Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "nienadzorowana klasyfikacja" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    An approach to unsupervised classification
    Autorzy:
    Przybyła, T.
    Pander, T.
    Horoba, K.
    Kupka, T.
    Matonia, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/333363.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    klasyfikacja
    grupowanie rozmyte
    klasyfikacja nienadzorowana
    klasyfikator najbliższych sąsiadów
    classification
    fuzzy clustering
    unsupervised classification
    nearest neighbour classifier
    Opis:
    Classification methods can be divided into supervised and unsupervised methods. The supervised classifier requires a training set for the classifier parameter estimation. In the case of absence of a training set, the popular classifiers (e.g. K-Nearest Neighbors) can not be used. The clustering methods are considered as unsupervised classification methods. This paper presents an idea of the unsupervised classification with the popular classifiers. The fuzzy clustering method is used to create a learning set. The learning set includes only these patterns that are the best representative of each class in the input dataset. The numerical experiment uses an artificial dataset as well as the medical datasets (PIMA, Wisconsin Breast Cancer) and illustrates the usefulness of the proposed method.
    Źródło:
    Journal of Medical Informatics & Technologies; 2011, 17; 105-111
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Data classification based on photogrammetry
    Klasyfikacja danych w oparciu o materiały fotogrametryczne
    Autorzy:
    Piech, Izabela
    Żaba, Tadeusz
    Jankowska, Aleksandra
    Powiązania:
    https://bibliotekanauki.pl/articles/100599.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie
    Tematy:
    laser scanning
    supervised classification
    unsupervised classification
    aerial image
    skaning laserowy
    zdjęcie lotnicze
    klasyfikacja nadzorowana
    klasyfikacja nienadzorowana
    Opis:
    The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.
    Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.
    Źródło:
    Geomatics, Landmanagement and Landscape; 2020, 2; 93-110
    2300-1496
    Pojawia się w:
    Geomatics, Landmanagement and Landscape
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Unsupervised classification and particle swarm optimization
    Klasyfikacja nienadzorowana i optymalizacja rojem cząstek
    Autorzy:
    Truszkowski, A.
    Topczewska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/341179.pdf
    Data publikacji:
    2012
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    klasyfikacja nienadzorowana
    analiza skupień
    optymalizacja rojem cząstek
    unsupervised classification
    clustering
    particle swarm optimization (PSO)
    Opis:
    This article considers three algorithms of unsupervised classification -K-means, Gbest and the Hybrid method, the last two have been proposed in [14]. All three algorithms belong to the class of non-hierarchical methods. At first, the initial split of objects into known in advance number of classes is performed. If it is necessary, some objects are then moved into other clusters to achieve better split - between cluster variation should be much larger than within cluster variation. The first algorithm described in this paper (K-means) is wellknown classical method. The second one (Gbest) is based on the particle swarm intelligence idea. While the third is a hybrid of two mentioned algorithms. Several indices assessing the quality of obtained clusters are calculated.
    W niniejszym artykule porównywane są trzy algorytmy analizy skupień - metoda k-średnich, algorytm gbest oraz metoda hybrydowa. Algorytmy gbest oraz hybrydowy zostały zaproponowane w publikacji [14]. Wszystkie trzy metody nalezą a do rodziny metod niehierarchicznych, w których na początku tworzony jest podział obiektów na znaną z góry liczbę klastrów. Następnie, niektóre obiekty przenoszone są pomiędzy klastrami, by uzyskać jak najlepszy podział - wariancja pomiędzy skupieniami powinna być znacznie większa niż wariancja wewnątrz skupień. Pierwszy algorytm (k-means) jest znaną, klasyczną metodą. Drugi oparty jest na idei inteligencji roju cząstek. Natomiast trzeci jest metodą hybrydową łączącą dwa wymienione wcześniej algorytmy. Do porównania uzyskanych skupień wykorzystano kilka różnych indeksów szacujących jakość otrzymanych skupień.
    Źródło:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2012, 9; 119-132
    1644-0331
    Pojawia się w:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A combined field and automatic approach for lithological discrimination in semi-arid regions, the case of geological maps of bir later region and its vicinity, Nementcha mounts, Algeria
    Autorzy:
    Chibani, Abdelmouhcene
    Hadji, Riheb
    Younes, Hamed
    Powiązania:
    https://bibliotekanauki.pl/articles/2201670.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie
    Tematy:
    Nememcha Mountains
    PCA
    MNF
    directional filter
    unsupervised classification
    Góry Nememcha
    filtr kierunkowy
    klasyfikacja nienadzorowana
    Opis:
    The Sahara’s Nememcha mountains chain suffers from a significant lack of large-scale geological information. In the Bir Later region with complex morpho-structural settings and arid climate conditions; geological maps have not been yet completed by competent authorities. However, this region harbours Algeria’s largest phosphate mine; with its reserves estimated at more than one billion tons of ore grading 20% phosphorus pentoxide. Geomatic-based techniques of Multisource Remote Sensing data allow the classification and identification of the lithologic features. The adopted method quarries the spectral signal, the alteration processes, and the thickness of the rocky banks. For this task, we apply Principal Component Analysis (PCA), Minimum Noise Fraction (MNF), directional filters, and unsupervised classification (K-Means data) techniques to calibrate and correct Landsat 8 OLI and Sentinel-2A multispectral images. A petrographic study with field and laboratory work was carried out in order to confirm the machine description of the different facies. The results showed that the proposed lithology classification scheme can achieve accurate classification of all lithologic types, in the Cenozoic, Mesozoic, and Holocene deposits of the study area. The lithological map obtained from the GIS-RS-Processing is highly correlated with our field survey. Therefore, multispectral image data (Landsat 8 OLI and Sentinel-2A) coupled with an advanced image enhancement technique and field surveys are recommended as a rapid and cost-effective tool for lithologic discrimination and mapping. The experimental results fully demonstrated the advantages of the reliance on laboratory tests in the sensed lithology validation in an arid area.
    Źródło:
    Geomatics, Landmanagement and Landscape; 2022, 4; 7--26
    2300-1496
    Pojawia się w:
    Geomatics, Landmanagement and Landscape
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Geomorphometry of the physical and geographical microregion of the Polkowice Hills
    Geomorfometria mikroregionu fizyczno-geograficznego Wzgórza Polkowickie
    Autorzy:
    Bidzińska, Paulina
    Powiązania:
    https://bibliotekanauki.pl/articles/2029263.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie
    Tematy:
    geomorphometry
    geomorphometric indicators
    unsupervised classification
    Polkowice Hills
    geomorphometric map
    geomorfometria
    wskaźniki geomorfometryczne
    klasyfikacja nienadzorowana
    Wzgórza Polkowickie
    mapa geomorfometryczna
    Opis:
    In this paper, a morphometric analysis of the terrain sculpture was carried out along with the editing of a geomorphometric map of the physical and geographical microregion of the Polkowickie Hills, which so far was not present in the literature for the studied area. The analysis was performed using the GIS program (ESRI ArcMap), which is based on a digital elevation model (LiDAR ‒ DEM). Following primary topographic parameters were selected through digital elevation model processing: aspect, slope, planar curvature, vertical curvature and local height differece, which provide exact information about the variability of the topography and its surface morphological processes. The obtained results of primary parameters allowed for the classification of relief forms in the studied area using the unsupervised ISODATA classification method. The final stage consisted of editing a geomorphometric map of the Polkowickie Hills microregion and a presentation of the distribution of morphometric classes with the height division of boundaries of the obtained geomorphometric separations. The results of the calculations and analyses allowed for the separation of various areas in the Polkowice Hills, and giving them their own names by the author. The choice of the unsupervised classification method and the independent definition of the number of classes gave positive results of terrain clustering of the studied area. The compliance of the results of the selected classification method with the actual topography (of which the author has extensive field and observational knowledge) confirms the selection of appropriate geomorphometric indicators and the unsupervised classification method, which in the examined case turned out to be computationally effective.
    W tym artykule wykonano analizę morfometryczną rzeźby terenu wraz z redakcją mapy geomorfometrycznej mikroregionu fizyczno-geograficznego Wzgórza Polkowickie, która do tej pory w literaturze nie została sporządzona dla badanego obszaru. Analiza została wykonana przy użyciu programu GIS (ESRI ArcMap) w oparciu o cyfrowy model wysokościowy (LiDAR - DEM). Wybrano pierwotne parametry topograficzne będące rezultatem przetwarzania cyfrowego modelu wysokości, takie jak: nachylenie, ekspozycja, krzywizna planarna, krzywizna wertykalna oraz deniwelacja lokalna, które są jednoznaczną informacją o zmienności ukształtowania rzeźby terenu oraz o procesach morfologicznych jakie zachodzą na jego powierzchni. Na podstawie otrzymanych wyników parametrów pierwotnych dokonano klasyfikację form rzeźby terenu na badanym obszarze wykorzystując metodę klasyfikacji nienadzorowanej ISODATA. Końcowy etap stanowiło zredagowanie mapy geomorfometrycznej mikroregionu Wzgórza Polkowickie oraz przedstawienie udziału klas morfometrycznych wraz z podziałem wysokościowym granic otrzymanych wydzieleń geomorfometrycznych. Wyniki przeprowadzonych obliczeń i analiz pozwoliły na wydzielenie zróżnicowanych obszarów na terenie Wzgórz Polkowickich wraz z nadaniem im autorskiego nazewnictwa. Wybór metody klasyfikacji nienadzorowanej i samodzielne zdefiniowanie liczby klas dały pozytywne wyniki klasteryzacji rzeźby terenu badanego obszaru. Zgodność wyników wybranej metody klasyfikacji z rzeczywistą rzeźbą terenu (o której Autorka posiada bogatą wiedzę terenowo - obserwacyjną) jest potwierdzeniem doboru odpowiednich wskaźników geomorfometrycznych oraz metody klasyfikacji nienadzorowanej, która w badanym przypadku okazała się skuteczna obliczeniowo.
    Źródło:
    Geomatics, Landmanagement and Landscape; 2021, 2; 59-70
    2300-1496
    Pojawia się w:
    Geomatics, Landmanagement and Landscape
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies