پایان نامه رایگان درمورد ضریب کاپا، ماشین بردار پشتیبان

دانلود پایان نامه ارشد

پیکسل های مجاور hyperplane جدا کننده بستگی دارد که در نهایت منجر به قرار گیری در موقعیتی نسبت به hyperplane می شود که برای نمونه های تعلیمی در بهینه ترین محل باشد (Richards.j.A,1999).
به عبارت دیگر یک گروه از الگوریتم های طبقه بندی نظارت شده هستند ، که پیش بینی می کند یک نمونه در کدام کلاس یا گروه قرار می گیرد. این الگوریتم برای تفکیک دو کلاس از هم از یک صفحه استفاده می کند . به طوری که این صفحه از هر طرف بیشترین فاصله را تا هر دو کلاس داشته باشد نزدیک ترین نمونه های آموزشی به این صفحه ، بردارهای پشتیبان نام دارند. (T.Kavzoglu,I. Colkesen, 2014)

شکل (3-10 ) بردارهای پشتیبان، نزدیک ترین نمونه ها به صفحه

به عنوان مثال مطابق شکل(3-11) صفحه H1و H2 دو کلاس را از هم تفکیک کرده اند . این الگوریتم حساسیت کمتری به پدیده های فضاهای چند بعدی دارد. به همین خاطر در طبقه بندی داده های چند طیفی و فراطیفی روش مناسبی به شمار می رود. به طور کلی ماشین بردار پشتیبان ،یک طبقه بندی کننده باینری و خطی است که با توسعه آن و استفاده از توابع کرنل، به عنوان یک طبقه بندی کننده چند کلاسی و غیرخطی به کار می رود .
.
شکل (3-11) تفکیک دو کلاس با اعمال یک صفحه در روش SVM
انتخاب کرنل مهمترین مساله در اجرا و عملکرد طبقه بندی کننده SVM می باشد . کرنل های متداول شامل SIGMOID و تابع واحد شعاعی (RBF) می باشند . روابط ریاضی کرنل RBF با توجه به پر کاربرد بودن نسبت به دیگر کرنل ها و استفاده از این کرنل در این تحقیق در زیر شرح داده می شود :
k(xi〖,x〗_j )=exp⁡(-γ|(xi,x_j )|^2 ), γ>0
در این فرمول xi و xj مجموعه از داده های آموزشی و γ یک پرامتر تعریف شده توسط کاربر به عنوان عرض کرنل و γ معکوس تعداد باندهاي طیفی سنجنده می باشد . همچنین، پارامتر جریمه براي بهبود خطاي طبقه بندي هاي نادرست می تواند معرفی شود . این پارامتر به مقدار حداکثر آن قرار داده می شود تا ما را در ایجاد یک مدل دقیق تر کمک کند . (Huang, C., Davis, L. S., and Townshend, J. R. G., 2002)

3-9-5-4 طبقه بندي به روش (Binary Encoding Classification) BEC
این روش داده ها و طیفهای مربوط به Endmember ها را به شکل صفر و یک ، به ترتیب بر مبنای اینکه یک باند به پایین یا بالای میانگین طیف نزولی یا صعود کرده ، کد گذاری می کند . یک تابع کد گذاری OR ، هر طیف مبنای کد گذاری شده را با داده های کد گذاری شده مقایسه کرده و يك تصوير كلاس بندي توليد مي كند . تمامي پيكسلها بوسيله بیشترین تعداد باند سازگار ، به Endmember ها کلاس بندی می شود (1988 ، S ، A ،Mazer) یا سه حد آستانه ، یک جفت عدد دودویی (Binary) برای مقادیر پیکسل ها ایجاد می شود .

h(n) = 00 if x(n) ≤ T 1
01 if T 1 < x(n) ≤ T 2
112 if T 2 < x(n) ≤ T 3
10 if T 3 < x(n).
مقادير بالاتر از ميانگين روشنايي طيف مي تواند حد آستانه يك، و دوتاي ديگر مي تواند بالاو يا پايين اين مقدار باشد . (Richards,J.A,1999)

شکل (3-12) الف) نمایشی از یک کد دودویی ساده برای یک طیف از AVIRIS
ب) ميانگين طيفي براي يك پيكسل در باندهاي از AVIRIS
3-9-5-5 دیورژانس اطلاعات طیفی(SID)55
تشابه طیفی بین دو بردار پیکسل را بر اساس اختلاف توضیع احتمال به دست آمده از امضاهای طیفی آنها اندازه گیری می کند . بر این اساس داریم :

در رابطه فوق p1 و q1 به ترتیب احتمال مولفه طیفی Sil و Sjl مربوط به دو بردار پیکسل ri و rj بوده و L بعد بردار می باشد . در روش فوق جهت داشتن تصویری در بازه صفر تا یک لازم است مقدار به دست آمده را نرمال نمود .

3-10 پس پردازش و ارزیابی صحت طبقه بندی
در حین اجرای طبقه بندی با نظارت و بعد از اتمام آن، به طرق مختلف می توان از صحت طبقه بندی و یا مراحلی که به وسیله مفسر به اجرا در آمده است آگاهی یافت. در مورد طبقه بندی بدون نظارت ، معمولا بعد از اتمام طبقه بندی، با مشاهده تصویر طبقه بندی شده و مقایسه آن با مدارکی که می توانند به شناسایی پدیده های تفکیک شده و صحت آنها کمک کنند ، می توان به صورت مشاهده به میزان درستی طبقه بندی پی برد یا با اجرای روش های نمونه گیری و کنترل زمینی، دقت طبقه بندی را برآورد کرد .

3-10-1 ماتریس خطا56
نتایج ارزیابی صحت معمولا به صورت ماتریس خطا ارائه می شود که در این صورت انواع پارامترها و مقادیری که بیانگر دقت و یا نوعی خطا در نتایج هستند از این ماتریس استخراج می شوند. این ماتریس حاصل مقایسه پیکسل به پیکسل، پیکسل های معلوم با پیکسل های متناظر در نتایج طبقه بندی است. در ماتریس خطا داده های زمینی در ستون ها و داده های مربوط به نتایج طبقه بندی در سطرهای این ماتریس آورده می شود. اعدادی که روی قطر اصلی ماتریس قرار می گیرند، تعداد پیکسل هایی را مشخص می کنند که بر چسب آن ها در دو سری داده هم خوانی دارد یا به عبارت دیگر تعداد پیکسل هایی که درست طبقه بندی شده اند روی این قطر قرار می گیرند. عناصر غیر قطری مجموعه خطاها می باشند. بر مبنای ماتریس خطا پارامترهای متعددی برای بیان صحت و خطا استخراج می گردند . ازآن جمله:
صحت کلی
ضریب کاپا
صحت تولید کننده
صحت کاربر

صحت کلی
میانگینی از صحت طبقه بندی است که نسبت پیکسل های صحیح طبقه بندی شده به جمع کل پیکسل های معلوم را نشان می دهد.
O.A= (∑_(n=1)^c▒E_ii )/N×100
C : تعداد کلاس ها
N : تعداد کل پیکسل های معلوم
Eii : اعضای قطری ماتریس خطا
ضریب کاپا
ضریب کاپا دقت طبقه بندی را نسبت به یک طبقه بندی کاملا تصادفی محاسبه می کند به این معنی که مقدار کاپا دقت طبقه بندی را نسبت به حالتی که یک تصویر کاملا به صورت تصادفی طبقه بندی شود به دست می دهد. (Richard,J.A,1995) برای نمونه یک کاپا معادل 75 درصد یعنی این که نتایج طبقه بندی 75 درصد بهتر از موقعی است که پیکسل ها به طور تصادفی برچسب دهی شوند. اگر کاپا برابر 100 درصد شود به معنی یک طبقه بندی کاملا صحیح بر اساس نمونه های گرفته شده می باشد. مقادیر بین 0 تا100 درصد هر یک سطح معینی را به نسبت این طبقه بندی (کاملا صحیح ) نشان می دهند و مقادیر منفی نشان دهنده نتایج بسیار بد طبقه بندی است.
K=(abserved accuracy-chance agreement)/(1-chance agreement)
رابطه محاسبه این ضریب به صورت زیر است :
k=(N∑_(i=1)^r▒x_ii -∑_(i=1)^r▒(x_(i+)*x_(+i) ) )/(N^2-∑_(i=1)^r▒(x_(i+)*x_(+i) ) )

پایان نامه
Previous Entries پایان نامه رایگان درمورد تصاویر ماهواره ای، جمع آوری اطلاعات، سنجش از دور، رطوبت نسبی Next Entries پایان نامه ارشد رایگان با موضوع حمل و نقل، استان کرمانشاه، استان کرمان، تمرکززدایی