فهرست مقالات unsupervised classification

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - طبقه بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهوار های ETM+ سال 2001
  عبدالرسول سلمان ماهینی آزاده نادعلی جهانگیر فقهی برهان ریاضی
  نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ پذیری خاک، به مقدار کم در زمین فرو می روند و بیشتر در روی زمین جاری می شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب های سطحی و کاهش حاصل خیزی خاک می شود. متاسفانه در چند سال اخیر، کاهش چشمگیر چکیده کامل

  نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ پذیری خاک، به مقدار کم در زمین فرو می روند و بیشتر در روی زمین جاری می شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب های سطحی و کاهش حاصل خیزی خاک می شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده می شود، به طوری که این مساله یکی از دلایل بروز سیل های مهیب بوده است. در این مطالعه، از داده های ماهواره لندست و سنجنده ETM+، سال 2001 جهت طبقه بندی پوشش درختی استان گلستان به روش حداکثر احتمال استفاده شده است. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس، با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه های تعلیمی خام وطبقه بندی کننده حداکثر احتمال، طبقه بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه بندی نظارت نشده با 100 طبقه، جهت پالایش نمونه های تعلیمی خام استفاده گردید و طبقه بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه بندی شده به دو روش جابه جایی تصادفی پیکسل ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه بندی جنگل با استفاده از تصاویر ماهواره لندست است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - طبقه‌بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهواره‌ای ETM+ سال 2001
  عبدالرسول سلمان ماهینی آزاده نادعلی جهانگیر فقهی برهان ریاضی
  نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ‌پذیری خاک، به مقدار کم در زمین فرو می‌روند و بیشتر در روی زمین جاری می‌شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب‌های سطحی و کاهش حاصل‌خیزی خاک می‌شود. متاسفان چکیده کامل

  نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ‌پذیری خاک، به مقدار کم در زمین فرو می‌روند و بیشتر در روی زمین جاری می‌شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب‌های سطحی و کاهش حاصل‌خیزی خاک می‌شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده ‌می‌شود، به طوری که این مسأله یکی از دلایل بروز سیل‌های مهیب بوده است. در این مطالعه، از داده‌های ماهواره‌ لندست و سنجنده ETM+، سال 2001 جهت طبقه‌بندی پوشش درختی استان گلستان به روش حداکثر احتمال استفاده شده است. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس، با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه‌های تعلیمی خام وطبقه‌بندی‌کننده‌ حداکثر احتمال، طبقه‌بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه‌بندی نظارت ‌نشده با 100 طبقه، جهت پالایش نمونه‌های تعلیمی خام استفاده گردید و طبقه‌بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه‌بندی شده به دو روش جابه‌جایی تصادفی پیکسل‌ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه‌بندی جنگل با استفاده از تصاویر ماهواره لندست است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - مقایسه الگوریتم‌های طبقه بندی بر روی تصاویر ماهواره‌ای سنجش از دور
  نجمه چراغی شیرازی روزبه حمزه ئیان اشکان معصومی
  اگرچه تعداد بسیار زیادی الگوریتم طبقه بندی برای تصاویر ارائه شده، اما به ندرت بر روی یک مورد یکسان بایکدیگر مقایسه شده اند. در این مقاله، تصاویر ماهواره‌های سنجش از دور با استفاده از دو روش الگوریتم طبقه بندی بدون نظارت و هشت الگوریتم طبقه بندی با نظارت که شامل تعدادی ا چکیده کامل

  اگرچه تعداد بسیار زیادی الگوریتم طبقه بندی برای تصاویر ارائه شده، اما به ندرت بر روی یک مورد یکسان بایکدیگر مقایسه شده اند. در این مقاله، تصاویر ماهواره‌های سنجش از دور با استفاده از دو روش الگوریتم طبقه بندی بدون نظارت و هشت الگوریتم طبقه بندی با نظارت که شامل تعدادی از الگوریتم‌های رایج طی بیست سال اخیر است، آزموده شدند. تحلیل ما بر روی تصاویر ماهواره‌ای 12 طیفی متمرکز است. در مقایسه الگوریتم ها تعداد نمونه آموزشی یکسان فرض شده است. الگوریتم ها از نظر پیچیدگی، میزان صحت و اعتبار بایکدیگر مقایسه شده اند. نتایج نشان می دهد که صحت طبقه بندی، نسبت مستقیم با تعداد نمونه های آموزشی دارد و همچنین کاربر می‌تواند بسته به اهمیت هریک از پارامترهای فوق الگوریتم کارامدتر را برگزید. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - Parallel Shared Hidden Layers Auto-encoder as a Cross-Corpus Transfer Learning Approach for Unsupervised Persian Speech Emotion Recognition
  Yousef Pourebrahim Farbod Razzazi Hossein Sameti
  Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between چکیده کامل

  Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between training and test data. In this study, a new auto-encoder based structure is proposed as a new unsupervised method for domain adaptation. To this end, the proposed structure is made of shared encoders to learn common feature representations, shared across the source and the target domain datasets to minimize the discrepancy between them. In order to evaluate the performance of the proposed method, five generally available databases in different languages were used as training and testing datasets. Results on various scenarios demonstrated that the proposed method improves the classification performance significantly compared to the baseline and state of the art unsupervised domain adaptation methods for emotional speech recognition. As an example, the proposed method improved the emotion recognition rate in Persian emotional speech dataset (PESD) by 8% compared to cross corpus training when the source training set is EMOVO. پرونده مقاله