شماره ركورد كنفرانس :
4707
عنوان مقاله :
طبقه‌بندي تصاوير ماهواره‌اي بر پايه طبقه‌بندي شي‌ء گرا با استفاده از شبكه عصبي پرسپترون چندلايه (MLP) با الگوريتم آموزش پس انتشار خطا (BP)
پديدآورندگان :
رجائيان نيما nima_rajaeian@sel.iaun.ac.ir دانشكده مهندسي برق، واحد نجف‌آباد، دانشگاه آزاد اسلامي، نجف آباد، ايران , زينلي نجف‌آبادي منصور mansoor.zeinali@gmail.com دانشكده مهندسي برق، واحد نجف‌آباد، دانشگاه آزاد اسلامي، نجف آباد، ايران
كليدواژه :
سنجش از دور , طبقه‌بندي شي‌ء مبنا , شبكه عصبي پرسپترون چندلايه(MLP)
عنوان كنفرانس :
پنجمين كنفرانس ملي مهندسي برق و سيستم هاي هوشمند ايران
چكيده فارسي :
يكي از تكنيك‌هاي مهم در بحث سنجش‌ازدور، طبقه‌بندي تصاوير ماهواره‌اي است كه كاربردهاي زيادي در بررسي تغييرات زمين و ميزان پوشش‌هاي مختلف مناطق دارد. به همين دليل روش‌هاي متفاوتي ايجادشده كه باگذشت زمان پيشرفته‌تر و دقيق‌تر شده‌اند و در استخراج كلاس‌هايي كه ازنظر طيفي به هم نزديك‌ترند بهتر عمل كرده و صحت بالاتري داشته‌اند. يكي از اين روش‌ها شبكه‌هاي عصبي چندلايه (MLP) است كه در اين تحقيق از اين روش براي استخراج كاربري‌هاي اقيانوس، دريا، درياچه، جنگل، علفزار، ماسه، خاك، كوه، جاده و شهر استفاده‌شده است. از طرفي به دليل بالا بردن سرعت و دقت، طبقه‌بندي به‌صورت شي‌ء مبنا در نظر گرفته‌شده است. براي اين منظور از يك شبكه عصبي با ده نورون در لايه مخفي و سه نرون در لايه خروجي استفاده‌شده است و همچنين شبكه با الگوريتم‌هاي مختلف مانند trainlm, trainrp, traingd, trainbfg ارزيابي‌شده است كه بهترين كارايي مربوط به روش آموزش trainrp مي‌باشد. نتايج حاصل نشان مي‌دهد كه روش ارائه‌شده دقت و سرعت بالائي در شناسايي مناطق مختلف دارد.
