قابل توجهی دقت طبقه‌بند نظارت‌شده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقه‌بندی را به مقدار چشم‌گیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسب‌گذاری اشتباه به داده‌های بدون برچسب می‌باشد. در أکثر

به‌کارگیری داده‌های بدون برچسب در خودآموزی نیمه‌نظارتی می‌تواند به طور قابل توجهی دقت طبقه‌بند نظارت‌شده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقه‌بندی را به مقدار چشم‌گیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسب‌گذاری اشتباه به داده‌های بدون برچسب می‌باشد. در این مقاله، روشی را برای برچسب‌گذاری با قابلیت اطمینان بالا به داده‌های بدون برچسب پیشنهاد می‌کنیم. طبقه‌بند پایه در الگوریتم پیشنهادی، ماشین بردار پشتیبان است. در این روش، برچسب‌گذاری فقط به مجموعه‌ای از داده‌های بدون برچسب که از مقدار مشخصی به مرز تصمیم نزدیک‌تر هستند انجام می‌شود. به این داده‌ها، داده‌های دارای اطلاعات می‌گویند. اضافه‌شدن داده‌های دارای اطلاعات به مجموعه آموزشی در صورتی که برچسب آنها به درستی پیش‌بینی شود در دستیابی به مرز تصمیم بهینه تأثیر به‌سزایی دارد. برای کشف ساختار برچسب‌زنی در فضای داده از الگوریتم اپسیلون- همسایگی (DBSCAN) استفاده شده است. آزمایش‌های مقایسه‌ای روی مجموعه داده‌های UCI نشان می‌دهند که روش پیشنهادی برای دستیابی به دقت بیشتر طبقه‌بند نیمه‌نظارتی خودآموز به نسبت برخی از کار‌های قبلی عملکرد بهتری دارد. تفاصيل المقالة

حرية الوصول المقاله

6 - Fear Recognition Using Early Biologically Inspired Features Model
Elham Askari

10.61186/jist.39051.12.45.12

Facial expressions determine the inner emotional states of people. Different emotional states such as anger, fear, happiness, etc. can be recognized on people's faces. One of the most important emotional states is the state of fear because it is used to diagnose many di أکثر

Facial expressions determine the inner emotional states of people. Different emotional states such as anger, fear, happiness, etc. can be recognized on people's faces. One of the most important emotional states is the state of fear because it is used to diagnose many diseases such as panic syndrome, post-traumatic stress disorder, etc. The face is one of the biometrics that has been proposed to detect fear because it contains small features that increase the recognition rate. In this paper, a biological model inspired an early biological model is proposed to extract effective features for optimal fear detection. This model is inspired by the model of the brain and nervous system involved with the human brain, so it shows a similar function compare to brain. In this model, four computational layers were used. In the first layer, the input images will be pyramidal in six scales from large to small. Then the whole pyramid entered the next layer and Gabor filter was applied for each image and the results entered the next layer. In the third layer, a later reduction in feature extraction is performed. In the last layer, normalization will be done on the images. Finally, the outputs of the model are given to the svm classifier to perform the recognition operation. Experiments will be performed on JAFFE database images. In the experimental results, it can be seen that the proposed model shows better performance compared to other competing models such as BEL and Naive Bayes model with recognition accuracy, precision and recall of 99.33%, 99.71% and 99.5%, respectively تفاصيل المقالة

حرية الوصول المقاله

7 - آشکارسازی و تحليل سیگنال‌های آکوستيک تغییردهنده‌های تپ زير بار ترانسفورماتورهای قدرت جهت تشخيص خطا
عادل یونسی عباس غایب لو حسن رضا میرزائی

تغییردهنده&zwnj;های تپ قابل قطع زیر بار یکی از مهم&zwnj;ترین ت أکثر

تغییردهنده&zwnj;های تپ قابل قطع زیر بار یکی از مهم&zwnj;ترین تجهیزات ترانسفورماتورهای قدرت محسوب می&zwnj;شوند. این تجهیزات به&zwnj;دلیل داشتن حرکت&zwnj;های مکانیکی شدید و ایجاد قوس الکتریکی با انرژی بالا، دارای نرخ خرابی بالایی نسبت به دیگر تجهیزات داخلی ترانسفورماتور هستند. ارزیابی برخط و دقیق صحت عملکرد عادی تغییردهنده&zwnj;های تپ توسط روش&zwnj;هایی که در عملکرد عادی ترانسفورماتور خللی ایجاد نکنند، از اهمیت بسیار زیادی برخوردار است. در این مقاله، روند تشخیص عیوب تغییردهنده&zwnj;های تپ با استفاده از ویژگی&zwnj;های استخراج&zwnj;شده از سیگنال&zwnj;های آکوستیک مورد بحث و بررسی قرار گرفته است. این سیگنال&zwnj;ها توسط یک سنسور شتاب&zwnj;سنج از مخزن یک ترانسفورماتور قدرت و در حین تغییر تپ به&zwnj;صورت عملی آشکارسازی شده&zwnj;اند. در این مقاله علاوه بر بررسی ویژگی&zwnj;های معمول، دو ویژگی جدید شاخص زمان و شاخص فرکانس معرفی شده است. نهایتاً جهت انتخاب ویژگی&zwnj;های مناسب جهت تشخیص عیوب و ارائه روشی کارآمد جهت دسته&zwnj;بندی آنها، برخی از داده&zwnj;های عملی موجود با توجه به نتایج ارائه&zwnj;شده در مراجع به&zwnj;صورت تصادفی معیوب شده و توسط روش ماشین بردار پشتیبان، داده&zwnj;های سالم و معیوب به&zwnj;طور موفقیت&zwnj;آمیزی طبقه&zwnj;بندی شده&zwnj;اند. تفاصيل المقالة

فهرس المقالات Support Vector Machine

رایمگ

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية