[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
بهبود الگوریتم خوشه‌بندی K-Means با استفاده از الگوریتم ژنتیک به منظور تحلیل مکانی شناسایی لکه‌های نفتی در تصاویر پلاریمتری SAR
مهرداد کاوه ، یاسر ابراهیمیان قاجاری*
دانشگاه صنعتی نوشیروانی بابل
چکیده:   (248 مشاهده)
وجود لکه‌های نفتی در بستر دریاها و اقیانوس‌ها، یکی از نگرانی‌ها و دغدغه‌های اصلی محققان در زمینه اکوسیستم دریایی می‌باشد. در این تحقیق از روش‌ خوشه‌بندی K-Means مبتنی بر الگوریتم ژنتیک (GA) جهت شناسایی لکه‌های نفتی در سطح دریا استفاده شده است. هدف اصلی ارائه الگوریتم K-Means بهبودیافته با الگوریتم ژنتیک، ایجاد یک جستجوی هوشمند و نه صرفا تصادفی در انتخاب مراکز دسته‌های اولیه می‌باشد تا الگوریتم به خوشه‌های بهینه مسئله دست پیدا کند. برای این منظور ابتدا الگوریتم‌های کاهش نویز اسپکل و استخراج ویژگی، به منظور پیش‌پردازش تصاویر رادار دهانه مصنوعی (SAR) اعمال شده‌اند. سپس مرکز خوشه‌های بهینه، با هدف بیشترین فاصله بیرون خوشه‌ای، توسط الگوریتم GA تعیین شده‌اند. در نهایت برای تعیین خوشه‌های نهایی، از الگوریتم K-Means با هدف بیشترین شباهت درون خوشه‌ای، استفاده شده است. به منظور ارزیابی روش‌های خوشه‌بندی، از داده واقعیت زمینی رقومی‌شده استفاده شده است. همچنین جهت ارزیابی الگوریتم K-Means بهبودیافته با GA از الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO)، بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO)، الگوریتم کلونی زنبور مصنوعی (ABC) و روش خوشه‌بندی K-Means استاندارد استفاده شده است.  نتایج حاصل از الگوریتم K-Means بهبودیافته توسط الگوریتم ژنتیک دارای صحت بیشتری نسبت به سایر الگوریتم‌ها می‌باشد. ویژگی آنتروپی توانسته است دقت کلی 24/83 را حاصل کند که در قیاس با سایر ویژگی‌ها از دقت کلی کمتری برخوردار است، اما دارای قطعیت و صحت بالاتری می‌باشد. ویژگی‌های یاماگوچی، فریمن و مولفه C11، علارغم اینکه دقت کلی 90 درصدی را حاصل کرده‌اند، اما به ترتیب با خطای نوع دوم برابر با 18، 11 و 12 درصدی، صحت کمتری را نسبت به دو ویژگی دیگر نشان داده‌اند. نتایج حاصل از این تحقیق نشان می‌دهد که رویکرد پیشنهادی یادگیری ماشین در مقایسه با معماری‌های سنتی، عملکرد بسیار خوبی در مجموعه داده‌های خوشه‌بندی دارد.
واژه‌های کلیدی: لکه‌های نفتی، تصاویر پلاریمتری SAR، انتخاب ویژگی، الگوریتم ژنتیک و الگوریتم K-Means.
     
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1401/3/26 | پذیرش: 1401/12/15 | انتشار الکترونیک پیش از انتشار نهایی: 1403/5/16
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660