ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification

دانلود کتاب الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور

Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification

مشخصات کتاب

Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification

ویرایش: 1 
نویسندگان: , ,   
سری:  
ISBN (شابک) : 036735571X, 9780367355715 
ناشر: CRC Press 
سال نشر: 2020 
تعداد صفحات: 220 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 26 مگابایت

قیمت کتاب (تومان) : 87,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 18


در صورت تبدیل فایل کتاب Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور



این کتاب روش‌های طبقه‌بندی تصویر پیشرفته را برای تمایز اجسام زمین از داده‌های ماهواره‌ای سنجش از دور با تأکید بر یادگیری ماشین فازی و الگوریتم‌های یادگیری عمیق پوشش می‌دهد. هر دو نوع الگوریتم با چنان جزئیاتی توصیف شده‌اند که می‌توان آن‌ها را مستقیماً برای نقشه‌برداری موضوعی پوشش زمین چند کلاسه یا کلاس خاص از داده‌های سنجش از دور نوری چند طیفی پیاده‌سازی کرد. این الگوریتم ها به همراه سنجش از راه دور چند تاریخ و چند حسگر قادر به نظارت بر مرحله خاص (به عنوان مثال، فنولوژی محصول در حال رشد) از یک کلاس خاص نیز هستند. با این قابلیت‌ها، الگوریتم‌های یادگیری ماشین فازی کاربردهای قوی در زمینه‌هایی مانند بیمه محصولات، نقشه‌برداری آتش‌سوزی جنگل، سوزاندن کلش، نقشه‌برداری خسارت پس از فاجعه و غیره دارند. همچنین جزئیاتی در مورد پایگاه‌داده شاخص‌های زمانی با استفاده از رویکرد پیشنهادی مبتنی بر سنسور مستقل (CBSI) ارائه می‌دهد. نمونه های عملی همچنین، این کتاب به سایر الگوریتم‌های مرتبط بر اساس فاصله، هسته و همچنین اطلاعات مکانی از طریق روش‌های میدان تصادفی مارکوف (MRF)/حلقه محلی برای مدیریت پیکسل‌های مختلط، غیر خطی و پیکسل‌های پر سر و صدا می‌پردازد.

علاوه بر این، این کتاب در مورد تکنیک‌هایی برای ارزیابی کمی خروجی‌های کسر طبقه‌بندی‌شده نرم از طبقه‌بندی نرم و پشتیبانی شده توسط ابزار توسعه‌یافته داخلی به نام طبقه‌بندی‌کننده تصویر چند طیفی زیر پیکسلی (SMIC) را پوشش می‌دهد. این برنامه برای فارغ التحصیلان، کارشناسی ارشد، پژوهشگران و متخصصان شاغل در شاخه های مختلف مانند علوم اطلاعات جغرافیایی، جغرافیا، برق، الکترونیک و علوم کامپیوتر و غیره که در زمینه رصد زمین و پردازش تصاویر ماهواره ای فعالیت می کنند، طراحی شده است. الگوریتم‌های یادگیری مورد بحث در این کتاب ممکن است در زمینه‌های مرتبط دیگر، به عنوان مثال، در تصویربرداری پزشکی نیز مفید باشند. به طور کلی، هدف این کتاب این است:

  • تمرکز انحصاری بر استفاده از طیف وسیعی از الگوریتم‌های طبقه‌بندی فازی برای تصاویر سنجش از دور؛
  • درباره کاربرد طبقه‌بندی‌کننده‌های یادگیری ترکیبی ANN، CNN، RNN و ترکیبی بر روی تصاویر سنجش از راه دور بحث کنید؛
  • توضیح زیر ابزار طبقه‌بندی تصویر چند طیفی پیکسل (SMIC) برای پشتیبانی از الگوریتم‌های فازی و یادگیری مورد بحث.
  • نحوه ارزیابی خروجی های طبقه بندی شده نرم را به عنوان تصاویر کسری با استفاده از ماتریس خطای فازی (FERM) و نسخه های پیشرفته آن با ابزار FERM، آنتروپی، ضریب همبستگی توضیح دهید. روش‌های خطای میانگین مربعات ریشه و مشخصه عملیاتی گیرنده (ROC) و;
  • توضیح الگوریتم‌ها را با مطالعات موردی و کاربردهای عملی ترکیب می‌کند. li>

توضیحاتی درمورد کتاب به خارجی

This book covers the state-of-art image classification methods for discrimination of earth objects from remote sensing satellite data with an emphasis on fuzzy machine learning and deep learning algorithms. Both types of algorithms are described in such details that these can be implemented directly for thematic mapping of multiple-class or specific-class landcover from multispectral optical remote sensing data. These algorithms along with multi-date, multi-sensor remote sensing are capable to monitor specific stage (for e.g., phenology of growing crop) of a particular class also included. With these capabilities fuzzy machine learning algorithms have strong applications in areas like crop insurance, forest fire mapping, stubble burning, post disaster damage mapping etc. It also provides details about the temporal indices database using proposed Class Based Sensor Independent (CBSI) approach supported by practical examples. As well, this book addresses other related algorithms based on distance, kernel based as well as spatial information through Markov Random Field (MRF)/Local convolution methods to handle mixed pixels, non-linearity and noisy pixels.

Further, this book covers about techniques for quantiative assessment of soft classified fraction outputs from soft classification and supported by in-house developed tool called sub-pixel multi-spectral image classifier (SMIC). It is aimed at graduate, postgraduate, research scholars and working professionals of different branches such as Geoinformation sciences, Geography, Electrical, Electronics and Computer Sciences etc., working in the fields of earth observation and satellite image processing. Learning algorithms discussed in this book may also be useful in other related fields, for example, in medical imaging. Overall, this book aims to:

  • exclusive focus on using large range of fuzzy classification algorithms for remote sensing images;
  • discuss ANN, CNN, RNN, and hybrid learning classifiers application on remote sensing images;
  • describe sub-pixel multi-spectral image classifier tool (SMIC) to support discussed fuzzy and learning algorithms;
  • explain how to assess soft classified outputs as fraction images using fuzzy error matrix (FERM) and its advance versions with FERM tool, Entropy, Correlation Coefficient, Root Mean Square Error and Receiver Operating Characteristic (ROC) methods and;
  • combines explanation of the algorithms with case studies and practical applications.


فهرست مطالب

Cover
Half Title
Title Page
Copyright Page
Dedication
Table of Contents
Foreword
Preface
Our Gratitude with three R’s
Authors
List of Abbreviations
Chapter 1: Machine Learning
	1.1 Introduction
	1.2 Machine Learning Approaches
	1.3 Understanding Pattern Recognition
	1.4 Machine Learning Applications and Examples
	1.5 Summary
	Bibliography
Chapter 2: Ground Truth Data for Remote Sensing Image Classification
	2.1 Introduction
	2.2 Creation of Training Data
	2.3 Criteria for Ground Truth Data
	2.4 Training Data in Machine Learning
	2.5 Validation Dataset
	2.6 Testing Dataset
	2.7 Summary
	Bibliography
Chapter 3: Fuzzy Classifiers
	3.1 Introduction
		3.1.1 Soft Classifiers
		3.1.2 Traditional Classifiers versus Soft Classifiers
		3.1.3 Linear and Nonlinear Classifiers
	3.2 Clustering Algorithms
		3.2.1 Fuzzy c -Means (FCM) Classifier
		3.2.2 Possibilistic c-Means (PCM) Classifier
		3.2.3 Noise Clustering (NC) Classifier
			3.2.3.1 Noise Clustering Algorithm
			3.2.3.2 Why Noise Clustering over PCM?
			3.2.3.3 Drawbacks of Possibilistic c-Means (PCM)
		3.2.4 Improved Possibilistic c-Means (IPCM)
			3.2.4.1 Advantages of IPCM over PCM
			3.2.4.2 Mathematical Formulation of IPCM
			3.2.4.3 Characteristic Features of IPCM
		3.2.5 Modified Possibilistic c -Means (MPCM)
			3.2.5.1 Mathematical Formulation of MPCM
	3.3 Summary
	Bibliography
Chapter 4: Learning Based Classifiers
	4.1 Introduction
	4.2 Variants of Artificial Neural Network (ANN)
		4.2.1 Back-Propagation
		4.2.2 Weight Update
	4.3 Convolutional Neural Network (CNN)
		4.3.1 Convolutional Neural Networks Image Classification
		4.3.2 Supervised Machine Learning
	4.4 Recurrent Neural Network (RNN)
	4.5 Hybrid Learning Network (HLN)
		4.5.1 Training Issues – Remote Sensing Data Domain
	4.6 Deep Learning Concepts
		4.6.1 Challenges in Learning Algorithms
	4.7 In-house Tool for Study of Learning Algorithms
	4.8 Summary
	Bibliography
Chapter 5: Hybrid Fuzzy Classifiers
	5.1 Introduction
	5.2 Hybrid Approach
		5.2.1 Entropy Based Hybrid Soft Classifiers
		5.2.2 Fuzzy c-Means with Entropy (FCME)
		5.2.3 Noise Clustering with Entropy (NCE) Classifier
	5.3 Similarity/Dissimilarity Measures in Fuzzy Classifiers
		5.3.1 Similarity Measures
			5.3.1.1 Cosine Similarity Measure
			5.3.1.2 Correlation Similarity Measure
		5.3.2 Dissimilarity Measures
			5.3.2.1 Euclidean Distance
			5.3.2.2 Manhattan Distance
			5.3.2.3 Chessboard
			5.3.2.4 Bray Curtis
			5.3.2.5 Canberra
			5.3.2.6 Mean Absolute Difference
			5.3.2.7 Median Absolute Difference
			5.3.2.8 Normalized Squared Euclidean
			5.3.2.9 Composite Measure: Combining Similarity and Dissimilarity Measures
	5.4 Spectral Characterization Measures
		5.4.1 Spectral Information Divergence (SID)
		5.4.2 Spectral Angle Mapper (SAM)
		5.4.3 Spectral Correlation Angle (SCA)
	5.5 Hybridization of Spectral Measures
		5.5.1 SID-SAM Hybridization
		5.5.2 SID-SCA Hybridization
	5.6 Kernels Concept in Fuzzy Classifiers
		5.6.1 Local Kernels
		5.6.2 Global Kernels
		5.6.3 Spectral Kernels
		5.6.4 Hybrid Kernel Approach
	5.7 Theory behind Markov Random Field (MRF)
		5.7.1 MAP-MRF Framework
		5.7.2 Contextual Information Using MRF
		5.7.3 Contextual Fuzzy Classifier
		5.7.4 Smoothness Prior
		5.7.5 Discontinuity Adaptive (DA) Priors
			5.7.5.1 Standard Regularization
			5.7.5.2 DA MRF Model
			5.7.5.3 How DA Priors Work
	5.8 Convolution Based Local Information in Fuzzy Classifiers
		5.8.1 Fuzzy c-Means with Constraints (FCM-S) Algorithm
		5.8.2 Possibilistic c-Means with Constraints (PCM-S) Algorithm
		5.8.3 Fuzzy Local Information c-Means (FLICM) Algorithm
		5.8.4 Possibilistic Local Information c-Means (PLICM) Algorithm
		5.8.5 Adaptive Fuzzy Logic Local Information c-Means (ADFLICM)
		5.8.6 Adaptive Possibilistic Local Information c-Means (ADPLICM) Algorithm
		5.8.7 Modified Possibilistic c-Means with Constraints (MPCM-S) Algorithm
		5.8.8 Modified Possibilistic Local Information c-Means (MPLICM) Algorithm
		5.8.9 Adaptive Modified Possibilistic Local Information c-Means (ADMPLICM) Algorithm
	5.9 Summary
	Bibliography
Chapter 6: Fuzzy Classifiers for Temporal Data Processing
	6.1 Introduction
	6.2 Temporal Indices Approach
	6.3 Feature Selection Methods
	6.4 Some Case Studies for Temporal Data Analysis
	6.5 Single Class Extraction
		6.5.1 Fuzzy Set Theory Based Classifiers for a Single Class Extraction
	6.6 Concept for Mono-/Bi-sensor Remote Sensing Data Processing
	6.7 Summary
	Bibliography
Chapter 7: Assessment of Accuracy for Soft Classification
	7.1 Introduction
	7.2 Generation of Testing Data
	7.3 Methods for Assessment of Accuracy of Soft Classified Outputs
		7.3.1 Fuzzy Error Matrix and Other Associated Operators
			7.3.1.1 Fuzzy Error Matrix
			7.3.1.2 Composite Operator Based FERM
			7.3.1.3 Sub-Pixel Confusion-Uncertainty Matrix (SCM)
		7.3.2 Measure of Uncertainty: Entropy
		7.3.3 Correlation Coefficient
		7.3.4 Root Mean Square Error
		7.3.5 Receiver Operating Characteristic (ROC)
		7.3.6 Method for Edge Preservation
	7.4 Summary
	Bibliography
Appendix: A1, SMIC: Sub-Pixel Multi-Spectral Image Classifier Package
Appendix: A2, Case Studies from SMIC Package
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد