دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سازمان و پردازش داده ها ویرایش: 1 نویسندگان: Gustavo Camps-Valls. Professor Lorenzo Bruzzone سری: ISBN (شابک) : 0470722118, 9780470722114 ناشر: سال نشر: 2009 تعداد صفحات: 444 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب روش های هسته برای تجزیه و تحلیل داده های سنجش از دور: علوم و مهندسی کامپیوتر، پردازش داده های رسانه ای، پردازش تصویر
در صورت تبدیل فایل کتاب Kernel Methods for Remote Sensing Data Analysis 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 روش های هسته برای تجزیه و تحلیل داده های 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.
روشهای هسته مدتهاست که بهعنوان تکنیکهای مؤثر در چارچوب یادگیری ماشین و تشخیص الگو شناخته شدهاند، و اکنون به رویکرد استاندارد بسیاری از برنامههای سنجش از راه دور تبدیل شدهاند. با الگوریتمهایی که آمار و هندسه را ترکیب میکنند، روشهای هسته در بسیاری از حوزههای مختلف مرتبط با تجزیه و تحلیل تصاویر زمین بهدستآمده از حسگرهای هوابرد و ماهوارهای، از جمله کنترل منابع طبیعی، شناسایی و نظارت بر زیرساختهای انسانی (مانند مناطق شهری)، موفقیتآمیز به اثبات رسیدهاند. موجودی کشاورزی، پیشگیری از بلایا و ارزیابی خسارت، و تشخیص ناهنجاری و هدف. این کتاب با ارائه مبانی نظری روشهای هسته (KM) مرتبط با حوزه سنجش از دور، به عنوان راهنمای عملی برای طراحی و اجرای این روشها عمل میکند. پنج بخش متمایز، تحقیقات پیشرفته مربوط به سنجش از دور را بر اساس پیشرفتهای اخیر در روشهای هسته، تجزیه و تحلیل چالشهای روششناختی و عملی مرتبط ارائه میدهند: بخش اول مفاهیم کلیدی یادگیری ماشین برای سنجش از دور را معرفی میکند، و بهصورت نظری و مبانی عملی روش های هسته بخش دوم طبقهبندی تصاویر نظارتشده شامل ماشینهای بردار فوقالعاده (SVM)، تجزیه و تحلیل تفکیک هسته، طبقهبندی تصاویر چندموقت، تشخیص هدف با هستهها و الگوریتمهای توصیف دادههای برداری پشتیبانی (SVDD) برای تشخیص ناهنجاری را بررسی میکند. بخش سوم به طبقهبندی نیمه نظارتی با رویکردهای SVM انتقالی برای طبقهبندی تصویر ابرطیفی و طبقهبندی میانگین هسته میپردازد. بخش چهارم به بررسی رگرسیون و وارونگی مدل میپردازد، از جمله مفهوم الگوریتم عدم اختلاط هسته برای تصاویر فراطیفی، نظریه و روشهای مشکلات معکوس سنجش از دور کمی با معادلات مبتنی بر هسته، BRDF مبتنی بر هسته (تابع توزیع بازتاب دوطرفه)، و بازیابی دما. KMs. بخش V به استخراج ویژگی مبتنی بر هسته می پردازد و مروری بر اصول چندین روش تحلیل چند متغیره و پسوند هسته آنها ارائه می دهد. هدف این کتاب مهندسین، دانشمندان و محققانی است که در پردازش دادههای سنجش از راه دور و همچنین کسانی که در یادگیری ماشین و تشخیص الگو کار میکنند.
Kernel methods have long been established as effective techniques in the framework of machine learning and pattern recognition, and have now become the standard approach to many remote sensing applications. With algorithms that combine statistics and geometry, kernel methods have proven successful across many different domains related to the analysis of images of the Earth acquired from airborne and satellite sensors, including natural resource control, detection and monitoring of anthropic infrastructures (e.g. urban areas), agriculture inventorying, disaster prevention and damage assessment, and anomaly and target detection. Presenting the theoretical foundations of kernel methods (KMs) relevant to the remote sensing domain, this book serves as a practical guide to the design and implementation of these methods. Five distinct parts present state-of-the-art research related to remote sensing based on the recent advances in kernel methods, analysing the related methodological and practical challenges:Part I introduces the key concepts of machine learning for remote sensing, and the theoretical and practical foundations of kernel methods. Part II explores supervised image classification including Super Vector Machines (SVMs), kernel discriminant analysis, multi-temporal image classification, target detection with kernels, and Support Vector Data Description (SVDD) algorithms for anomaly detection. Part III looks at semi-supervised classification with transductive SVM approaches for hyperspectral image classification and kernel mean data classification. Part IV examines regression and model inversion, including the concept of a kernel unmixing algorithm for hyperspectral imagery, the theory and methods for quantitative remote sensing inverse problems with kernel-based equations, kernel-based BRDF (Bidirectional Reflectance Distribution Function), and temperature retrieval KMs. Part V deals with kernel-based feature extraction and provides a review of the principles of several multivariate analysis methods and their kernel extensions. This book is aimed at engineers, scientists and researchers involved in remote sensing data processing, and also those working within machine learning and pattern recognition.