کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946816 1439556 2018 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Ensemble of Extreme Learning Machines with trained classifier combination and statistical features for hyperspectral data
ترجمه فارسی عنوان
مجموعه ای از ماشین های یادگیری شدید با ترکیب طبقه بندی شده آموزش داده شده و ویژگی های آماری برای داده های هیپرپرترول
ترجمه چکیده
سنجش از دور و تجزیه و تحلیل داده های هیپرترافیلر، مناطقی هستند که طیف گسترده ای از کاربردهای کاربردی ارزشمندی را ارائه می دهند. با این حال، آنها تولید اطلاعات گسترده و پیچیده است که بسیار دشوار است که توسط یک انسان تجزیه و تحلیل می شود. بنابراین، روش های نمایش داده کاوی و داده کاوی به این زمینه ها بسیار علاقه مند هستند. در این مقاله، ما یک خط لوله جدید برای استخراج ویژگی و طبقه بندی تصاویر هیپرکترال معرفی می کنیم. برای به دست آوردن یک نمایش فشرده، پیشنهاد می کنیم مجموعه ای از خواص مبتنی بر آماری را از این تصاویر استخراج کنیم. این اجازه می دهد تا برای جاسازی فضای ویژگی به چهارده کانال، به دست آوردن کاهش قابل توجهی از ابعاد. این ویژگی ها به عنوان یک ورودی برای یادگیری گروه بر اساس شبکه های عصبی تصادفی استفاده می شود. ما روش جدیدی را برای تشکیل مجموعه ای از ماشین های یادگیری افراطی بر اساس زیرموضع ویژگی های تصادفی و ترکیبی آموزش دیده معرفی می کنیم. این بر مبنای خروجی های مداوم و با استفاده از یک برنامه یادگیری مبتنی بر پراژه بر اساس برای محاسبه وزن های اختصاص داده شده به هر طبقه بندی و کلاس به طور مستقل است. آزمایش های گسترده ای که بر روی تعدادی از تصاویر معیار انجام شده است نشان می دهد که استفاده از ویژگی های استخراج پیشنهاد شده و گروه یادگیری افراطی منجر به افزایش قابل توجهی در دقت طبقه بندی می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Remote sensing and hyperspectral data analysis are areas offering wide range of valuable practical applications. However, they generate massive and complex data that is very difficult to be analyzed by a human being. Therefore, methods for efficient data representation and data mining are of high interest to these fields. In this paper, we introduce a novel pipeline for feature extraction and classification of hyperspectral images. To obtain a compressed representation we propose to extract a set of statistical-based properties from these images. This allows for embedding feature space into fourteen channels, obtaining a significant dimensionality reduction. These features are used as an input for the ensemble learning based on randomized neural networks. We introduce a novel method for forming ensembles of Extreme Learning Machines based on randomized feature subspaces and a trained combiner. It is based on continuous outputs and uses a perceptron-based learning scheme to calculate weights assigned to each classifier and class independently. Extensive experiments carried on a number of benchmarks images prove that using proposed feature extraction and extreme learning ensemble leads to a significant gain in classification accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 271, 3 January 2018, Pages 28-37
نویسندگان
, , ,