دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی
موضوع فارسی: دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی
موضوع انگلیسی:Classification of Wild Animals based on SVM and Local Descriptors
تعداد صفحه: 6
فرمت فایل: PDF
سال انتشار: 2014
زبان مقاله: انگلیسی
چکیده: در این مقاله، یک روش جدید برای به رسمیت شناختن شی بر اساس توصیف ترکیبی محلی ارائه شده است. این روش با بهره گیری از ترکیبی از چند روش (غربال کردن - قابلیت مقیاس ثابت تبدیل، گشت و گذار - شتاب ویژگی های قوی) و شامل قسمت دوم. کاربرد روش های ترکیبی ارائه شده در چند تصاویر از مجموعه داده را نشان داد. کلاس های مجموعه داده نشان دهنده حیوانات بزرگ واقع در کشور اسلواکی، یعنی گرگ، روباه، خرس قهوه ای، گوزن و گراز وحشی. روش ارائه شده ممکن است همچنین در مناطق دیگر از طبقه بندی تصویر و استخراج ویژگی استفاده می شود. نتایج تجربی نشان می دهد، که ترکیبی از توصیف محلی دارای اثر مثبت برای به رسمیت شناختن شی.
بکارگیری مدل های ترکیبی موجک - ماشین بردار پشتیبان و برنامه ریزی ژنتیک در پیش بینی سری های زمانی هیدرولوژیکی
• مقاله با عنوان: بکارگیری مدل های ترکیبی موجک - ماشین بردار پشتیبان و برنامه ریزی ژنتیک در پیش بینی سری های زمانی هیدرولوژیکی (مطالعه موردی: حوضه آجی چای)
• نویسندگان: غلامرضا عندلیب ، وحید نورانی ، افشین پرتویان
• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95
• فرمت فایل: PDF و شامل 8 صفحه می باشد.
چکیــــده:
شبیه سازی و ارزیابی رسوب رودخانه و ایجاد ارتباط بین دبی جریان و رسوب از جمله مسائل مهم و کاربردی در مدیریت منابع آب و محیط زیست در استفاده از مخازن سدها، ساماندهی رودخانه ها و عاملی برای جلوگیری از هزینه اضافی است. در این تحقیق، از تابع موجک به عنوان یکی از ابزارهای محاسبات نرم جهت استخراج ویژگی های سری های زمانی استفاده گردیده و کارایی مدل های موجک - ماشین بردار پشتیبان و موجک – برنامه ریزی ژنتیک برای پیش بینی رسوب در رودخانه ی آجی چای مورد بررسی قرار گرفته است. برای این منظور، در گام اول مقدار رسوب توسط ماشین بردار پشتیبان و برنامه ریزی ژنتیک پیش بینی شده است. سپس سری های زمانی دبی و رسوب توسط موجک به زیر سری هایی تجزیه شدند و این زیر سری ها جهت شبیه سازی رابطه دبی - رسوب وارد ماشین بردار پشتیبان و برنامه ریزی ژنتیک شدند. نتایج پیش بینی رسوب ماهانه نشان می دهند که ماشین بردار پشتیبان با ضریب تبیین DC=0.65 خروجی بهتری نسبت به برنامه ریزی ژنتیک DC=0.61 دارد. مدل موجک - ماشین بردار پشتیبان نتایج بهتری در مقایسه با مدل موجک – برنامه ریزی ژنتیک نشان می دهد و اضافه کردن موجک باعث افزایش دقت مدل های ماشین بردار پشتیبان و برنامه ریزی ژنتیک می شود، برای نمونه DCSVM=0.65 به DCWSVM=0.82 ارتقاء یافته است.
________________________________
** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **
** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل civil.sellfile.ir@gmail.com پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **