אלגוריתם גנטי דו-שלבי מבוסס אנסמבל לסיווג כיסוי קרקע

תַקצִיר- מפות מדויקות של שימוש בקרקע וכיסוי קרקע (LULC) הן כלים יעילים כדי לעזור להשיג תכנון עירוני נכון וחקלאות מדויקת. כטכנולוגיית אופטימיזציה חכמה, האלגוריתם הגנטי (GA) יושם בהצלחה במשימות סיווג תמונות שונות בשנים האחרונות. עם זאת, GA פשוט מתמודד עם אתגרים, כגון חישוב מורכב, חסינות רעש ירודה והתכנסות איטית. מחקר זה מציע פרוטוקול אנסמבל דו-שלבי לסיווג LULC באמצעות מודל GA מבוסס גווני אפור-מרחבי. המסגרת הראשונה של האנסמבל משתמשת באמצעי c מטושטשים כדי לסווג פיקסלים לאלו שקשה לאשכול ולאלה שקל לאסוף, מה שמסייע בצמצום מרחב החיפוש לחישוב אבולוציוני. מסגרת האנסמבל השני משתמשת בחלונות שכונתיים כמידע היוריסטי כדי לשנות בצורה אדפטיבית את התפקוד האובייקטיבי והסתברות המוטציה של ה-GA, מה שמביא יתרונות חשובים לאפליה ולהחלטה של ​​GA. במחקר זה, שלושה אזורי מחקר בדאנגיאנג, סין, משמשים כדי לאמת את היעילות של השיטה המוצעת. הניסויים מראים שהשיטה המוצעת יכולה לשמור ביעילות על פרטי התמונה, לרסן רעש ולהשיג התכנסות אלגוריתם מהירה. בהשוואה לשיטות הייחוס, הדיוק הכולל הטוב ביותר שהושג על ידי האלגוריתם המוצע הוא 88.72%. מונחי אינדקס - אלגוריתם גנטי (GA), שימוש בקרקע וכיסוי קרקע (LULC), חלון שכונה, סיווג תמונות בחישה מרחוק, אנסמבל דו-שלבי.

cistanche tubulosa- לשפר את המערכת החיסונית

הקדמה

L AND שימוש וכיסוי קרקע (LULC) ממלא תפקיד חיוני בהיבטים שונים, כולל מערכת אקולוגית ותכנון עירוני, כתב היד התקבל ב-18 באפריל 2022; מתוקן ב-2 בספטמבר 2022; התקבל 16 בנובמבר 2022. תאריך פרסום 30 בנובמבר 2022; תאריך הגרסה הנוכחית 15 בדצמבר 2022. עבודה זו נתמכה בחלקה על ידי הקרן הלאומית למדעי הטבע של סין במסגרת Grant 62201438, Grant 61772397, ו- Grant 12005159, בין השאר על ידי Shaanxi Forestry Science and Technology Innovation Key Special תחת Grant SXLK{{ 13}}, בחלקו על ידי תוכנית המחקר הבסיסי של מדעי הטבע של שאאנשי במסגרת Grant 2021JC-23, ובחלקו על ידי פרויקט Science Technology and Development של Yulin Science and Technology Bureau במסגרת Grant CXY-2020-094. (יאנג קאו ווי פנג תרמו באותה מידה לעבודה זו.) (מחברים מקבילים: Wei Feng; ו-Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song ו-Aifeng Ren נמצאים במחלקה למדע וטכנולוגיה של חישה מרחוק , בית הספר להנדסת אלקטרוניקה, אוניברסיטת Xidian, שיאן 710071, סין (דוא"ל: ycao6@stu.xidian.edu.cn; wfeng@xidian.edu.cn; yhquan@mail.xidian.edu.cn; yijia_son@ 163.com; afren@mail.xidian.edu.cn). Wenxing Bao נמצאת בבית הספר למדעי המחשב והנדסה, אוניברסיטת North Minzu, Yinchuan 750021, סין (דוא"ל: baowenxing@nun.edu.cn). גבריאל דאופין נמצא במעבדה לעיבוד והעברת מידע, Institut Galilée, University Paris XIII, 93430 Villetaneuse, צרפת (דוא"ל: gabriel.dauphin@univ-paris13.fr). Mengdao Xing נמצא באקדמיה למחקר בין-תחומי מתקדם, אוניברסיטת Xidian, שיאן 710071, סין (אימייל: xmd@xidian.edu.cn). Digital Object Identifier 10.1109/JSTARS.2022.3225665 וכלכלה חברתית, בעלי חשיבות עמוקה במערכת כדור הארץ [1], [2], [3], [4]. מחקרים מבוססי שדה, המסתמכים על פרשנות ידנית, הם שיטות גוזלות זמן ודורשות עבודה שאינן יכולות לסווג את מצב השימוש בקרקע בזמן [5], [6], [7]. להיפך, ההתקדמות האחרונה בטכנולוגיית הלוויין מספקת פוטנציאל מצוין להבחנה מדויקת בין מאפייני קרקע מגוונים ויצירת מפות LULC במהירות של השטח העצום [8], [9], [10]. סיווג תמונת החישה מרחוק מחולק באופן גס לגישות מפוקחות ובלתי מפוקחות [11], [12], [13], [14]. הביצועים המעולים של מסווגים בפיקוח תלויים במידה רבה בנתונים המסומנים בעלות גבוהה, שקשה להשיגם [15]. מסווגים לא מפוקחים משיגים התפלגות נתונים על ידי חלוקת התמונה לקבוצות פיקסלים בעלות מאפיינים דומים, כגון K-means [16], ISODATA [17] ו-Fzzy c-means (FCM) [18], אשר נוצלו בהצלחה ב- תחום סיווג LULC. לדוגמה, Dang et al. [19] הציע את ה-FCMs שיתופיות מרובות של ליבות עם טכניקת גרגירת סופר פיקסלים משוקללת, שיכולה לצמצם את האובייקטים הנחשבים של סיווג כיסוי קרקע ממספר גדול של פיקסלים לכמות של כמה מאות פיקסלים-על בלבד של האובייקטים הנחשבים. פרדיס הרגיעה את ההנחה של שונות הומוגנית באלגוריתם ה-k-means הסטנדרטי והציגה שיטת סיווג כיסוי קרקע חדשה הנקראת K-means הסתברותית (P-Kmeans) [20], שיטה זו מתפקדת היטב בנתונים רב-ספקטרליים של רעש ויש לה שיפור משמעותי ב הדיוק הכולל (OA) בהשוואה ל-k-האמצעים הפשוטים. למרבה הצער, תחזיות של מסווגים אלה מתייחסות רק לתכונות ספקטרליות ומתעלמות מהמתאם המרחבי שלהן, מה שמוביל לחוסן לקוי. נמצא שהייצוג המרחבי-ספקטרלי המשותף משפר את חסינות הרעש של האלגוריתם ומפחית שגיאות סיווג במודלים רבים של סיווג קיימים [21], במיוחד אלגוריתמי אשכולות מטושטשים [22], [23], [24]. FLICM [25] משתמש במדידות דמיון מעורפלות בגווני אפור כדי לשפר את שמירת פרטי התמונה תוך הבטחת חוסר רגישות לרעש. ג'אנג ואחרים. [26] שיפר את האלגוריתם הרגיל של FCM תוך שימוש בגורמי שקלול אדפטיביים עבור אפקטים של פיקסלים שכנים על בסיס מודל משיכה מרחבי חדשני של פיקסלים. ליי וחב'. [27] הציע FRFCM פשוט ומהיר יותר באופן משמעותי על ידי הצגת פעולת שחזור מורפולוגית וסינון חברות מקומי. וואנג וחב'. [28] הציג את FCM_SICM עם אילוץ עוצמה מרחבי אדפטיבי וקישור חברות, מה שמפחית את מורכבות הזמן של פונקציה אובייקטיבית מ-O(n4). עם זאת, אלגוריתמים משופרים של FCM עדיין מציגים אתגרים במונחים של הפחתת הפרעות רעש.

היתרונות של cistanche tubulosa-לחזק את המערכת החיסונית

הוכח שניתן לפרק את בעיית סיווג הקרקע למספר משימות סיווג בינאריות [29]. מציאת סיווג אופטימלי נחשבת, לפיכך, לבעיית אופטימיזציה קומבינטורית. במהלך העשור האחרון, חלה פריצת דרך יוצאת דופן במחקר של סיווג שימושי קרקע המבוסס על חישוב אבולוציוני [30], [31]. לדוגמה, Yang et al. הציג טכניקה מבוססת נחיל חלקיקים (PSO) ותכנן פונקציית קריטריון לזיהוי כיסוי הקרקע [32]. Sarkar et al. [33] השתמש באנטרופיית Rènyi המקסימלית (MRE) כדי לפתח גישה לסיווג ללא פיקוח של כיסוי קרקע המבוסס על אבולוציה דיפרנציאלית (DE), המתפקדת היטב על שני נתוני תמונה היפרספקטרליים בשימוש נרחב. אלגוריתמים גנטיים (GAs), אלגוריתמי אופטימיזציה גלובליים יעילים, מחקים מנגנונים גנטיים ביולוגיים בתהליך הברירה הטבעית לקביעת פתרון אופטימלי גלובלי [34], [35], [36], [37]. ה-GA הסטנדרטי דורש פעולת קידוד בינארי לייצוג פתרון מועמד בצורה של מחרוזת [38], [39], [40]. בכל איטרציה, מפעיל ההצלבה בוחר באקראי שני פתרונות מועמדים (כלומר, הורים) ומחליף חלק מהמידע שלהם כדי ליצור פתרונות חדשים (כלומר, צאצאים), מה שמשפר את יכולת החקירה של האוכלוסייה [41]. כמו המוטציה הגנטית בטבע, אופרטור המוטציה מוחל על ה-GA כדי לשנות חלק מהמידע בפתרונות הצאצאים ולשפר את יכולת החיפוש המקומית [42]. מפעיל הבחירה בוחר את פתרונות המועמדים על סמך הכושר של כל אחד מבני האוכלוסייה - שימור צאצאים טובים יותר וחיסול צאצאים רעים. מנגנון זה, בתורו, משפר את האיזון בין ניצול לחקירה [43]. על ידי המפעילים הגנטיים שהוזכרו לעיל, הפרטים הללו משולבים לייצור דור חדש של קבוצות פתרון מועמדות, והתהליך חוזר על עצמו עד לסיפוק מדד התכנסות כלשהו. GA רוכש וצובר ידע על כיוון החיפוש במהלך תהליך החיפוש, ובכך שולט אוטומטית בכיוון החיפוש ליצירת הפתרון האופטימלי [44], אשר יושם בהצלחה לסיווג תמונות בחישה מרחוק והשיג תוצאות טובות. GAs משופרים רבים הופיעו בשנים האחרונות [45]. עם זאת, יש עדיין בעיות לא פתורות. 1) חישובים נרחבים. ההתכנסות של GA מתדרדרת כאשר מערך הנתונים הופך גדול יותר. 2) הביצועים הגרועים נגד רעש של GA פשוט המתמקדים בתכונות ספקטרליות רגישים בדרך כלל לרעשים בתמונה. 3) התכנסות מוקדמת. ל-GA יכולת חיפוש מוגבלת עבור המרחב החדש והיא נוטה ליפול לאופטימום מקומי. מכיוון שהנתונים הנחושים מרחוק מאופיינים בהטרוגניות, אנו מתמקדים במסווגים של אנסמבל, המדגישים השלמה בין תכונות הסיווג השונות [46], [47], [48]. הרעיון הקריטי של אסטרטגיית אנסמבל הוא למזג ולשלב תחזיות מכללי סיווג שונים [49], [50]. במחקר של [51], מוצע מודל סיווג אנסמבל מדויק ביותר כדי לספק מפות סיווג מרובות עצמאיות על ידי מתארי תכונה שונים. המחקר של [52] מצביע על כך שמסגרת האנסמבל המורכבת ממנגנון הצבעה דו-שלבי יכולה לדכא את הרעש של נתוני התמונה המקוריים ולשפר במידה מסוימת את סיווג קרח הים.

תוסף תוסף cistanche-הגברת חסינות

לחץ כאן לצפייה במוצרי Cistanche Enhance Immunity

【בקש עוד】 דוא"ל:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

במאמר זה, מוצע מודל GA משופר (TE-nGA) המבוסס על אסטרטגיה דו-שלבית עבור סיווג כיסוי קרקע של תמונות רב-ספקטרליות. עבור החסרונות של GA, הפתרון שלנו הוא להשתמש באסטרטגיית אנסמבל ובחלונות מרחביים על גבי GA קלאסי כדי לשפר את הביצועים נגד רעשים, דיוק הסיווג ומהירות ההתכנסות. התרומות העיקריות של מאמר זה הן כדלקמן. 1) האלגוריתם של FCM משמש לסיווג פיקסלים לאלו שקשה לאשכול ולאלו שקל לאשכול, מה שמצמצם את המורכבות החישובית. 2) GA מבוסס גווני אפור-מרחבי מוצע על ידי התחשבות בחלון השכונתי המרחבי ביצירת פרמטרים היוריסטיים כדי למנוע התכנסות מוקדמת ורגישות לרעש. 3) מסגרת אנסמבל חדשנית דו-שלבית עם מנגנון סיווג רב-פס משמש להפחתת חוסר היציבות של הפתרון ושגיאות הסיווג.

II. שיטת סיווג מוצעת

תרשים הזרימה של האלגוריתם המוצע מוצג באיור. 1. והאלגוריתם מורכב בעיקר משלושת השלבים הבאים: שחרור תמונה, מציאת הפיקסלים שקשה לצבור אותם באמצעות אסטרטגיית הצבעה, וסיווג מחדש על ידי GA משופר המבוסס על מודל אנסמבל וספקטרלי-מרחבי היתוך. שים לב שהשלב השני והשלישי הם החלקים הקריטיים של האלגוריתם המוצע. השיטה המוצעת משורטטת באלגוריתם 1.

א. דימוי הדנויז

כדי להימנע מחפצי תמונה מרעשי חיישן תמונה המשפיעים על איכות הסצנה, האלגוריתם מורכב תחילה מהחלת התאמת בלוקים ו-3-סינון D, אלגוריתם פופולארי ויעיל למניעת רעשים קיים [53]. המאפיינים של סינון זה נבחרים על סמך מידע כללי זה, זהו פשרה בין הפחתת הרעש שנותר בתמונה המתוקנת לבין שימור השינויים בעוצמה בין פיקסלים שכנים השייכים לאשכולות שונים. האלגוריתם הוכח כעל אלגוריתמי סינון אחרים בשיפור איכות התמונה.

ב. שלב האנסמבל הראשון - מציאת פיקסלים שקשה לאסוף אותם

דיאגרמת הבלוק בצד שמאל של איור 1 מציגה תמונה רב-ספקטרלית עם אורכי גל D, שממנה ניתן לחלץ תמונות ספציפיות ל-D בגודל של H × W, המסומנות כ-I1, I2,..., ID. הצעד הראשון, מחלק פיקסלים בין אלה שקשה לאסוף לאלה שקל לאגד בכך שלפחות עבור תמונה ספקטרלית אחת, סביר מאוד שהחברות שלהם. לכן, מקבץ ה-FCMs מיושם בנפרד על כל תמונה ספקטרלית כדי לסווג פיקסלים ל-N קטגוריות, כאשר N מוגדר מראש על ידי פרשנות חזותית. הוא מייצר עבור כל פיקסל, כל אורך גל וכל חברות באשכול.

איור 1. תרשים זרימה של סיווג LULC המבוסס על השיטה המוצעת.

כאשר Id(i, j) היא עוצמת הפיקסל (i, j) באורך הגל dth, un d (i, j) היא החברות לצביר ה-n של הפיקסל (i, j) באורך הגל dth, 1 פחות או שווה ל-d פחות או שווה ל-D, 1 פחות או שווה ל-n פחות או שווה ל-N. עבור אורך הגל dth, כל פיקסל מסומן בתווית קטגוריה cd(i, j), כמו

בהתבסס על החברות, פיקסלים מסווגים כ-Ke מקובצים בקלות וקשה לאשכול Kd. הסף τ המשמש הוא פרמטר כדי להבטיח שלפיקסל (i, j) ∈ Ke הנחשב קל לאשכול יש מידה גבוהה של חברות עם מרכז האשכול הרלוונטי. האשכול (N + 1) מכיל את הפיקסלים הנחשבים קשים לאשכול ומסומנים Kd. גישות מבוססות הצבעה יכולות לפתור התנגשויות בין החלטות שונות שנוצרות על ידי מספר כללי סיווג. בהתאם לכך, תוצאות הסיווג של כל אורך גל המתקבל על ידי FCM משולבות במפת הסיווג C של ההרכבים, בהתבסס על עקרון הצבעת הרוב. תווית הפיקסלים ב-C מסומנת מחדש למיקום המתאים של התמונה הרב-ספקטרלית המסוננת, ומתקבלות מפות הסיווג מחדש הסופיות, המסומנות כ-I1, I2,. . ., ID, כמסגרת המוצגת באמצע איור 1. לאחר החלת אלגוריתם FCM לסיווג מחדש של הפיקסלים כקלים וקשים לאשכול, הנושא של ניתוח כל התמונה המקורית מומר, לפיכך, לסיווג של פיקסלים קשים.

ג. שלב אנסמבל שני-מְשׁוּפָּרGA לוקח בחשבון פיקסלים שכנים

בצד ימין של תרשים הזרימה, מסגרת שכותרתה "אנסמבל הסיבוב השני" מציגה שתי משימות: סיווג GA מבוסס על גורם משותף ספקטרלי-מרחב ואנסמבל החלטה לסיווג רב-פס. מכיוון שבעיית הסיווג של LULC מפורקת למספר משימות סיווג בינאריות, עלינו להתייחס לבעיות משנה של סדרות עבור כל אורך גל: האם הפיקסל (i, j) ∈ Kd שייך לקטגוריה ה-xth. 1 פחות או שווה ל-x פחות או שווה ל-N. לבסוף, תוצאות ההחלטה של ​​כל מפות הסיווג הבינאריות של N משולבות כדי לקבל מפת סיווג המכילה N סוגי כיסוי קרקע. עבור כל בעיית סיווג בינארי, ה-GA המשופר המבוסס על מרחב ספקטרלי מוחל על פיקסלים המסומנים כמחלקה (N + 1) כדי לבצע אופטימיזציה נוספת של תוויות הקטגוריות המעורפלות, המוצגות במסגרת המקווקו של איור 1. הפרשנות של GA משופר זה מבוסס ספקטרלי-חלל היא כדלקמן. 1) קידוד כרומוזומים בינארי דו מימדי: עבור מזהה תמונה, ניתן לחלץ N מפות בינאריות מ-N משימות סיווג. קידוד בינארי דו מימדי משמש כדי לשמור על המאפיינים המבניים המרחביים של פרטים מפותחים (פרט אחד מייצג החלטה פוטנציאלית אחת). גודל מטריצת הקידוד זהה לתמונת אורך הגל, כלומר H × W. כדי להעריך אם פיקסל (i, j) ∈ Kd שייך לקטגוריה xth, 1 פחות או שווה ל- x פחות או שווה ל-N, עבור בכל אורך גל, אנו מקודדים פיקסלים (i, j) ∈ Ke במחלקה x המקובצת על ידי ה-FCM כ-1 ולא קטגוריה x כ-0, שבה לא מתבצעת עוד פעולת אופטימיזציה של אבולוציה. הנקודות האלה (i, j) ∈ Kd מקודדות באופן אקראי כ-0 או 1. אופטימיזציה אבולוציונית המיושמת ב-Kd תחקור את כל הפתרונות האפשריים. 2) פונקציית כושר על בסיס חלון שכונה: פונקציית הכושר היא האינדיקטור הקריטי ביותר להערכת איכות הפרטים באוכלוסיה, הקשורה לבחירת הפרטים ולביצוע מפעילים גנטיים. פיקסלים סמוכים נמצאים בקורלציה גבוהה מבחינת גווני אפור ומרקם. כתוצאה מכך, המידע המשלים של ספקטרום ומרחב מאומץ כדי לפתח פונקציית כושר מורכבת, המספקת רעיון חדש לשיפור חסינות הרעש של האלגוריתם. עבור משימת האשכול ה-n באורך הגל dth, נניח שמספר הפרטים באוכלוסייה הוא P, CIp,n,d הוא פרטי הנתיב, 1 פחות או שווה ל-p קטן או שווה ל-P, 1 פחות או שווה ל-n פחות או שווה ל-N, 1 פחות או שווה ל-d פחות או שווה ל-D. פונקציית הכושר של CIp,n,d היא כושר=1 OF, OF מחושבת על ידי הנוסחה (3)

כאשר r ∈ {{{0}}, 1}, Rr מציין את הפיקסלים המקודדים כ-0 או 1, וסטטיסטיקת הכמות שלהם מיוצגת כ-Nr. מרכז האשכול ה-rth מחושב לפי ממוצע הפיקסלים של כל הנקודות השייכות ל-Rr. I d(i, j) היא עוצמת הפיקסל (i, j) באורך הגל dth לאחר החלת אלגוריתם האשכולות FCM. בפונקציה השכונתית Wr(i,j), מניחים שזכיות שכונתיות הן ריבועיות, ואורך הצלעות s שלהן הוא מספרים שלמים אי-זוגיים. N(i, j, s) מייצג את חלון השכונה s × s במיקום אינדקס (i, j). Nt(i,j,s) מייצג את עוצמת הפיקסל ה-t בשכונה N(i,j,s). מידת החברות של הפיקסל ה-t ב-N(i, j, s) השייך לאשכול ה-rth מסומנת כ-utr(i, j, s). lt(i, j, s) מייצג את המרחק המרחבי בין פיקסל השכונה ה-t לנקודת המרכז (i, j). L הוא משקל המרחק המרחבי בין נקודת המרכז לפיקסלים השכונתיים שלה. 3) מפעיל מוטציות המשתמש במידע שכונה: דורות חדשים נוצרים באופן איטרטיבי באמצעות בחירה אינדיבידואלית, הצלבה אחידה ומוטציה גנטית, כפי שמוצג במסגרת המקווקו של איור. פיקסלים נבחרים עם אותה הסתברות, מה שמאט באופן בלתי נראה את קצב ההתכנסות של GA. כמפעיל טכני קריטי, נוצרת הסתברות מוטציה היוריסטית משופרת, בשילוב עם מידע שכונה, כדי לחשב אוטומטית את ההסתברות למוטציה המתאימה לכל גן. הנוסחאות הבאות מגדירות הסתברות מוטציה חדשה זו:

עבור הפיקסל המרכזי (i, j), uht(i, j, s) מציין את דרגת החברות של נקודת השכונה Nt(i, j, s) השייכת למרכז האשכול vh, h ∈ {{{0} }, 1}. כתוצאה מכך, הסתברות המוטציה האדפטיבית Pm(i,j) של הפרט CIp,n,d מבוטאת כנוסחה 8, כאשר P0 היא הסתברות המוטציה הבסיסית, גם הסתברות המוטציה הגלובלית ב-GA הקלאסי; σ, המעריך של S, מייצג את משקל ההשפעה של מידע השכונה על הסתברות המוטציה של הפיקסל המרכזי. CIp,n,d(i,j) הוא הקידוד הבינארי של פרט הנתיב, עבור משימת האשכול ה-n באורך הגל dth. lt(i, j, s) מציין את המרחק המרחבי בין הפיקסל המרכזי (i, j) לבין הפיקסל ה-t ב-N(i, j, s). התווית של Nt(i, j, s) מסומנת כ-Ct, אם u1t גדול מ-u0t, אז Ct=1; אחרת, Ct=0. בהתחשב בחלונות השכונתיים השונים, כאשר s=3, ניתן לחשב ש-S ∈ [0, 4+2√2]; כאשר s=5, S ∈ [0, 6+3√2+1.6 √5]. באמצעות המנגנון הנ"ל, נקודות (i, j) ∈ Kd יכולות להשיג הסתברויות מוטציה מתאימות בהתבסס על קטגוריית הפיקסלים השכנים. כאשר התווית המשוערת CIp,n,d(i,j) מתאימה לרוב הקטגוריות של הפיקסלים הסובבים, נדרשת הסתברות קטנה למוטציה כדי לשמור על ההומוגניות האזורית המקורית. אחרת, ההסתברות למוטציה עולה כדי לגרום ל-CIp,n,d(i,j) להתייחס לרוב הקטגוריות בשכונה N(i,j,s). על ידי המפעילים הגנטיים שהוזכרו לעיל, צאצאים חדשים נוצרים באופן איטרטיבי. האדם עם הכושר הגבוה ביותר מקבל פלט כאשר תנאי האיטרציה אינו מתקיים, כפי שמוצג בשלבים 10-16 של אלגוריתם 1. שימו לב לכלל סיווג יוצא דופן של השיטה המוצעת הזו במונחים של סיווג LULC. ה-GA המוצע מבוסס-מרחב ספקטרלי מבצע סיווג בינארי בלבד בכל תמונה באורך גל. לפיכך, כאשר כל N סוגי השימוש בקרקע הופלו ו-N תמונות בינאריות, תוצאות הסיווג מתמזגות למפת סיווג מלאה. במילים פשוטות, pixel(i,j) שייך לקטגוריה המסמנת אותו כ-1 במפת הסיווג הבינארי. כאשר שתי מפות בינאריות או יותר מסמנות את הפיקסל כ-1, הפיקסל מסווג כבעל ערך הכושר הגדול יותר, כפי שמוצג באיור 2 ובשלב 19 של אלגוריתם 1.

אלגוריתם 1: הנוהל של מודל האנסמבל הדו-שלבי המוצע.

איור 2. שילוב של ארבע מפות תוצאות סיווג בינארי.

לבסוף, מודל האנסמבל השני מיושם על מפות הסיווג D, במטרה למזג מפות סיווג מכל אורכי הגל לתוך מפת ה-LULC הסופית. כללי האנסמבל הם כדלקמן: נניח שיש מפות סיווג nk המסווגות את הפיקסל (i, j) כמחלקה kth, ואת הקטגוריה הסופית CI(i, j)=k, אם nk > nx, כאשר x ∈ {1, 2,..., N}, x=k, N i=1 ni=ד. שימו לב שבמסגרת האינטגרציה, אנו תמיד מסירים באופן סלקטיבי את הסיווג תוצאות ברצועת NIR מכיוון שתוצאות הסיווג שלה הן לרוב מדהימות.

III. תוצאות ניסיוניות

א. מבוא לנתונים

שלושה מערכי נתונים של תמונות חישה מרחוק שנרכשו על ידי הלוויין בייג'ין 2 משמשים לאימות הדיוק והיעילות של האלגוריתם המוצע. בייג'ין-2 היא קבוצת לוויין חישה מרחוק מסחרית אזרחית (DMC3) המורכבת משלושה לוויינים ברזולוציה גבוהה. הוא הושק ב-11 ביולי, 2015, מהודו ונמסר לסינכרוני שמש של 651 ק"מ. מערכת קבוצת הכוכבים של בייג'ינג-2 מספקת תמונות רב-ספקטרליות במסלול של כ-24 ק"מ, ברזולוציה פאנכרומטית של 0.8 מ' ורזולוציה של 3.2 מ' כחול, ירוק, אדום וכמעט אינפרא אדום, שיכולות לספק חישה מרחוק נתוני לוויין ומוצרי מידע מרחבי עם כיסוי עולמי ורזולוציה מרחבית וזמנית מצוינת, המסוגלת לבקר מחדש בכל מקום על פני הגלובוס למשך יום או יומיים. תמונות ניסוי התקבלו בשנת 2018. אתר הבדיקה הוא שלושה חלקים שונים של העיר דנגיאנג, מחוז הוביי, סין. במאמר זה, רק תמונות רב-ספקטרליות נחשבות. ביצענו תיקון אטמוספרי על נתוני תמונה אלה באמצעות ENVI(5.3). הדגם האטמוספרי הוא חורף תת-ארקטי ודגם האירוסול כפרי. יתר על כן, שליפת האירוסולים שבחרנו היא 2-band (KT). שאר הפרמטרים נקבעו כברירת מחדל. כל התמונות מעובדות מראש על ידי רישום משותף. חוץ מזה, קיבלנו סיווג כבר מסומן של כל התמונות בארבע או חמש המחלקות. זה מבוסס על בדיקה חזותית ממצה על ידי התבוננות בתמונה המקורית ומתועדת על מפה עם התייחסות גיאוגרפית כאמת קרקעית.

cistanche tubulosa- לשפר את המערכת החיסונית

ב. תצורת פרמטר

בניסוי זה, הסף τ של FCM הוא 0.8, גודל האוכלוסייה מוגדר ל-40, הסתברות ההצלבה Pc=0.8, הסתברות המוטציה הבסיסית P0=0.001 , המעריך σ הוא 2, גודל החלון השכונתי s מוגדר ל-3 פיקסלים, במטרה לשמור על פרטי התמונה תוך אופטימיזציה של זמן העיבוד של המחשב וכיוון ההתכנסות. יש צורך בתשע גישות קיימות לסיווג כיסוי קרקע כדי לאמת את היעילות של השיטה המוצעת, כולל FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33], ו-P-Kmeans [20]. הגדרות הפרמטרים זהות לספרות המקורית, לא חוזרות עליהן כאן. יתר על כן, ל-GA פשוט יש את אותו פרמטר גודל אוכלוסיית H והסתברות הצלבה Pc כמו האלגוריתם המוצע במאמר זה, הסתברות המוטציה Pm=0.01, אך ללא מידע שכונה, הקורא יכול להבין שגודל חלון השכונה הוא 1. במיוחד, nGA שומר על האופרטור הגנטי באמצעות מידע שכונה אך מוחק את פעולת האנסמבל הקיימת ב-TE-nGA.

ג. תוצאות סיווג

תאנים. 3-5 מציגים תוצאות סיווג LULC במפות צבע המתאימות למודלים השונים כאשר נבדקו על כל מערך נתונים. מכיוון ששלושת התמונות הנחושות מרחוק מכילות סוגים שונים של שימוש בקרקע, ייצוג הצבע של טבלת הסיווג אינו אחיד. לפי תוצאות הסיווג הללו, עבור שלוש דמויות, מפות הצבע המתקבלות בשיטה המוצעת ברורות וחלקות יותר. טבלה I מציגה זמנים (זמן ריצה) ו-OA שהושגו על ידי 12 המודלים וכאשר נבדקו בתחומי מחקר כדי להשוות את ביצועי הסיווג עם שיטות שונות. תוצאות הניסוי הטובות ביותר מוצגות בהדגשה. ניתן להסיק שהשיטה המוצעת הציגה את התוצאות הכוללות הטובות ביותר, עם ה-OA הגבוה ביותר של 88.72% ויחסית מעט פיקסלים שגויים. עבור אזור 3, בעת שימוש בחלונות השכונתיים, דיוק הסיווג של LULC גדל ב-28.35%; חשוב מכך, TE-nGA יכול להפחית את זמן החישוב ל-9257.56 שניות, בהשוואה ל-GA הפשוט. הסיבה לכך היא שאופרטור המוטציה ההיוריסטית של ה-TE-nGA יכול לשלוט בצורה אדפטיבית על כיוון החיפוש כדי להאיץ את ההתכנסות של האלגוריתם, מה שמוכיח שהשיטה המוצעת מתאימה יותר לתרחישים מעשיים. בנוסף, nGA שווה ערך לפעולת הסרת אנסמבל TE-nGA, כך שהקורא יכול להבין שה-TE-nGA פועל רק על תמונת הרצועה (band1) בודדת. עבור אזור 3, כאשר מוצגות מסגרות של אנסמבל, דיוק הסיווג משופר עוד יותר ב-0.72%, מה שממחיש את יעילות האסטרטגיה של האנסמבל.

ד. ניתוח פרמטרים

אחד היסודות של השיטה המוצעת הוא להתייחס למידע השכונה המרחבי כמידע היוריסטי כדי לשנות בצורה אדפטיבית את התפקוד האובייקטיבי והסתברות המוטציה, ובכך לשפר את חסינות הרעש ואת דיוק הסיווג, כמו גם את מהירות ההתכנסות. עם זאת, זה לא אומר שככל שגודל החלון גדול יותר, כך אפקט הסיווג טוב יותר. בהתייחס לטבלה II, ביצועים מוגברים נצפים כאשר בוחנים מידע שכונה מרחבי, כאשר מגדילים את גודל החלון עד לסף מתאים, ולאחר מכן יורדים. הכל בשביל זה דגימות רחוקות יותר מהפיקסל המרכזי תורמות מעט לחלוקת הקטגוריות של הפיקסל המרכזי ואף מחמירות את הסיווג השגוי. בשל אובייקטים במיקומים גיאוגרפיים מגוונים הקיימים הבדלים בבהירות ובמרקם, נראה שגודל החלון האופטימלי הוא 5 × 5 עבור אזור 1 ואזור 2, אך 3 × 3 עבור אזור 3. ניתן לראות תוצאה זו בהדגשה בטבלה II, המייצג את הדיוק הטוב ביותר ואת זמן ההתכנסות המהיר ביותר. יתר על כן, מצאנו שהסתברות למוטציה בסיסית P0 והמעריך σ הם גם גורמים חיוניים המשפיעים על ביצועי הסיווג. במחקר שלנו, נעשה שימוש ב-P0 ו-σ שונים כדי לאמת את הפרשנות והסיווג של LULC. איור 6 משרטט את עקומות הווריאציה של OA ככל ש-P{{10}} ו-σ גדלים. התברר שעבור σ קבוע, ככל ש-P0 גדל, דיוק הסיווג הכולל גדל תחילה ואז יורד. תוצאה זו צפויה מכיוון ש-P0 קטן יגרום לחיפוש להיות מוגבל לכיוון האבולוציוני המקורי, ובכך ליפול לאופטימום מקומי; לעומת זאת, P0 גדול ישבור את הדפוס האבולוציוני הטוב ויסטה את התוצאות מהפתרון האופטימלי. מצד שני, ככל ש-σ עולה, ההשפעה של מידע השכונה משמעותית יותר, וערך ההסתברות הבסיסי הטוב ביותר משתנה בהדרגה מגבוה לנמוך. משקלי שכונות מתאימים מתאימים יותר להשגת תוצאות הסיווג הטובות ביותר. באזור המחקר שלנו, המעריך הטוב ביותר הוא σ ∈ {2, 3}, והטווח המתאים ביותר של P0 הוא [10−5, 10−2].

איור 3. תוצאות סיווג אזור 1. (א) אמת יסוד. (ב) FCM. (ג) ENFCM. (ד) FGFCM. (ה) FLICM. (ו) ADFLICM. (ז) FRFCM. (ח) FCM_SICM. (i) MRE-DE. (י) P-Kmeans. (יא) ג.א. (ל) nGA. (מ) TE-nGA.

טבלה I תוצאות הערכה של שמונה שיטות סיווג שונות בשלושה תחומי מחקר

איור 4. תוצאות סיווג אזור 2. (א) אמת יסוד. (ב) FCM. (ג) ENFCM. (ד) FGFCM. (ה) FLICM. (ו) ADFLICM. (ז) FRFCM. (ח) FCM_SICM. (i) MRE-DE. (י) P-Kmeans. (יא) ג.א. (ל) nGA. (מ) TE-nGA.

איור 5. תוצאות סיווג אזור 3. (א) אמת יסוד. (ב) FCM. (ג) ENFCM. (ד) FGFCM. (ה) FLICM. (ו) ADFLICM. (ז) FRFCM. (ח) FCM_SICM. (i) MRE-DE. (י) P-Kmeans. (יא) ג.א. (i) nGA. (מ) TE-nGA.

טבלה ב' תוצאות הערכה של TE-NGA המוצע באמצעות חלונות בגדלים שונים בשלושה אזורי מחקר

איור 6. ניתוח הסתברות המוטציה הבסיסית P0 והמעריך σ בהסתברות המוטציה היוריסטית.

IV. סיכום

התרומה העיקרית של מחקר זה היא הצעת אסטרטגיית אנסמבל משובחת דו-שלבית ו-GA מבוסס ספקטרלי-מרחבי לסיווג LULC של תמונות רב-ספקטרליות. דגם האנסמבל הראשון מבצע FCM על תמונות מרובות פס, ומצמצם את משימת הסיווג של תמונות שנחושו מרחוק לקביעת קטגוריה של פיקסלים שקשה לצבור. עיבוד האנסמבל השני כולל שתי משימות. ראשית, ה-GA המשופר המשלב מידע ספקטרלי ומרחבי נוצר כדי להציע פתרונות חדשניים לחידות, כגון התכנסות איטית ואנטי-רעש גרוע. בדיוק, השיפור הזה מרוויח מתפקודי הכושר החדשים והסתברות למוטציה, תוך שימוש בחלון שכונתי מתאים. לאחר מכן, מודל האנסמבל מאומץ כדי לשלב תוצאות סיווג הנגזרות מתמונות להקה מרובות, המשמשות להפחתת הסיכון לסיווג שגוי. התוצאות מוכיחות של-TE-nGA המוצע יש ביצועי סיווג עדיפים והתכנסות מהירה יותר מ-GA פשוט. בעתיד, אנו מצפים להרחיב את היישום של הטכניקה המוצעת לתחומים אחרים, כגון סיווג יבול, זיהוי מטרות וסיווג תמונה היפרספקטרלית.

היתרונות של cistanche tubulosa-לחזק את המערכת החיסונית

הפניות

[1] T. Hermosilla, MA Wulder, JC White ו-NC Coops, "סיווג כיסוי קרקע בעידן של נתונים גדולים ופתוחים: אופטימיזציה של יישום מקומי ובחירת נתוני אימון לשיפור תוצאות המיפוי," Remote Sens. Environ., vol. . 268, 2022, אמנות. לא. 112780.

[2] P. Helber, B. Bischke, A. Dengel, and D. Borth, "EuroSAT: מערך נתונים חדש ולמידה עמוקה עבור שימוש בקרקע וסיווג כיסוי קרקע," IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 12, לא. 7, עמ' 2217–2226, יולי 2019.

[3] C. Li, G. Xian, Q. Zhou, ו-BW Pengra, "שיטת למידה אוטומטית של פנולוגיה חדשה (APL) לאימון בחירת דגימות באמצעות מערכי נתונים מרובים למיפוי כיסוי קרקע בסדרת זמן," Remote Sens. Environ. , כרך . 266, 2021, אמנות. לא. 112670.

[4] S. Ji, D. Wang, ו-M. Luo, "התאמת תחום מרחב מלא המבוסס על רשת יריב לסיווג כיסוי קרקע מתמונות חישה מרחוק מרובות מקורות", IEEE Trans. Geosci. חיישנים מרחוק, כרך. 59, לא. 5, עמ' 3816–3828, מאי 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, and M. Xing, "שיטת איחוי תמונה חדשה של תמונות רב-ספקטרליות ו-SAR לסיווג כיסוי קרקע," Remote Sens. , כרך . 12, לא. 22, 2020, אמנות. לא. 3801.

[6] B. Iqbal and M. Ali, "הערכת טמפרטורת אוויר מרחבית-זמנית מ-Lst מבוסס לוויין תחת סביבה צחיחה למחצה עד צחיחה באגן Peshawar, צפון מערב פקיסטן," עו"ד. Space Res., Vol. 70, לא. 4, עמ' 961–975, 2022.

[7] ח'-ג. Shih, DA Stow, JR Weeks ו-LL Coulter, "קביעת סוג וזמן ההתחלה של כיסוי קרקע ושינוי שימוש בקרקע בדרום גאנה בהתבסס על ניתוח דיסקרטי של סדרות זמן של תמונות Landsat צפופות," IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 9, לא. 5, עמ' 2064–2073, מאי 2016.

[8] A. Jamil וב. Bayram, "מיצוי מיני עצים וסיווג שימוש בקרקע/כיסוי ממפות אורתופוטו דיגיטליות ברזולוציה גבוהה," IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 11, לא. 1, עמ' 89–94, ינואר 2018.

[9] Z. Xue, P. Du, and L. Feng, "סיווג כיסוי קרקע המונע על ידי פנולוגיה וניתוח מגמות המבוסס על סדרת תמונות ארוכות טווח של חישה מרחוק," IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 7, לא. 4, עמ' 1142–1156, אפריל 2014.

[10] Q. Zhu וחב', "זיהוי שינוי שימושי קרקע/כיסוי קרקע מבוסס על מסגרת למידה סיאמית גלובלית לתמונות חישה מרחוק ברזולוציה מרחבית גבוהה", ISPRS J. Photogrammetry Remote Sens., vol. 184, עמ' 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan ו-W. Liao, "טכניקה איטרטיבית תת-דגימה חדשה מבוססת שוליים ביערות אקראיים שונה לסיווג," Knowl.-Based Syst., vol. 182, 2019, אמנות. לא. 104845.

[12] W. Feng וחב', "יער רוטציה המבוסס על טכניקת דגימת יתר של מיעוטים סינתטיים סינתטיים לסיווג נתונים היפרספקטרליים לא מאוזנים", IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 12, לא. 7, עמ' 2159–2169, יולי 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri ו-XX Zhu, "אחזור גובה בניין בקנה מידה גדול מתמונות SAR בודדות המבוססות על רשתות רגרסיה תוחמות", ISPRS J. Photogrammetry Remote Sens., כרך. 184, עמ' 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui, and F. Pu, "ניתוח מרקם פרקטלי דינמי לסיווג כיסוי קרקע של PolSAR," IEEE Trans. Geosci. חיישנים מרחוק, כרך. 57, לא. 8, עמ' 5991–6002, אוגוסט 2019

[15] S. Saha, F. Bovolo, ול. Bruzzone, "זיהוי שינוי מבנה בתמונות VHR SAR באמצעות המרת קידוד עמוק ללא פיקוח," IEEE Trans. Geosci. חיישנים מרחוק, כרך. 59, לא. 3, עמ' 1917–1929, מרץ 2021.

[16] ח"כ איסלאם, MS Ali, MS Miah, MM Rahman, MS Alam, ו-MA Hossain, "זיהוי גידולי מוח בתמונת MR באמצעות סופרפיקסלים, ניתוח רכיבים עיקריים ואלגוריתם K-means clustering מבוסס תבניות," מאך. לִלמוֹד. Appl., Vol. 5, 2021, אמנות. לא. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang, and J. Zhu, "אלגוריתם ISODATA משופר לסיווג תמונה היפר-ספקטרלית", ב-Proc. 7th Int. Congr. תהליך אות תמונה., 2014, עמ' 660–664.

[18] S. Ghaffarian ו-S. Ghaffarian, "מקבץ CMeans אוטומטי מבוסס היסטוגרמה עבור תמונות חישה מרחוק," ISPRS J. Photogrammetry Remote Sens., vol. 97, עמ' 46–57, 2014.

[19] TH Dang, DS Mai, ו-LT Ngo, "אלגוריתם שיתופי מעורפל מעורפל של גרעין עם סופר פיקסלים משוקלל לסיווג כיסוי קרקע של תמונת לוויין," אינג'. יישום Artif. אינטל., כרך. 85, עמ' 85–98, 2019.

[20] E. Paradis, "סיווג הסתברותי ללא פיקוח לניתוח בקנה מידה גדול של נתוני הדמיה ספקטרלית," Int. J. Appl. תצפית כדור הארץ Geoinformation, vol. 107, 2022, אמנות. לא. 102675.

[21] X. Hu, X. Wang, Y. Zhong ול. Zhang, "S3aNet: רשת קשב בקנה מידה ספקטרלי-מרחבי לסיווג יבול מדויק מקצה לקצה בהתבסס על תמונת UAVborne H2," ISPRS J. Photogrammetry חיישנים מרחוק, כרך. 183, עמ' 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi, ו-H. Adam, "Mr Brain Filtering Images באמצעות אלגוריתם c-means משופר" ב-Proc. 25 שנה. Int. Conf. IEEE Eng. Med. ביול. Soc., 2003, vol. 1, עמ' 724–726.

[23] W. Cai, S. Chen וד. Zhang, "C-מהיר וחזק פירושו צבירת אלגוריתמים המשלבים מידע מקומי לפילוח תמונה," Pattern Recognit., Vol. 40, לא. 3, עמ' 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan, and Z. Wang, "Deviation-sparse fuzzy c-means with neighbor information constraint," IEEE Trans. Fuzzy Syst., Vol. 27, לא. 1, עמ' 185–199, ינואר 2019.

[25] S. Krinidis ו-V. Chatzis, "אלגוריתם C-means Clustering של מידע מקומי מעורפל", IEEE Trans. תהליך תמונה., כרך. 19, לא. 5, עמ' 1328–1337, מאי 2010.

[26] H. Zhang, Q. Wang, W. Shi, and M. Hao, "מידע מקומי מטושטש חדשני מסתגל C - פירושו אלגוריתם מקבץ לסיווג תמונות שנחושו מרחוק," IEEE Trans. Geosci. חיישנים מרחוק, כרך. 55, לא. 9, עמ' 5057–5068, ספטמבר 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, ו-AK Nandi, "אלגוריתם C-means מעורפל מהיר וחזק באופן משמעותי המבוסס על שחזור מורפולוגי וסינון חברות," IEEE Trans. Fuzzy Syst., Vol. 26, לא. 5, עמ' 3027–3041, אוקטובר 2018.

[28] Q. Wang, X. Wang, C. Fang, ו-W. Yang, "אלגוריתם איתן מטושטש C פירושו אשכולות עם אילוץ מרחבי ועוצמה אדפטיביים וקישור חברות עבור פילוח תמונת רעש," Appl. Soft Comput., Vol. 92, 2020, אמנות. לא. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, and Z. Luyan, "סיווג תמונות בחישה מרחוק על ידי האלגוריתם הגנטי הכאוס בניטור שינויים בשימוש בקרקע," מתמטיקה. מחשוב. דגם., כרך. 51, לא. 11, עמ' 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf, and M. Zhang, "שימוש חוזר בין תחומים בידע שחלץ בתכנות גנטי לסיווג תמונות," IEEE Trans. Evol. מחשוב, כרך. 21, לא. 4, עמ' 569–587, אוגוסט 2017.

[31] ר' חמד, "ניתוח מרחוק וניתוח מבוסס GIS של התפשטות עירונית במחוז סוראן, כורדיסטן העיראקית," SN Appl. Sci., Vol. 2, לא. 1, עמ' 1–9, 2019.

[32] H. Yang, Q. Du, and G. Chen, "הפחתת מימדים היפרספקטרליים מבוססי אופטימיזציה של נחיל חלקים לסיווג כיסוי קרקע עירוני", IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 5, לא. 2, עמ' 544–554, אפריל 2012.

[33] S. Sarkar, S. Das ו-SS Chaudhuri, "פילוח תמונה היפר-ספקטרלי תוך שימוש בסף רב-שכבתי מבוסס אנטרופיה של Rényi בסיוע אבולוציה דיפרנציאלית," מומחה Syst. Appl., Vol. 50, עמ' 120–129, 2016.

[34] ס' סן גופטה, ס' חוסיין, וק'-ד. קים, "תמונה דמוית HDR מהיתוך תמונת פסאודו חשיפה: גישת אלגוריתם גנטית", IEEE Trans. לצרוך. אלקטרון, כרך. 67, לא. 2, עמ' 119–128, מאי 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang ו-Y. Li, "MGRFE: Multilayer Feature Recursive Elimination מבוסס על אלגוריתם גנטי מוטבע לסיווג סרטן," IEEE/ACM Trans. . מחשוב. ביול. Bioinf., Vol. 18, לא. 2, עמ' 621–632, מרץ/אפריל. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang ו-GM Shi, "אופטימיזציה של ערוץ מהיר לשלמות האות עם אלגוריתם גנטי עמוק", IEEE Trans. אלקטרומגן. Compat., Vol. 64, לא. 4, עמ' 1270–1274, אוגוסט 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang ו-J. Hu, "זיהוי שינויים דינמיים במשטח המים באמצעות נתוני זקיף-1 המבוססים על אלגוריתם גנטי וטכניקות למידת מכונה," Remote סנס., כרך. 13, לא. 18, 2021, אמנות. לא. 3745.

[38] F. Ye, C. Doerr, H. Wang, and T. Bäck, "תצורה אוטומטית של אלגוריתמים גנטיים על ידי כוונון לביצועים בכל עת", IEEE Trans. Evol. מחשוב, כרך. 26, לא. 6, עמ' 1526–1538, דצמבר 2022.

[39] MG Souza, EE Vallejo, ו-K. Estrada, "זיהוי אסוציאציות של וריאציות נדירות מקובצות באמצעות אלגוריתמים גנטיים," IEEE/ACM Trans. מחשוב. ביול. Bioinf., Vol. 18, לא. 3, עמ' 932–939, מאי/יוני. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay, ו-P. Chakrabarti, "סף תמונה רב-שכבתי היפרספקטרלי באמצעות אלגוריתם גנטי של qutrit," Expert Syst. Appl., Vol. 181, 2021, אמנות. לא. 115107.

[41] י.-ר. חן, J.-W. חן, ס.-סי. הסיה, ופ.-נ. Ni, "היישום של טכנולוגיית חישה מרחוק לפרשנות של שימוש בקרקע למפולות הנגרמות על ידי גשמים בהתבסס על אלגוריתמים גנטיים ורשתות עצביות מלאכותיות," IEEE J. Sel. נושאים Appl. תצפית כדור הארץ. חיישנים מרחוק, כרך. 2, לא. 2, עמ' 87–95, יוני 2009.

[42] D. Corus ו-PS Oliveto, "אלגוריתמים גנטיים במצב יציב סטנדרטיים יכולים לטפס מהר יותר מאלגוריתמים אבולוציוניים המותאמים למוטציה בלבד," IEEE Trans. Evol. מחשוב, כרך. 22, לא. 5, עמ' 720–732, אוקטובר 2018.

[43] TL Cerqueira, FC Bertoni ו-MG Pires, "ברירה גנטית לדוגמה עבור אופטימיזציה של מערכות מבוססות כללים מעורפלות לסיווג דעות," IEEE Latin Amer. טרנס., כרך. 18, לא. 7, עמ' 1215–1221, יולי 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, and S. Silva, "שיפור סיווג כיסוי הקרקע באמצעות תכנות גנטי לבניית תכונה," Remote Sens., vol. 13, לא. 9, 2021, אמנות. לא. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson, and S. Nahavandi, "אלגוריתמים גנטיים רב-אובייקטיביים ואינטראקטיביים לכוונון משקל של אלגוריתם ניבוי תנועה מבוסס בקרה מנבא", IEEE Trans. Cybern., Vol. 49, לא. 9, עמ' 3471–3481, ספטמבר 2019.

[46] א. חודר ופ. דורנאיקה, "למידת אנסמבל באמצעות בחירת תכונה וקבוצות משנה מרובות: יישום לסיווג תמונה," Appl. רַך. מחשוב, כרך. 113, 2021, אמנות. לא. 108006.

[47] W. Feng, W. Huang ו-W. Bao, "סיווג תמונה היפרספקטרלית לא מאוזנת עם שיטת אנסמבל אדפטיבית המבוססת על SMOTE ויער סיבוב עם קצבי דגימה מובחנים", IEEE Geosci. חיישנים מרחוק Lett., vol. 16, לא. 12, עמ' 1879–1883, דצמבר 2019.

[48] ​​W. Feng וחב', "יער סיבוב בפיקוח למחצה המבוסס על תיאוריית שולי האנסמבל לסיווג של תמונה היפרספקטרלית עם נתוני אימון מוגבלים", אינפ. Sci., Vol. 575, עמ' 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu, andW. דו, "למידת אנסמבל גיאומטרי לבעיות לא מאוזנות," IEEE Trans. Cybern., Vol. 50, לא. 4, עמ' 1617–1629, אפריל 2020.

[50] Q. Sun ו-Z. Ge, "למידה עמוקה לחיזוי KPI תעשייתי: כאשר למידת אנסמבל פוגשת נתונים מפוקחים למחצה," IEEE Trans. אינד. מידע., כרך. 17, לא. 1, עמ' 260–269, ינואר 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov, ו-PM Atkinson, "מסגרת אימון היררכית מבוססת אב-טיפוס עצמית לסיווג סצינות בחישה מרחוק," Inf. פיוז'ן, כרך. 80, עמ' 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li, and N. Wang, "שיטת למידה מבוססת אסטרטגיית הצבעה במשקל שני סבבים לסיווג קרח ים של תמונות זקיף,-1, "חושים מרחוק, כרך. 13, לא. 19, 2021, אמנות. לא. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, "Denoising image by sparse 3-D transform-domain collaborative filtering," IEEE Trans. תהליך תמונה., כרך. 16, לא. 8, עמ' 2080–2095, אוגוסט 2007.