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 "Klasyfikacja sieci" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Wykorzystanie algorytmu genetycznego do klasyfikacji przedsiębiorstw
    Application of genetic algorithm to firm classification
    Autorzy:
    Witkowska, Dorota
    Kamiński, Władysław
    Powiązania:
    https://bibliotekanauki.pl/articles/905371.pdf
    Data publikacji:
    2002
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    klasyfikacja
    sztuczne sieci neuronowe
    algorytm genetyczny
    Opis:
    In the paper we present the results of firm classification made by artificial neural networks that were trained applying genetic algorithm. There were from two to five groups distinguished that were characterized by: decisions about allowing the credit (two classes), creditworthiness of the enterprise (four classes) and the economic and financial situation of the firm (five classes). The quality of classification was evaluated by comparing to the credit officers’ opinions. The results of artificial neural network classification into two classes were compared to results obtained applying linear discrimination function.
    W opracowaniu przedstawiono wyniki klasyfikacji przedsiębiorstw za pomocą jednokierunkowych sieci neuronowych trenowanych algorytmem genetycznym. Klasyfikacja obejmowała od dwóch do pięciu grup typologicznych i została przeprowadzona na podstawie danych pochodzących z wniosków kredytowych podmiotów gospodarczych ubiegających się o kredyt w jednym z banków regionalnych. W analizach porównawczych wykorzystano liniową analizę dyskryminacyjną.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2002, 156
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Użycie sieci neuronowych do klasyfikacji obdszarów miejskich na zdjęciach satelitarnych
    Applying neural networks to urban area classification in satellite images
    Autorzy:
    Iwaniak, A.
    Krówczyńska, M.
    Paluszyński, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/341474.pdf
    Data publikacji:
    2002
    Wydawca:
    Uniwersytet Przyrodniczy we Wrocławiu
    Tematy:
    klasyfikacja zdjęć satelitarnych
    sztuczne sieci neuronowe
    satellite image classification
    artificial neural networks
    Opis:
    Niniejsza praca przedstawia podejście do procesu klasyfikacji obrazów satelitarnych alternatywne wobec istniejących metod. Do identyfikacji terenów miejskich zobrazowanych na zdjęciach satelitarnych zastosowana została sztuczna sieć neuronowa. W pracy wykorzystano zobrazowania wykonane przez satelitę Landsat skanerem Thematic Mapper oraz mapę pokrycia terenu opracowaną w programie CORINE Land Cover. Oceny wyników dokonano metodą porównania punktowego z mapą topograficzną. Badania zostały przeprowadzone na terenach testowych: Aglomeracja Warszawska oraz Krakowska.
    This work presents a new approach to satellite image classification process. An artificial neural network has been applied to identification of urban areas mapped in satellite images. The results presented here are based on images obtained from the Landsat satellite using the Thematic Mapper scanner and a land cover map produced under the CORINE Program. The evaluation of the results has been conducted using a point-topoint comparison with a topographic map. The test areas include the metropolitan areas of Warsaw and Cracow.
    Źródło:
    Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum; 2002, 1, 1-2; 5-13
    1644-0668
    Pojawia się w:
    Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie i ocena metod klasyfikacji sygnałów EEG
    Analysis and classification of EEG data. An evaluation of methods
    Autorzy:
    Rutkowski, G.
    Patan, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/154847.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    EEG
    sztuczne sieci neuronowe
    rozpoznawanie obrazów
    klasyfikacja
    artificial neural networks
    pattern recognition
    classification
    Opis:
    Analiza i interpretacja sygnałów elektroencefalograficznych znalazła szerokie spektrum zastosowań w diagnostyce klinicznej. Pomimo licznych doświadczeń specjalistów, ciągle napotyka się wiele trudności. Powstające problemy związane są m.in. z aspektami technicznymi co spowodowane jest charakterem niestacjonarności w przypadku sygnałów takich jak sygnały EEG. Rozwiązania sprzętowe i programowe w tej dziedzinie są poddawane ciągłej poprawie ze względu na rozwój technologiczny. Bardzo obiecującym narzędziem w analizie i interpretacji sygnałów EEG są sztuczne sieci neuronowe. W pracy przedstawiono eksperymenty oparte o analizę i klasyfikację danych biomedycznych za pomocą różnych technik, w tym metod klasycznych takich jak naiwny klasyfikator Bayesa, k najbliższych sąsiadów z zastosowaniem metod sztucznej inteligencji takich jak klasyfikatory SVM czy perceptron wielowarstwowy.
    Analysis and interpretation methods of electroencephalogram signals have found a broad spectrum of applications in clinical diagnosis. Despite the experience of professionals, biomedical data analysis encounters many difficulties. Measurement problems are associated with both the technical ground that determines the character of non-stationarity of EEG signals and the individual nature of a neurological dysfunction. The existing hardware and software have been continuously improved due to the rapid progress of technological development. Very promising tool in the analysis and interpretation of the EEG signals are artificial neural networks. An electroencephalogram (EEG) is a noninvasive technique for measurement of processes occurring in the human brain. This technique allows direct measurement of electrical potentials of neuronal activity. EEG is thus recording of electrical activity of nerve cells on the surface of the cerebral cortex. Seizures are very important element in clinical diagnosis due to the ongoing search for causal link in generating sudden discharges of electricity. The interpretation of such signals may allow for appropriate treatment and selection of relevant therapy for individual cases. There have been many works in the area of electroencephalography which used artificial neural networks involving among the others in the process of recognizing specific graphoelements, which in turn indicate a definite neurological dysfunction. Neural networks are also able to extract the relevant information contained in the EEG signals and support the process of solving problems, such as the identification of characteristic EEG [1, 5, 6] patterns or determine patterns based on spectral EEG topography [3]. Neural networks are also used to identify artifacts, where inputs to the classifier are implemented in the form of selected parameters of a specific wave length [10]. The paper presents experiments based on the analysis and classification of biomedical data using various techniques, including classical methods such as naive Bayes classifiers, and nearest neighbor using artificial intelligence methods including SVM classifiers and multilayer perceptron.
    Źródło:
    Pomiary Automatyka Kontrola; 2012, R. 58, nr 4, 4; 369-371
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie perceptronu wielowarstwowego do wyszczególniania obiektów o znaczeniu orientacyjnym na mapach topograficznych
    The use of a multilayer perceptron for specifying the landmarks on topographic maps
    Autorzy:
    Pokonieczny, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/345795.pdf
    Data publikacji:
    2016
    Wydawca:
    Polskie Towarzystwo Informacji Przestrzennej
    Tematy:
    sztuczne sieci neuronowe
    obiekty orientacyjne
    klasyfikacja obiektów przestrzennych
    artificial neural networks
    landmarks
    spatial data classification
    Opis:
    W artykule została poruszona problematyka wyboru obiektów o znaczeniu orientacyjnym tj. trwałych obiektów i przedmiotów sytuacyjnych, które łatwo rozpoznać w terenie i według których dokładnie i szybko można określić swoje położenie. Do ich wyszczególniania, wykorzystano sztuczne sieci neuronowe (a konkretnie perceptron wielowarstwowy). W artykule opisano zarówno sposób doboru najwłaściwszej architektury sieci neuronowej, jak i wprowadzane do niej dane wejściowe (parametry opisujące obiekt oraz jego otoczenie). Testy przeprowadzono dla obszaru 4 arkuszy Wojskowej Mapy Topograficznej w skali 1:50 000. Przeanalizowano 4 klasy obiektów (komin, krzyż przydrożny, pomnik i punkt wysokościowy). W celu wyboru odpowiedniej architektury sieci, wykonano sprawdzenie krzyżowe, polegające na podziale próby uczącej na 3 części (uczącą, testową i walidacyjną). Pozwoliło to na wybór 10 najlepszych sieci, które zostały połączone w zespół sztucznych sieci neuronowych. Ponadto przeprowadzono globalną analizę wrażliwości, co pomogło określić, które zmienne mają największy wpływ na możliwość zakwalifikowania obiektu do grupy obiektów orientacyjnych. Wdrożenie sieci wykonano na bazie zbioru danych testowych znajdujących się na obszarze sąsiedniego arkusza mapy. Wyniki wskazują, że przygotowana sieć neuronowa we właściwy sposób potrafiła wyszczególnić obiekt o znaczeniu orientacyjnym. Najwyższy współczynnik nadawany był wysokim, odosobnionym obiektom, co było zgodne ze sposobem nauczania sieci neuronowej. Zastosowanie ciągłej funkcji aktywacji pozwoliło na wyznaczenie współczynnika w ciągłym przedziale od 0 do 1. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 i mapy w skali 1 : 50 000.
    The presented article concerns the issue of landmarks selection i.e. solid objects and situational items that may be easily identified in the field. To specify them the artificial neural networks (a multi-layer perceptron) have been used. The article describes both, how to select the most appropriate neural network architecture and input data (attribute and spatial) which are entered to the network. The tests have been performed for the area of 4 sheets of the Military Topographic Map at 1:50 000 scale. 4 classes of objects have been analyzed (a chimney, a wayside cross, a monument and an elevation spot). To select the appropriate network architecture the cross-validation has been performed. The learning sample has been divided into 3 parts (one learning, one testing and one validation sample). This allowed to select the top 10 networks. In addition a global sensitivity analysis was conducted, which helped to determine variables with the greatest impact on the results. Implementation of the network was made based on a test data set, located in the area of the adjacent map sheets. The results showed that the neural network was able to correctly specify a landmark. The highest index was assigned to high, isolated objects, which was in line with the way of teaching the neural network. The usage of a continuous activation function allowed to determine the index in the continuous range 0 to 1. The spatial data from the Vector Map Level 2 and the Military Topographic Map at 1:50 000 scale have been used for studies described in this article.
    Źródło:
    Roczniki Geomatyki; 2016, 14, 3(73); 397-405
    1731-5522
    2449-8963
    Pojawia się w:
    Roczniki Geomatyki
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine
    The use of the artificial neural networks to update the CORINE Land Cover maps
    Autorzy:
    Golenia, M.
    Zagajewski, B.
    Ochtyra, A.
    Hościło, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/204319.pdf
    Data publikacji:
    2015
    Wydawca:
    Polskie Towarzystwo Geograficzne
    Tematy:
    klasyfikacja
    Corine Land Cover
    Landsat
    sztuczne sieci neuronowe
    Warszawa
    classification
    CORINE Land Cover
    artificial neural networks
    Warsaw
    Opis:
    Aktualne mapy pokrycia terenu są podstawą wielu dyscyplin nauki oraz mają szerokie zastosowanie aplikacyjne. Jednym z problemów aktualizacji map jest proces aktualizacji danych. Teledetekcja dostarcza codziennie nowych zobrazowań satelitarnych, które mogą zaspokoić potrzeby aktualizacji baz danych. W niniejszym artykule autorzy przedstawiają metodę klasyfikacji pokrycia terenu sztucznymi sieciami neuronowymi fuzzy ARTMAP zgodnie z założeniami i legendą Corine Land Cover na podstawie danych satelitarnych Landsat, które wykorzystywane są do opracowania map pokrycia terenu. W artykule użyto jako danych referencyjnych i weryfikacyjnych najnowszą mapę Corine Land Cover (CLC) 2012. Do przeprowadzenia klasyfikacji symulatorem wykorzystano trzy zdjęcia satelitarne Landsat TM (21.04.2011, 05.06.2010, 27.08.2011). Obszarem badań były okolice Warszawy. Wynikami pracy symulatora są mapy klasyfikacji pokrycia terenu oraz macierze błędów klasyfikacji. Uzyskane wyniki potwierdzają, że sztuczne sieci neuronowe mogą z powodzeniem być wykorzystywane do aktualizacji map pokrycia terenu.
    Modern land cover maps are the basis of many scientific disciplines and they are widely applied. One of the problems connected with the revision of maps is the data updating procedure. Remote Sensing daily provides us with the new satellite images, that can meet the needs of database updates. In this article the method of classification for land cover with the artificial, neural, fuzzy ARTMAP networks is presented by the authors in accordance with the objectives and legend of the CORINE Land Cover Map on the basis of the Landsat satellite data, which are used to elaborate the land cover maps. The latest CORINE Land Cover map 2012 polygons are used as the reference and verification data. Three satellite Landsat TM images of 21.04.2011, 05.06.2010, 27.08.2011 are processed by a fuzzy, artificial, neural network classificatory simulator. The area of research was Warsaw and its surrounding area. The results of this research are the classificatory land cover maps and error matrices. Acquired results confirm that the artificial neural networks can be successfully used for land cover updating.
    Źródło:
    Polski Przegląd Kartograficzny; 2015, T. 47, nr 3-4, 3-4; 257-266
    0324-8321
    Pojawia się w:
    Polski Przegląd Kartograficzny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Znaczenie pola powierzchni i długości obiektów w półautomatycznej klasyfikacji obiektowej użytków zielonych na zdjęciach satelitów serii LANDSAT
    The influence of area and length of objects in semi-automated object classification of grasslands on LANDSAT images
    Autorzy:
    Kosiński, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/132243.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Geograficzne
    Tematy:
    użytki zielone
    teledetekcja
    Landsat
    wielkość
    kształt
    uwilgotnienie
    siedlisko
    klasyfikacja
    sztuczne sieci neuronowe
    grasslands
    remote sensing
    size
    shape
    habitat
    humidity
    object
    classification
    artificial neural network
    Opis:
    Semi-automatic method for object classification of the grassland procedure involves two stages: 1) the creation of image segments as a representation of natural spatial complexes, 2) classification of the segments. So far, the classification algorithms were used refer to the three categories of characteristics: spectral, panchromatic or geometric. In the first stage of the work segmentation were performed of the composition of the two satellite images Landsat7 acquired at different seasons of the year: in September 1999 and the beginning of May 2001. Panchromatic data were used for distinguishing complexes due to the greater (in comparison with spectral data) spatial resolution. In the area of grasslands landscape-vegetation complexes (Matuszkiewicz, 1990, Kosiński, Hoffmann -Niedek, Zawiła, 2006) were distinguished of approximately a hundred to a few hundred meters in length and of about 20 ÷ 200 panchromatic image pixels. Semi-automated delimitation of complexes were carried out under the visual control, using as auxiliary material aerial photographs and topographic maps. In the second stage (classification of segments) an attempt were taken to assess the suitability of selected geometrical features to distinguish grasslands in use (currently or potentially) from grasslands unfit for production use due to excessive or insufficient moisture. The classification algorithm used GIS tools for measuring area and length of segments and artificial neural networks as a tool for classification. The previous studies of the Piotrkowska Plain show that the complexes of meadows used differ from those abandoned in terms of size and shape of objects (Kosiński, Hoffmann- Niedek, 2006, Fig. 1). Hypothesis that area and length of the landscape -vegetation complex are cues of identification in relation to the use and moisture of grasslands. 43 complexes of the grassland have been established as training samples on the Piotrkowska Plain in the Pilsia valley. In order to avoid overfitting classification algorithm to data from the Piotrkowska Plain, in order to allow the application of the algorithm for another mezoregionu 10 complexes have been selected as a validation set in the Szczercowska valley. To evaluate the classification results 32 complexes have been collected from Szczercowska Basin (test set). All treining set objects were described in terrein. Validation and test set objects were classified by a more accurate metod (based on biteporal image: Kosiński, Hoffmann -Niedek, 2008) and checked at random in the field. Objects of learning, validation and test set have been grouped into five categories according to use and habitat moisture (Kosiński, Hoffmann -Niedek, 2008; Table 1). For learning neural networks fife categories of objects of the learning and validation set were generalised into the three classes. In the Szczercowska Valley combination of characteristics (area and length) of the abandoned complexes is more close to the meadows in use than on the Piotrkowska Plain (Table 2). Therefore, the classification algorithm of the Piotrkowska Plain can not be directly applied to Szczercowska Basin. To obtain the correct result of classification, the classes of test set has been interpreted differently than in the learning and validation sets (Table 3, Figure 2). In the test sample 3/4 of the 23 complexes of meadows potentially used were classified correctly, while of nine abandoned ones due to unfavorable moisture habitats correctly classified 2/3. Thus confirmed the working hypothesis. Application of artificial neural networks can cancel the designation of non parametric empirical indicators of the size and shape of the complexes (Fig. 1). Neural networks auto-uwilgotmatically builds a morpfometric model based on simple indicators such as area and length of the object. Two model types of artificial neural network have been tested: 1) multilayer perceptrons (MLP) wich use hyperplanes to divide up feature space, 2) radial basis function network (RBF) wich use hyperspheres. MLP networks have proved to be more suitable to build the model than the RBF network.
    Źródło:
    Teledetekcja Środowiska; 2009, 42; 35-41
    1644-6380
    Pojawia się w:
    Teledetekcja Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of neural image analysis in the identification of information encoded in a graphical form
    Wykorzystanie neuronowej analizy obrazów w identyfikacji informacji zakodowanej w formie graficznej
    Autorzy:
    Koszela, K.
    Boniecki, P.
    Kuzimska, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/956540.pdf
    Data publikacji:
    2015
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    identification of class oocytes
    quality classification
    computer image analysis
    image analysis
    artificial neural networks
    identyfikacja klas oocytów
    klasyfikacja jakościowa
    analiza obrazu
    sztuczne sieci neuronowe
    Opis:
    Numerous scientific and research centres are searching for solutions concerning the problem of quality classification of animal oocytes. Conducting such studies is purposeful, particularly in the context of constant attempts to improve the quality of food products, which depends on the breeding value of livestock. Therefore, searching for methods of stimulation of proper development of a larger number of animal oocytes, particularly in extracorporeal conditions, gains special importance. An increasing interest in assisted reproduction techniques resulted in searching for new, increasingly effective methods of quality assessment of mammalian gametes and embryos. The expected progress in the production of animal embryos in vitro is largely dependent on proper classification of obtained oocytes. The aim of this work was to develop a non-invasive method for the quality assessment of oocytes, performed on the basis of graphic information encoded in the form of monochromatic digital images obtained via microscopy techniques. The classification process was conducted based on the information presented in the form of microphotography pictures of domestic pig oocytes, using advanced methods of neural image analysis.
    Rozwiązaniem problemu klasyfikacji jakościowej oocytów zwierzęcych zajmuje się wiele różnych ośrodków naukowo-badawczych. Celowość prowadzenia takich badań jest uzasadniona szczególnie w kontekście ciągłego dążenia do podnoszenia jakości produktów żywnościowych, która jest pochodną wartości hodowlanej zwierząt gospodarskich. W związku z tym, istotnego znaczenia nabierają poszukiwania metod prowadzących do stymulowania prawidłowego rozwoju większej liczby zapładnianych oocytów zwierzęcych, zwłaszcza realizowanego w warunkach pozaustrojowych. Rosnące zainteresowanie technikami wspomaganego rozrodu stało się przyczyną poszukiwania nowych, coraz bardziej efektywnych metod oceny jakościowej gamet oraz zarodków ssaków. Oczekiwany postęp w produkcji zarodków in vitro zwierząt uzależniony jest w istocie od poprawnej klasyfikacji pozyskiwanych oocytów. Celem pracy było opracowanie bezinwazyjnej metody oceny jakościowej oocytów dokonywanej w oparciu o informację graficzną zakodowana w postaci monochromatycznych obrazów cyfrowych pozyskanych metodą mikroskopową. Proces klasyfikacji zrealizowano w oparciu o informację prezentowaną w formie zdjęć mikrofotograficznych oocytów świni domowej, wykorzystując w tym celu nowoczesne metody neuronowej analizy obrazu.
    Źródło:
    Agricultural Engineering; 2015, 19, 3; 25-35
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie danych lotniczego skaningu laserowego i zdjęć lotniczych do klasyfikacji pokrycia terenu
    Land cover classification using airborne laser scanning data and aerial images
    Autorzy:
    Borkowski, A.
    Tymków, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/130474.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    lotniczy skaning laserowy
    zdjęcia lotnicze
    klasyfikacja nadzorowana
    sztuczne sieci neuronowe
    metoda największej wiarygodności
    airborne laser scanning (ALS)
    aerial images
    supervised classification
    artificial neural networks
    maximum likehood
    k-nearest neighbour method
    Opis:
    Informacja bezpośrednia i pośrednia dotycząca powierzchni terenu i jego pokrycia zawarta w danych skaningu laserowego może być wykorzystana do klasyfikacji form pokrycia terenu. W artykule podjęto próbę oceny przydatności tego typu danych jako źródła informacji uzupełniających wektor cech, zbudowany na podstawie obrazów lotniczych, w procesie klasyfikacji pokrycia terenu. Wykorzystano dane skanowania laserowego pozyskane za pomocą systemu ScaLARS. Przeprowadzono szereg eksperymentów numerycznych polegających na klasyfikacji fragmentu obszaru doliny rzeki Widawy za pomocą różnych algorytmów klasyfikacji oraz przy różnych kombinacjach wektora cech branych pod uwagę. W testach wykorzystano jednokierunkowe sztuczne sieci neuronowe, metodę największej wiarygodności, oraz metodę k-najbliższych sąsiadów. Porównano jakość klasyfikacji opartej o następujące cechy: wartości kanałów RGB, parametry charakteryzujące teksturę, informacje o wysokości form pokrycia terenu estymowane na podstawie numerycznego modelu terenu oraz numerycznego modelu pokrycia terenu, model charakteryzujący rozrzut wartości wysokości danych skaningu zarejestrowanych na jednostce powierzchni oraz intensywność promienia laserowego. Ilościowa ocenę dokładności oparto o macierz niezgodności, obliczana na podstawie porównania otrzymanego wyniku klasyfikacji dla wektora testowego do wzorca wykonanego manualnie metoda digitalizacji. Najlepsze wyniki klasyfikacji otrzymano za pomocą klasyfikatora neuronowego. Stwierdzono ponadto, że zastąpienie modelu numerycznego pokrycia terenu wariancja wysokości surowych danych lotniczego skaningu laserowego daje poprawne rezultaty klasyfikacji przy znacznej redukcji obliczeń.
    The direct and indirect information about terrain surface and land use contained in laser scanning data sets allow to provide the automatic classification of land cover. An attempt of using scanning data as a supplementary source for such classification based on aerial photos was performed in this article. A continuous-wave (CW) ScaLARS laser system was used to receive scanning data. Numerous experiments consisting in the classification of a part of Widawa River valley were carried out in order to find the best combination of data set and classification method. Three classification methods were used: multilayer neural networks, maximum likelihood classifier and k-nearest neighbour method. The classification was made and evaluated using: aerial images (RGB model), texture features, differential model of height of land cover, based on digital surface model (DSM), and digital terrain model (DTM), model of height dispersion represented by variance of measured points height in a regular grid and intensity image. In order to quantify the quality of the results, a confusion matrix was created for each testing pattern based on manual digitalized reference data. The best results are obtained by artificial neural network classifier. The use of variance of height, instead of differential model, gives satisfactory results, and the obtaining of this feature is easy and fast in comparison to DTM and DSM building process.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 93-103
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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