موضوع : متن کامل پایان نامه انگلیسی : مقایسه الگوریتم های مختلف یادگیری ماشینی در تجزیه و تحلیل داده های فراطیفی
رشته : کامپیوتر و برنامه نویسی – نرم افزار و سخت افزار – هوش مصنوعی
سال انتشار : 2021
زبان : انگلیسی
مقطع : کارشناسی ارشد
چکیده (ترجمه ماشینی ) :
تجزیه و تحلیل تصویر فراطیفی با داده های تصویر کار می کند که در آن هر پیکسل حاوی صدها طول موج حاصل از اندازه گیری طیفی است. این یک زمینه در حال رشد در علوم و صنایع است زیرا می تواند اشیا similar مشابه بصری را از هم تشخیص دهد. در حالی که بسیاری از روش های یادگیری ماشین برای تجزیه و تحلیل تصاویر منظم به خوبی کار می کنند ، اطلاعات کمی در مورد نحوه عملکرد آنها بر روی داده های فوق طیفی وجود دارد. روش های استاندارد برای کمیت و طبقه بندی داده های ابر طیفی شامل روش های شیمیایی PLS ، PLS-DA و SIMCA است. آنها محاسبات سریع همراه با مدل سازی بصری و ابزارهای تشخیصی را ارائه می دهند ، اما نمی توانند داده های پیچیده تری را ضبط کنند. من روش های شیمیایی را در برابر روش های یادگیری ماشین از کتابخانه ML.NET مایکروسافت در شش مسئله طبقه بندی و دو مقدار محک قرار دادم. روشهای ML.NET مکمل خوبی برای روشهای شیمی سنجی هستند. به طور خاص ، روش های درخت تصمیم گیری طبقه بندی دقیق و کمی را ارائه می دهد در حالی که روش طبقه بندی حداکثر آنتروپی بین دقت و زمان محاسبات بهترین است. در حالی که سایر روشهای ML.NET به همان اندازه یا بهتر از روشهای شیمی سنجی عمل می کنند ، یافتن کاربرد آنها نیاز به آزمایش روی مجموعه داده ها با طیف وسیعی از خواص دارد. بهترین روش های ML.NET برای تجزیه و تحلیل تصاویر ابر طیفی پیچیده تر با ضبط غیرخطی های بی توجه به تجزیه و تحلیل تصویر استاندارد مناسب هستند.
