فهرس المقالات Polynomial kernel

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Remote Sensing and Land Use Extraction for Kernel Functions Analysis by Support Vector Machines with ASTER Multispectral Imagery
  E. Akbari N. Amiri H. Azizi
  Land use is being considered as an element in determining land change studies, environmental planning and natural resource applications. The Earth’s surface Study by remote sensing has many benefits such as, continuous acquisition of data, broad regional coverage, أکثر

  Land use is being considered as an element in determining land change studies, environmental planning and natural resource applications. The Earth’s surface Study by remote sensing has many benefits such as, continuous acquisition of data, broad regional coverage, cost effective data, map accurate data, and large archives of historical data. To study land use / cover, remote sensing as an efficient technology, is always desired by experts. In this case, classification could be considered as one of the most important methods of extracting information from digital satellite images. Selecting the best classification method and applying the proper values for parameters extremely influence the trust level of extracted land use maps. This research is an applied study which attempts to introduce Support Vector Machines (SVM) classification method, a recent development from the machine learning community. Moreover, we prove its potential for structure–activity relationship analysis on Aster multispectral data of central county of Kabodar-Ahang region in Hamedan, Iran. Accuracy of SVMs method is varied by the type of kernel functions and its parameters. The purpose of this research is to find the accuracy of Land use extraction by SVM method by Polynomial and radial basis functions kernel with their estimated optimum parameters in addition to compare the results with Maximum Likelihood method. Most of the scientists imply that Maximum Likelihood method is suitable for classification. Therefore, we try to compare SVM with ML method and to deliberate the efficiency of this new method in classification progress on Aster multispectral data. The accuracy of SVM method by Polynomial and radial basis functions kernel with optimum parameters and ML classification methods achieved 93.18%, 91.77% and 88.35 % respectively as an overall accuracy. By comparing the accuracy of these methods, SVM method by Polynomial kernel was evaluated as suitable. Therefore, we can suggest using SVM method especially with the use of Polynomial kernel to determine land use. In general, the results of this research are very practical in natural resources conservation planning and studies. Also, this study verifies the effectiveness and robustness of SVMs in the classification of remotely sensed images. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - کنترل بهینه پویایی مشتری از روش یادگیری ماشین با هسته چندجمله‌ای
  سید حمید عمادی ابوالفضل صادقیان مژده ربانی حسن دهقان دهنوی
  در این پژوهش، یک مدل از کنترل بهینه برای پویایی مشتریان براساس سیاست‌های بازاریابی به عنوان یک سیستم غیر خودکار از معادلات دیفرانسیل مورد بررسی قرار می‌گیرد. هدف اصلی مدل پیگیری و تحلیل رفتار تغییرات همزمان مشتریان منظم، ارجاعی و بالقوه شرکت از زمان شروع تا به اکنون ا أکثر

  در این پژوهش، یک مدل از کنترل بهینه برای پویایی مشتریان براساس سیاست‌های بازاریابی به عنوان یک سیستم غیر خودکار از معادلات دیفرانسیل مورد بررسی قرار می‌گیرد. هدف اصلی مدل پیگیری و تحلیل رفتار تغییرات همزمان مشتریان منظم، ارجاعی و بالقوه شرکت از زمان شروع تا به اکنون است. پیاده‌سازی یک سیاست بازاریابی موثر برای بهینه‌سازی این تغییرات و افزایش تعداد مشتریان از اهمیت ویژه‌ای برخوردار است. در راستای این هدف، یک الگوریتم جدید یادگیری ماشین نظارتی را برای شبیه‌سازی عددی مسئله ارائه شده است. الگوریتم پیشنهادی از هسته‌های چندجمله‌ای استفاده می‌کند. هسته‌های چندجمله‌ای این امکان را فراهم می‌آورند که تابعی پیچیده از داده‌ها را به گونه‌ای شبیه‌سازی کنند که به درک بهتر پویایی مشتریان کمک کند. رگرسیون بردار پشتیبان کمترین مربعات، یک روش بهینه‌سازی ساده برای استراتژی‌های بازاریابی ارائه می‌دهند که با این رویکرد، می‌توان استراتژی‌های بازاریابی را بدون پرداختن به جزئیات مربوط به هر مشتری بهینه کرد و به جای آن تمرکز را بر اثر کلی این استراتژی‌ها بر روی مجموعه مشتریان گذاشت. این تحقیق نشان می‌دهد که چگونه تکنیک‌های یادگیری ماشین می‌توانند در حل مسائل پیچیده مدیریت و بازاریابی کمک‌کننده باشند. با گذر زمان، تعداد مشتریان منظم افزایش می‌یابد و افراد مشتریان بالقوه کاهش می‌یابند. اما، تعداد مشتریان ارجاعی نشان دهنده یک رشد سریع در ابتدای دوره زمانی و وجود یک الگوی افزایشی نوسانی در ادامه زمان است. تفاصيل المقالة