كاهش بعد تصاوير فراطيفي از طريق خوشه بندي فازي باندها
كاهش بعد تصاوير فراطيفي از طريق خوشه بندي فازي باندها
چکيده:
اين مقاله يك روش نوين جهت انتخاب باند از تصاوير فراطيفي از طريق خوشه بندي باندها ارائه مي دهد. نوآوري اصلي اين تحقيق در دو موضوع قرار مي گيرد: الف- ارائه يك فضاي محاسباتي جديد با نام فضاي پديده كه در آن باندها بر اساس انعكاس طيفي پديده ها داراي بردار مشخصه مي شودد. ب- ارائه معيار هايي نظير عدم قطعيت و زاويه در فضاي پديده براي شناسايي باندهاي با وابستگي بالا و باندهاي حاوي اطلاعات. پس از آنكه فضاي پديده توسط ميانگين كلاسها ايجاد گرديد، باندها در اين فضا توسط الگوريتم fcm خوشه بندي مي شوند. مجموعه باندهاي با همبستگي بالا از طريق شاخص عدم قطعيت در يك دسته قرار گرفته و نزديك ترين باند به مركز هر دسته به عنوان نماينده باندهاي قرار گرفته در آن دسته معرفي مي شود. از طرفي باندهاي با عدم قطعيت بالا به عنوان باندهاي منفرد معرفي شده كه از ميان آنها باندهاي حاوي اطلاعات از طريق زاويه نسبت به قطر فوق مكعب فضاي پديده شناسايي مي گردند. از آن جا كه دسته بندي باندها مبتني بر الگوريتم خوشه بندي فازي و نظارت نشده است عمل خوشه بندي چندين بار تكرار شده و باندهايي به عنوان نماينده در فضاي پديده معرفي مي شوند كه بيشترين صحت طبقه بندي را به ازاي داده هاي اعتبار سنجي حاصل نمايند. نتايج عملي بر روي يك قطع از تصوير فراطيفي كه به عنوان يك داده چالش آور و مبنا مطرح است نتايج بهتري را نسبت به الگوريتم هاي متداول انتخاب باند نظير پيشرو شناور و پسرو شناور عايد كرد.
يافتن بهينهترين تعداد خوشهها در پايگاه تصوير با تركيب شبكههاي
يافتن بهينهترين تعداد خوشهها در پايگاه تصوير با تركيب شبكههاي خودسازمانده و روش k-means
خلاصه مقاله:
تا كنون راهكار مناسبي جهت تعيين بهينه تعداد نرونهاي لايه خروجي در شبكه هاي عصبي خودسازمانده و انتخاب بهينه ترين خوشه هاي نهايي ارائه نشده است .در اين مقاله يك روش دو مرحله اي با تركيب شبكه هاي خودسازمانده و روش k-means ارائه كرده ايم كه مستقل از تعداد نرونهاي لايه خروجي ، بهينه ترين تعداد خوشه ها را در يك پايگاه تصوير تعيين مي كند . در مرحله اول ، ويژگيهاي استخراج شده از تصاوير شامل هيستوگرام ناحيه اي ، تبديل موجك Symlet و مومانهاي رنگ را به يك شبكه خودسازمانده با توپولوژي دو بعدي در لايه خروجي نگاشت داده و در مرحله دوم با استفاده از روش K-means و بهره گيري از معيار اعتبار سنجي Davies-Bouldin ، بهينه ترين تعداد خوشه ها را مشخص كرده ايم . نتايج پياده سازي روش پيشنهادي براي سه شبكه با تعداد نرونهاي 10*10و15*15 و 20*20 در لايه خروجي و حداكثر 20 تكرار در K-means و مقايسه آن با روش k-means كلاسيك نشان داده است كه اين روش با قرار دادن تصاوير در 14 ،15 و 12 دسته ، تعداد بهينه خوشه هاي نهايي را مستقل از تعداد نرونهاي لايه خروجي تعيين مي كند و خطاي خوشه بندي را به مقدار قابل توجهي كاهش مي دهد.
كلمات كليدي:
خوشهبندي ،دادههاي با ابعاد بالا، شبكههاي عصبي خود سازمانده، روش k-means، معيارهاي اعتبارسنجي
خلاصه سازي چند سندي متون فارسي با استفاده از يك روش مبتني بر خوشه بندي
خلاصه سازي چند سندي متون فارسي با استفاده از يك روش مبتني بر خوشه بندي
خلاصه مقاله:
در اين مقاله، يك روش جديد مبتني بر خوشه بندي براي خلاصه سازي چند سندي متون فارسي پيشنهاد شد. در اين روش، پس از پيش پردازش متن شامل تعيين مرز واژ هها و جمله ها، يكسان سازي متن، حذف واژ ههاي عمومي و شناسايي عناصر متني چندتايي، فرآيند اصلي خلاصه سازي آغاز ميشود. در مرحله ي خلاصه سازي، ابتدا جمله ها خوشه بندي مي شود و سپس به ازاي هر خوشه جملها ي كه بيشترين ارتباط با ساير جمله ها را دارد، گزينش مي شود. در آخرين مرحله ي خلاصه سازي، جمله ها با توجه به ترتيب زماني متن ها (خبري) در خلاصه ي نهايي درج ميشوند. نتايج پياده سازي نشان ميدهند كه در بيشتر موارد خروجي سامانه ي خلاصه سازي پيشنهادي خلاصه ي قابل قبولي را توليد مي كند (بيش از 80 درصد).
كلمات كليدي:
خلاصه سازي چند سندي، پيش پردازش، خوشه بندي، عنصر متني چندتايي