Arazi Örtüsü Sınıflandırması İçin İki Adımlı Topluluk Tabanlı Genetik Algoritma

Soyut—Doğru arazi kullanımı ve arazi örtüsü (LULC) haritaları, sağlam kentsel planlamaya ve hassas tarıma ulaşmaya yardımcı olacak etkili araçlardır. Akıllı bir optimizasyon teknolojisi olan genetik algoritma (GA), son yıllarda çeşitli görüntü sınıflandırma görevlerine başarıyla uygulanmıştır. Ancak basit GA, karmaşık hesaplama, zayıf gürültü bağışıklığı ve yavaş yakınsama gibi zorluklarla karşı karşıyadır. Bu araştırma, gri tonlamalı uzaysal tabanlı GA modeli kullanılarak LULC sınıflandırması için iki adımlı bir topluluk protokolü önermektedir. İlk topluluk çerçevesi, pikselleri kümelenmesi zor olanlara ve kümelenmesi kolay olanlara sınıflandırmak için bulanık c-ortalamalarını kullanır; bu, evrimsel hesaplama için arama alanının azaltılmasına yardımcı olur. İkinci topluluk çerçevesi, GA'nın amaç fonksiyonunu ve mutasyon olasılığını uyarlamalı olarak değiştirmek için sezgisel bilgi olarak komşuluk pencerelerini kullanır; bu, GA'nın ayrımcılığına ve kararına değerli faydalar sağlar. Bu çalışmada, önerilen yöntemin etkinliğini doğrulamak için Çin'in Dangyang kentindeki üç araştırma alanı kullanılmıştır. Deneyler, önerilen yöntemin görüntü ayrıntılarını etkili bir şekilde koruyabildiğini, gürültüyü kısıtlayabildiğini ve hızlı algoritma yakınsaması sağlayabildiğini göstermektedir. Referans yöntemlerle karşılaştırıldığında önerilen algoritmanın elde ettiği en iyi genel doğruluk %88,72'dir. Dizin Terimleri—Genetik algoritma (GA), arazi kullanımı ve arazi örtüsü (LULC), komşuluk penceresi, uzaktan algılama görüntü sınıflandırması, iki aşamalı topluluk.

cistanche tubulosa-bağışıklık sistemini iyileştirir

I.GİRİŞ

Arazi ve kullanım ve arazi örtüsü (LULC), ekosistem ve kentsel planlama da dahil olmak üzere çeşitli yönlerde önemli bir rol oynar, Makalenin teslim tarihi: 18 Nisan 2022; 2 Eylül 2022'de revize edildi; kabul tarihi 16 Kasım 2022. Yayın tarihi 30 Kasım 2022; güncel sürümün tarihi 15 Aralık 2022. Bu çalışma kısmen Hibe 62201438, Hibe 61772397 ve Hibe 12005159 kapsamında Çin Ulusal Doğa Bilimleri Vakfı tarafından, kısmen de Grant SXLK{{ 13}}, kısmen Grant 2021JC-23 kapsamında Shaanxi Doğa Bilimleri Temel Araştırma Programı ve kısmen de Grant CXY-2020-094 kapsamında Yulin Bilim ve Teknoloji Bürosunun Bilim Teknoloji ve Geliştirme Projesi tarafından. (Yang Cao ve Wei Feng bu çalışmaya eşit katkıda bulunmuştur.) (Sorumlu yazarlar: Wei Feng; ve Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song ve Aifeng Ren, Uzaktan Algılama Bilimi ve Teknolojisi Departmanında çalışmaktadır. , Elektronik Mühendisliği Okulu, Xidian Üniversitesi, Xi'an 710071, Çin (e-posta: 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, Kuzey Minzu Üniversitesi, Yinchuan 750021, Çin, Bilgisayar Bilimi ve Mühendisliği Okulu'nda çalışmaktadır (e-posta: baowenxing@nun.edu.cn). Gabriel Dauphin, Bilgi İşleme ve İletim Laboratuvarı'nda, Institut Galilée, University Paris XIII, 93430 Villetaneuse, Fransa'da çalışmaktadır (e-posta: gabriel.dauphin@univ-paris13.fr). Mengdao Xing, Xidian Üniversitesi, Xi'an 710071, Çin'deki İleri Disiplinlerarası Araştırma Akademisi'nde görev yapmaktadır (e-posta: xmd@xidian.edu.cn). Dijital Nesne Tanımlayıcı 10.1109/JSTARS.2022.3225665 ve sosyal ekonomi, Dünya sisteminde büyük öneme sahiptir [1], [2], [3], [4]. Manuel yorumlamaya dayanan saha bazlı çalışmalar, arazi kullanım durumunu zaman içinde sınıflandıramayan, zaman alıcı ve emek yoğun yöntemlerdir [5], [6], [7]. Aksine, uydu teknolojisindeki son gelişmeler, çeşitli arazi özellikleri arasında doğru bir şekilde ayrım yapılması ve geniş alanın LULC haritalarının hızla oluşturulması için mükemmel bir potansiyel sunmaktadır [8], [9], [10]. Uzaktan algılama görüntü sınıflandırması kabaca denetimli ve denetimsiz yaklaşımlara bölünmüştür [11], [12], [13], [14]. Denetimli sınıflandırıcıların üstün performansı büyük ölçüde elde edilmesi zor olan yüksek maliyetli etiketli verilere bağlıdır [15]. Denetimsiz sınıflandırıcılar, görüntüyü K-ortalamalar [16], ISODATA [17] ve bulanık c-ortalamalar (FCM) [18] gibi benzer özelliklere sahip piksel gruplarına bölerek bir veri dağılımı elde eder ve bu yöntemlerde başarıyla kullanılmıştır. LULC sınıflandırma alanı. Örneğin, Dang ve ark. [19], arazi örtüsü sınıflandırmasının dikkate alınan nesnelerini çok sayıda pikselden, dikkate alınan nesnelerin yalnızca birkaç yüz süper piksel miktarına indirgeyebilen, ağırlıklı süper piksel granülasyon tekniği ile çoklu çekirdek işbirlikçi FCM'lerin kümelenmesini önerdi. Paradis, standart k-ortalamalar algoritmasındaki homojen varyans varsayımını gevşetmiş ve olasılıksal k-ortalamalar (P-Kmeans) [20] adı verilen yeni bir arazi örtüsü sınıflandırma yöntemi sunmuştur; bu yöntem gürültü multispektral verileri üzerinde iyi performans gösterir ve basit k-ortalamalara kıyasla genel doğruluk (OA). Ne yazık ki, bu sınıflandırıcıların tahminleri yalnızca spektral özellikleri dikkate alır ve bunların uzaysal korelasyonlarını göz ardı eder, bu da zayıf sağlamlığa yol açar. Ortak uzamsal-spektral özellik temsilinin, algoritma gürültü bağışıklığını iyileştirdiği ve birçok mevcut sınıflandırma modelinde [21], özellikle de bulanık kümeleme algoritmalarında [22], [23], [24] sınıflandırma hatalarını azalttığı bulunmuştur. FLICM [25], gürültü duyarsızlığını sağlarken görüntü ayrıntılarının korunmasını geliştirmek için bulanık alan ve gri tonlamalı benzerlik ölçümlerini kullanır. Zhang ve diğerleri. [26], yeni bir piksel uzaysal çekim modeline dayalı olarak komşu piksel efektleri için uyarlanabilir ağırlıklandırma faktörlerini kullanarak geleneksel FCM algoritmasını geliştirdi. Lei ve diğerleri. [27] morfolojik yeniden yapılandırma işlemi ve yerel üyelik filtrelemeyi tanıtarak daha basit ve önemli ölçüde daha hızlı FRFCM önerdiler. Wang ve diğerleri. [28] FCM_SICM'yi uyarlamalı uzamsal yoğunluk kısıtlaması ve üyelik bağlantısı ile sunarak amaç fonksiyonunun zaman karmaşıklığını O(n4)'ten azalttı. Bununla birlikte, geliştirilmiş FCM algoritmaları, gürültü girişiminin azaltılması açısından hâlâ zorluklar sunmaktadır.

Cistanche tubulosa'nın faydaları-Bağışıklık sistemini güçlendirmek

Arazi sınıflandırma probleminin çoklu ikili sınıflandırma görevlerine ayrıştırılabileceği gösterilmiştir [29]. Bu nedenle optimal bir sınıflandırmanın bulunması kombinatoryal bir optimizasyon problemi olarak kabul edilir. Son on yılda, evrimsel hesaplamaya dayalı arazi kullanımı sınıflandırma araştırmalarında dikkate değer bir atılım olmuştur [30], [31]. Örneğin Yang ve ark. parçacık sürüsü optimizasyonuna (PSO) dayalı bir teknik sunmuş ve arazi örtüsünü tanımlamak için bir kriter fonksiyonu tasarlamıştır [32]. Sarkar ve ark. [33], yaygın olarak kullanılan iki hiperspektral görüntü verisi üzerinde iyi performans gösteren, diferansiyel evrime (DE) dayalı arazi örtüsünün denetimsiz sınıflandırılmasına yönelik bir yaklaşım geliştirmek için maksimum Rènyi entropisini (MRE) kullandı. Genetik algoritmalar (GA'lar), etkili küresel optimizasyon algoritmaları, küresel olarak en uygun çözümü belirlemek için doğal seçilim sürecindeki biyolojik genetik mekanizmaları taklit eder [34], [35], [36], [37]. Standart GA, aday çözümün bir dize biçiminde temsil edilmesi için ikili kodlama işlemi gerektirir [38], [39], [40]. Her yinelemede, çaprazlama operatörü rastgele iki aday çözümü (yani ebeveynleri) seçer ve bilgilerinin bir kısmını yeni çözümler (yani yavrular) oluşturmak için değiştirir ve bu da popülasyonun keşfetme yeteneğini artırır [41]. Doğadaki gen mutasyonu gibi, mutasyon operatörü de yavru çözümlerdeki bilginin bir kısmını değiştirmek ve yerel aranabilirliği arttırmak için GA'ya uygulanır [42]. Seçim operatörü, popülasyonun her bir üyesinin uygunluğuna dayalı olarak aday çözümleri seçer; daha iyi nesilleri ayırır ve kötü nesilleri ortadan kaldırır. Bu mekanizma, sırasıyla, kullanım ve keşif arasındaki dengeyi arttırır [43]. Yukarıda bahsedilen genetik operatörlerle bu bireyler bir araya getirilerek yeni nesil aday çözüm grupları oluşturulur ve bazı yakınsama indeksleri sağlanana kadar süreç tekrarlanır. GA, arama süreci sırasında arama yönü hakkında bilgi edinir ve biriktirir ve böylece uzaktan algılama görüntü sınıflandırmasında başarıyla uygulanan ve iyi sonuçlar elde eden en uygun çözümü [44] oluşturmak için arama yönünü otomatik olarak kontrol eder. Son yıllarda pek çok geliştirilmiş GA ortaya çıkmıştır [45]. Ancak hâlâ çözülmemiş sorunlar var. 1) Kapsamlı hesaplamalar. Veri seti büyüdükçe GA'nın yakınsaması bozulur. 2) Spektral özelliklere odaklanan basit GA'nın zayıf antigürültü performansı genellikle görüntüdeki gürültülere karşı duyarlıdır. 3) Erken yakınsama. GA yeni uzay için sınırlı arama kapasitesine sahiptir ve yerel optimuma düşmeye eğilimlidir. Uzaktan algılanan veriler heterojenlik ile karakterize edildiğinden, çeşitli sınıflandırma özellikleri arasındaki tamamlayıcılığı vurgulayan topluluk sınıflandırıcılara odaklanıyoruz [46], [47], [48]. Topluluk stratejisinin kritik fikri, farklı sınıflandırma kurallarından gelen tahminleri harmanlamak ve birleştirmektir [49], [50]. [51]'in çalışmasında, farklı özellik tanımlayıcılara göre çoklu bağımsız sınıflandırma haritaları sağlamak için yüksek doğrulukta bir topluluk sınıflandırma modeli önerilmiştir. [52]'nin çalışması, iki aşamalı bir oylama mekanizmasından oluşan topluluk çerçevesinin, orijinal görüntü verilerinin gürültüsünü bastırabildiğini ve deniz buzu sınıflandırmasını bir dereceye kadar iyileştirebildiğini göstermektedir.

cistanche takviyesi faydaları-bağışıklığı artırır

Cistanche Enhance Immunity ürünlerini görüntülemek için buraya tıklayın

【Daha fazlasını isteyin】 E-posta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Bu makalede, multispektral görüntülerin arazi örtüsü sınıflandırması için iki aşamalı topluluk stratejisi tabanlı geliştirilmiş GA modeli (TE-nGA) önerilmektedir. GA'nın eksiklikleri için çözümümüz, antigürültü performansını, sınıflandırma doğruluğunu ve yakınsama hızını geliştirmek için klasik GA'nın üzerinde topluluk stratejisi ve uzamsal pencereleri kullanmaktır. Bu makalenin başlıca katkıları aşağıdaki gibidir. 1) FCM algoritması, pikselleri kümelenmesi zor olanlara ve kümelenmesi kolay olanlara göre sınıflandırmak için kullanılır, bu da hesaplama karmaşıklığını daraltır. 2) Erken yakınsamayı ve gürültü hassasiyetini önlemek için sezgisel parametre yapımında uzamsal komşuluk penceresi dikkate alınarak gri tonlamalı uzaysal tabanlı bir GA önerilmektedir. 3) Çözümün kararsızlığını ve sınıflandırma hatalarını azaltmak için çok bantlı sınıflandırma mekanizmasına sahip yeni bir iki adımlı topluluk çerçevesi kullanılır.

II. ÖNERİLEN SINIFLANDIRMA YÖNTEMİ

Önerilen algoritmanın akış şeması Şekil 1'de gösterilmektedir. Algoritma temel olarak aşağıdaki üç adımdan oluşur: görüntü gürültüsünün giderilmesi, oylama stratejisi kullanılarak kümelenmesi zor piksellerin bulunması ve topluluk modeli ve spektral-uzaysal temelli geliştirilmiş GA ile yeniden sınıflandırma. füzyon. İkinci ve üçüncü adımların önerilen algoritmanın kritik parçaları olduğunu unutmayın. Önerilen yöntem Algoritma 1'de çizilmiştir.

A. Görüntü Gürültü Giderme

Sahnenin kalitesini etkileyen görüntü sensörü gürültüsünden kaynaklanan görüntü yapaylıklarını önlemek için, algoritma öncelikle blok eşleştirme ve mevcut popüler ve etkili bir gürültü giderme algoritması olan 3-D filtrelemeyi uygular [53]. Bu filtrelemenin özellikleri bu genel bilgiye dayalı olarak seçilir; düzeltilmiş görüntüde kalan gürültünün azaltılması ile farklı kümelere ait komşu pikseller arasındaki yoğunluk değişikliklerinin korunması arasındaki bir dengedir. Algoritmanın görüntü kalitesini iyileştirmede diğer filtreleme algoritmalarından daha iyi performans gösterdiği kanıtlanmıştır.

B. Birinci Topluluk Aşaması—Kümelenmesi Zor Pikselleri Bulma

Şekil 1'in solundaki blok şeması, I1, I2,..., ID olarak gösterilen, H × W boyutunda D'ye özgü görüntüleri çıkarabilen, D dalga boylarına sahip bir multispektral görüntüyü göstermektedir. İlk adım, pikselleri kümelenmesi zor olanlar ile kümelenmesi kolay olanlar arasında böler; böylece en azından bir spektral görüntü için bunların üyeliği çok muhtemeldir. Bu nedenle, pikselleri N kategorisine sınıflandırmak için FCM'nin kümelemesi her spektral görüntüye ayrı ayrı uygulanıyor; burada N, görsel bir yorumla önceden ayarlanıyor. Her piksel, her dalga boyu ve her küme üyeliği için üretir.

Şekil 1. Önerilen yönteme dayalı LULC sınıflandırma akış şeması.

burada Id(i, j), d'inci dalga boyundaki (i, j) pikselinin yoğunluğudur ve d (i, j), d'inci dalga boyundaki (i, j) pikselinin n'inci kümesine üyeliğidir, 1 d'den küçük veya eşit d D'den küçük veya eşit, 1 n'den küçük veya eşit N'den küçük veya eşit. D'inci dalga boyu için her piksel, aşağıdaki gibi bir kategori etiketi cd(i, j) ile işaretlenir.

Üyeliğe bağlı olarak pikseller, kolayca kümelenen Ke ve kümelenmesi zor olan Kd olarak sınıflandırılır. Kullanılan eşik τ, kümelenmesi kolay olduğu düşünülen (i, j) ∈ Ke pikselinin ilgili küme merkezi ile yüksek derecede üyeliğe sahip olmasını sağlayan bir parametredir. (N + 1)'inci küme, kümelenmesi zor kabul edilen ve Kd ile gösterilen pikselleri içerir. Oylamaya dayalı yaklaşımlar, çoklu sınıflandırma kuralları tarafından oluşturulan farklı kararlar arasındaki çatışmaları çözebilir. Buna göre, FCM tarafından elde edilen her dalga boyunun sınıflandırma sonuçları, çoğunluk oylama ilkesine dayalı olarak topluluk sınıflandırma haritası C'ye entegre edilir. C'deki piksel etiketi, filtrelenmiş çok bantlı görüntünün karşılık gelen konumuna yeniden eşlenir ve I1, I2, olarak gösterilen son yeniden sınıflandırma haritaları elde edilir. . ., ID, Şekil 1'in ortasında gösterilen kare gibidir. Pikselleri kümelenmesi kolay ve zor olarak yeniden sınıflandırmak için FCM algoritması uygulandıktan sonra, orijinal görüntünün tamamını analiz etme konusu, böylece, piksellerin sınıflandırılmasına dönüştürülür. zor pikseller.

C. İkinci Topluluk Aşaması-GelişmişGA Komşu Pikselleri Dikkate Alır

Akış şemasının sağında, "İkinci Tur Topluluk" başlıklı bir çerçeve iki görevi gösterir: spektral uzay ortak faktörüne dayalı GA sınıflandırması ve çok bantlı sınıflandırma için karar topluluğu. LULC sınıflandırma problemi çoklu ikili sınıflandırma görevlerine ayrıştırıldığından, her dalga boyu için seri alt problemlerini ele almalıyız: (i, j) ∈ Kd pikselinin x'inci kategoriye ait olup olmadığı. 1 x'ten küçük veya eşit x N'den küçük veya eşittir. Son olarak, tüm N ikili sınıflandırma haritasının karar sonuçları, N arazi örtüsü türünü içeren bir sınıflandırma haritası elde etmek için birleştirilir. Her bir ikili sınıflandırma problemi için, geliştirilmiş spektral uzaya dayalı GA, Şekil 1'deki kesikli çerçevede gösterilen belirsiz kategori etiketlerini daha da optimize etmek amacıyla (N + 1)'inci sınıf olarak işaretlenen piksellere uygulanır. Bu geliştirilmiş spektral uzay tabanlı GA'nın yorumu aşağıdaki gibidir. 1) İki Boyutlu İkili Kromozom Kodlaması: Görüntü kimliği için N sınıflandırma görevinden N ikili harita çıkarılabilir. Evrimleşmiş bireylerin mekansal yapısal özelliklerini korumak için iki boyutlu ikili kodlama kullanılır (bir birey, bir potansiyel kararı temsil eder). Kodlama matrisi boyutu dalga boyu görüntüsüyle aynıdır, yani H × W. Piksel (i, j) ∈ Kd'nin x'inci kategoriye ait olup olmadığını tahmin etmek için, 1 x'ten küçük veya eşit x N'den küçük veya eşittir, çünkü her dalga boyunda, FCM tarafından 1 olarak kümelenmiş x sınıfındaki (i, j) ∈ Ke piksellerini ve kategori dışı x'i 0 olarak kodluyoruz; burada daha fazla evrim optimizasyon işlemi gerçekleştirilmiyor. Bu noktalar(i, j) ∈ Kd rastgele olarak 0 veya 1 olarak kodlanır. Kd'de uygulanan evrimsel optimizasyon tüm olası çözümleri araştıracaktır. 2) Mahalle Penceresine Dayalı Uygunluk Fonksiyonu: Uygunluk fonksiyonu, bireylerin seçimi ve genetik operatörlerin yürütülmesi ile ilgili olan popülasyondaki bireylerin kalitesini değerlendirmek için en kritik göstergedir. Bitişik pikseller gri tonlama ve doku açısından yüksek oranda ilişkilidir. Sonuç olarak, spektrum ve uzayın tamamlayıcı bilgisi, algoritmanın gürültü bağışıklığını geliştirmek için yeni bir fikir sağlayan bir bileşik uygunluk fonksiyonu geliştirmek için benimsenmiştir. D'inci dalga boyundaki n'inci kümeleme görevi için, popülasyondaki birey sayısının P olduğunu varsayalım, CIp,n,d yol bireyleri, 1 p'den küçük veya eşit p P'den küçük veya eşit, 1 P'den küçük veya eşit n'den küçük veya N'ye eşit, 1 d'den küçük veya eşit D'den küçük veya eşit. CIp,n,d'nin uygunluk fonksiyonu, Uygunluk=1 OF, OF, formül (3) ile hesaplanır.

burada r ∈ {{{0}}, 1}, Rr, 0 veya 1 olarak kodlanan pikselleri belirtir ve miktar istatistikleri Nr olarak temsil edilir. R'inci küme merkezi vr, Rr'ye ait tüm noktaların piksel ortalaması ile hesaplanır. I d(i, j), FCM kümeleme algoritması uygulandıktan sonra d'inci dalga boyundaki (i, j) pikselinin yoğunluğudur. Wr(i, j) komşuluk fonksiyonunda, komşuluk pencerelerinin kare olduğu ve kenar uzunluklarının s tek tamsayılar olduğu varsayılır. N(i, j, s), indekslenmiş konumdaki (i, j) s × s komşuluk penceresini temsil eder. Nt(i, j, s), N(i, j, s) komşuluğundaki t'inci pikselin yoğunluğunu temsil eder. N(i, j, s)'deki r'inci kümeye ait t'inci pikselin üyelik derecesi utr(i, j, s) olarak gösterilir. lt(i, j, s), t'inci komşu piksel ile merkez noktası (i, j) arasındaki uzaysal mesafeyi temsil eder. L, merkez nokta ile komşu pikselleri arasındaki uzaysal mesafe ağırlığıdır. 3) Mahalle Bilgisini Kullanan Mutasyon Operatörü: Yeni nesiller, Şekil 1'deki kesikli çerçevede gösterildiği gibi, bireysel seçim, tekdüze çaprazlama ve genetik mutasyon yoluyla yinelemeli olarak oluşturulmaktadır. Çoğu GA, rastgele için etiket modifikasyonunu uygulamak için küresel bir mutasyon olasılığını kullanır. GA'nın yakınsama hızını görünmez bir şekilde yavaşlatan, aynı olasılığa sahip seçilmiş pikseller. Kritik teknik operatör olarak, her bir gen için uygun mutasyon olasılığını otomatik olarak hesaplamak üzere, komşuluk bilgileriyle birlikte geliştirilmiş bir buluşsal mutasyon olasılığı yaratılır. Aşağıdaki formüller bu yeni mutasyon olasılığını tanımlar:

merkez piksel (i, j) için uht(i, j, s), vh, h ∈ {{{0} kümeleme merkezine ait Nt(i, j, s) komşuluk noktasının üyelik derecesini belirtir. }, 1}. Sonuç olarak, bireysel CIp,n,d'nin uyarlanabilir mutasyon olasılığı Pm(i, j), formül 8 ile ifade edilir; burada P0, temel mutasyon olasılığıdır, ayrıca klasik GA'daki genel mutasyon olasılığıdır; S'nin üssü olan σ, komşuluk bilgisinin merkezi pikselin mutasyon olasılığı üzerindeki etki ağırlığını temsil eder. Cip,n,d(i, j), d'inci dalga uzunluğundaki n'inci kümeleme görevi için yol bireyinin ikili kodlamasıdır. lt(i, j, s), merkez piksel (i, j) ile N(i, j, s)'deki t'inci piksel arasındaki uzaysal mesafeyi belirtir. Nt(i, j, s)'nin etiketi Ct olarak gösterilir, eğer u1t u0t'den büyükse, o zaman Ct=1; aksi takdirde Ct=0. Farklı komşuluk pencereleri dikkate alındığında, s=3 olduğunda S ∈ [0, 4+2√2]; s=5, S ∈ [0, 6+3√2+1.6 √5] olduğunda. Yukarıda bahsedilen mekanizma aracılığıyla, (i, j) ∈ Kd noktaları, komşu piksellerin kategorisine dayalı olarak uygun mutasyon olasılıklarını uyarlanabilir bir şekilde elde edebilir. Tahmin edilen Cip,n,d(i, j) etiketi çevredeki piksellerin çoğu kategorisiyle uyumlu olduğunda, orijinal bölgesel homojenliği korumak için küçük bir mutasyon olasılığı gerekir. Aksi takdirde, mutasyon olasılığı CIp,n,d(i, j)'nin N(i, j, s) komşuluğundaki çoğu kategoriye yönelmesini sağlayacak şekilde artar. Yukarıda bahsedilen genetik operatörler tarafından iteratif olarak yeni yavrular üretiliyor. Algoritma 1'in 10-16. adımlarında gösterildiği gibi yineleme koşulu karşılanmadığında en yüksek uygunluğa sahip birey çıktılanır. LULC sınıflandırması açısından önerilen bu yöntemin olağandışı bir sınıflandırma kuralına dikkat edin. Önerilen spektral uzay tabanlı GA, her dalga boyu görüntüsü üzerinde yalnızca ikili sınıflandırma gerçekleştirir. Böylece, tüm N arazi kullanım tipi ayırt edildiğinde ve N ikili görüntü elde edildiğinde, sınıflandırma sonuçları tam bir sınıflandırma haritasına birleştirilir. Basit bir ifadeyle piksel(i, j), ikili sınıflandırma haritasında kendisini 1 olarak işaretleyen kategoriye aittir. İki veya daha fazla ikili harita pikseli 1 olarak işaretlediğinde piksel, Şekil 2'de ve Algoritma 1'in 19. adımında gösterildiği gibi daha büyük uygunluk değerine sahip olan olarak sınıflandırılır.

Algoritma 1: Önerilen İki Adımlı Topluluk Modelinin Prosedürü.

Şekil 2. Dört ikili sınıflandırma sonuç haritasının birleşimi.

Son olarak, tüm dalga boylarındaki sınıflandırma haritalarını nihai LULC haritasında birleştirmeyi amaçlayan ikinci topluluk modeli, D sınıflandırma haritalarına uygulanır. Topluluk kuralları aşağıdaki gibidir: (i, j) pikselini k'inci sınıf olarak sınıflandıran nk sınıflandırma haritalarının ve son kategori olan CI(i, j)=k'nin (nk > nx ise) olduğunu varsayalım; burada x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Entegrasyon çerçevesinde sınıflandırmayı her zaman seçici olarak kaldırdığımızı unutmayın. NIR bandında sonuçlar verir çünkü sınıflandırma sonuçları genellikle inanılmazdır.

III. DENEYSEL SONUÇLAR

A. Verilere Giriş

Önerilen algoritmanın doğruluğunu ve etkinliğini doğrulamak için Pekin 2 uydusu tarafından elde edilen üç uzaktan algılama görüntüsü veri seti kullanıldı. Pekin-2, üç yüksek çözünürlüklü uydudan oluşan sivil ticari bir uzaktan algılama uydu takımyıldızıdır (DMC3). 11 Temmuz 2015'te Hindistan'dan fırlatıldı ve 651 km'lik güneş senkronizasyonuna teslim edildi. Pekin-2 takımyıldız sistemi, yörüngede yaklaşık 24 km genişliğinde, 0,8 m çözünürlüklü pankromatik ve 3,2 m çözünürlüklü mavi, yeşil, kırmızı ve yakın kızılötesi multispektral görüntüler sağlar; bu görüntüler, uzaktan algılama uydu verileri ve mekansal bilgi ürünleri sağlayabilir küresel kapsama alanı ve mükemmel mekansal ve zamansal çözünürlüğü ile dünya üzerindeki herhangi bir yeri bir veya iki gün boyunca yeniden ziyaret etme kapasitesine sahiptir. Deneysel görüntüler 2018'de elde edildi. Test alanı, Çin'in Hubei Eyaleti, Dangyang Şehrinin üç farklı bölgesidir. Bu makalede yalnızca multispektral görüntüler ele alınmıştır. Bu görüntü verileri üzerinde ENVI(5.3) aracılığıyla atmosferik düzeltme gerçekleştirdik. Atmosfer modeli yarı arktik kıştır ve aerosol modeli kırsaldır. Ayrıca, seçtiğimiz aerosol alımı 2-band (KT)'tır. Diğer parametreler varsayılan olarak ayarlanmıştır. Tüm görüntüler çekirdek kayıt tarafından ön işleme tabi tutulur. Ayrıca, dört veya beş sınıftaki tüm görüntülerin önceden etiketlenmiş bir sınıflandırması da bize sağlanmıştır. Bu, orijinal görüntünün gözlemlenmesi ve coğrafi referanslı bir haritaya temel gerçek olarak kaydedilmesi yoluyla yapılan kapsamlı bir görsel incelemeye dayanmaktadır.

cistanche tubulosa-bağışıklık sistemini iyileştirir

B. Parametre Yapılandırması

Bu deneyde, FCM'nin eşiği τ 0.8'dir, popülasyon boyutu 40'a ayarlanmıştır, çaprazlama olasılığı Pc=0.8, temel mutasyon olasılığı P0=0.001 σ üssü 2'dir, komşu pencere boyutu s 3 piksele ayarlanır, böylece görüntü ayrıntıları korunurken aynı zamanda bilgisayar işlem süresi ve yakınsama yönü de optimize edilir. Önerilen yöntemin etkinliğini doğrulamak için FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} dahil olmak üzere mevcut dokuz arazi örtüsü sınıflandırma yaklaşımına ihtiyaç vardır. }SICM [28], MRE-DE [33] ve P-K, [20] anlamına gelir. Parametre ayarları orijinal literatürle aynıdır, burada tekrarlanmamıştır. Ayrıca, basit GA, bu makalede önerilen algoritmayla aynı parametre popülasyon boyutu H'ye ve çaprazlama olasılığı Pc'ye (mutasyon olasılığı Pm=0.01) sahiptir, ancak komşuluk bilgisi olmadan okuyucu, komşuluk penceresi boyutunun şu şekilde olduğunu anlayabilir: 1. Özellikle nGA, komşuluk bilgisini kullanarak genetik operatörü korur ancak TE-nGA'da mevcut olan topluluk işlemini siler.

C. Sınıflandırma Sonuçları

İncir. Şekil 3-5, her veri kümesinde test edildiğinde farklı modellere karşılık gelen renkli haritalarda LULC sınıflandırma sonuçlarını göstermektedir. Uzaktan algılanan üç görüntü farklı arazi kullanımı türleri içerdiğinden, sınıflandırma tablosunun renk gösterimi tekdüze değildir. Bu sınıflandırma sonuçlarına göre üç şekil için önerilen yöntemle elde edilen renk haritaları daha net ve düzgündür. Tablo I, sınıflandırma performansını farklı yöntemlerle karşılaştırmak için 12 model tarafından elde edilen süreleri (çalışma süresi) ve OA'yı ve araştırma alanlarında test edildiğinde göstermektedir. En iyi deneysel sonuçlar kalın harflerle gösterilmiştir. Önerilen yöntemin %88,72'lik en yüksek OA ve nispeten az hatalı piksel ile en iyi genel sonuçları sunduğu sonucuna varılabilir. Alan 3 için komşuluk pencereleri kullanıldığında LULC'nin sınıflandırma doğruluğu %28,35 oranında artırılır; Daha da önemlisi TE-nGA, basit GA ile karşılaştırıldığında hesaplama süresini 9257,56 saniyeye düşürebilir. Bunun nedeni, TE-nGA'nın buluşsal mutasyon operatörünün, algoritmanın yakınsamasını hızlandırmak için arama yönünü uyarlamalı olarak kontrol edebilmesidir, bu da önerilen yöntemin pratik senaryolar için daha uygun olduğunu kanıtlamaktadır. Ek olarak, nGA, TE-nGA topluluk çıkarma işlemine eşdeğerdir, böylece okuyucu, TE-nGA'nın yalnızca tek bantlı (bant1) görüntü üzerinde çalıştığını anlayabilir. Alan 3 için, topluluk çerçeveleri tanıtıldığında, sınıflandırma doğruluğu %0,72 oranında daha da iyileştirilir, bu da topluluk stratejisinin etkinliğini gösterir.

D. Parametre Analizi

Önerilen yöntemin esaslarından biri, uzamsal komşuluk bilgisini buluşsal bilgi olarak ele alarak amaç fonksiyonunu ve mutasyon olasılığını uyarlamalı olarak değiştirmek, böylece gürültü bağışıklığını ve sınıflandırma doğruluğunu ve yakınsama hızını arttırmaktır. Ancak bu, pencere boyutu ne kadar büyük olursa sınıflandırma etkisinin de o kadar iyi olacağı anlamına gelmez. Tablo II'ye göre, mekansal komşuluk bilgileri dikkate alındığında, pencerenin boyutu uygun bir eşiğe kadar artırılıp daha sonra azaltıldığında performansın arttığı gözlenmektedir. Bütün bunlar, merkezi pikselden uzaktaki örneklerin, merkezi pikselin kategori bölünmesine çok az katkıda bulunduğu ve hatta yanlış sınıflandırmayı daha da kötüleştirdiği içindir. Farklı coğrafi konumlardaki nesnelerin parlaklık ve doku farklılıkları nedeniyle, en uygun pencere boyutu Alan 1 ve Alan 2 için 5 × 5, Alan 3 için ise 3 × 3 gibi görünmektedir. Bu sonuç Tablo II'de kalın harflerle görülebilir, en iyi doğruluğu ve en hızlı yakınsama süresini temsil eder. Ayrıca, temel mutasyon olasılığıP0 ve σ üssünün de sınıflandırma performansını etkileyen hayati faktörler olduğunu bulduk. Çalışmamızda LULC'nin yorumunu ve sınıflandırmasını doğrulamak için farklı P0 ve σ kullanılmıştır. Şekil 6, P{{10}} ve σ arttıkça OA'nın varyasyon eğrilerini çizmektedir. Sabit bir σ için P0 arttıkça genel sınıflandırma doğruluğunun önce arttığı ve sonra azaldığı ortaya çıktı. Bu sonuç beklenen bir sonuçtur çünkü küçük bir P0, aramanın orijinal evrimsel yön ile sınırlı kalmasına ve dolayısıyla yerel bir optimuma düşmesine neden olacaktır; tersine, büyük bir P0 iyi evrim modelini bozacak ve sonuçları optimal çözümden saptıracaktır. Öte yandan σ arttıkça komşuluk bilgisinin etkisi daha anlamlı hale gelmekte ve en iyi temel olasılık değeri giderek yüksekten düşüğe doğru değişmektedir. Uygun komşuluk ağırlıkları, en iyi sınıflandırma sonuçlarının elde edilmesine daha yardımcı olur. Araştırma alanımızda en iyi üs σ ∈ {2, 3}, P0'ın en uygun aralığı ise [10−5, 10−2]'dir.

Şekil 3. Alan 1 sınıflandırma sonuçları. (a) Temel Gerçek. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLCM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K anlamına gelir. (k)GA. (l) nGA. (m) TE-nGA.

TABLO I ÜÇ ÇALIŞMA ALANINDA SEKİZ FARKLI SINIFLANDIRMA YÖNTEMİNİN DEĞERLENDİRME SONUÇLARI

Şekil 4. Alan 2 sınıflandırma sonuçları. (a) Temel Gerçek. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLCM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K anlamına gelir. (k)GA. (l) nGA. (m) TE-nGA.

Şekil 5. Alan 3 sınıflandırma sonuçları. (a) Temel Gerçek. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLCM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K anlamına gelir. (k)GA. (i) nGA. (m) TE-nGA.

TABLO II ÜÇ ÇALIŞMA ALANINDA FARKLI BOYUTTA PENCERELER KULLANILARAK ÖNERİLEN TE-NGA'NIN DEĞERLENDİRME SONUÇLARI

Şekil 6. Sezgisel mutasyon olasılığındaki temel mutasyon olasılığı P0 ve σ üssünün analizi.

IV. ÇÖZÜM

Bu çalışmanın ana katkısı, çok bantlı görüntülerin LULC sınıflandırması için üstün bir iki adımlı topluluk stratejisi ve spektral-mekansal tabanlı GA önermektir. İlk topluluk modeli, uzaktan algılanan görüntülerin sınıflandırma görevini, kümelenmesi zor piksellerin kategori belirlemesine indirgeyerek çok bantlı görüntüler üzerinde FCM gerçekleştirir. İkinci topluluk işleme iki görevden oluşur. İlk olarak, yavaş yakınsama ve zayıf antigürültü gibi bulmacalara yenilikçi çözümler sunmak için spektral ve uzaysal bilgileri birleştiren geliştirilmiş GA oluşturuldu. Tam olarak bu iyileştirme, uygun bir komşuluk penceresi kullanılarak yeni uygunluk fonksiyonlarından ve mutasyon olasılığından yararlanır. Daha sonra, yanlış sınıflandırma riskini azaltmak için kullanılan çoklu bant görüntülerinden elde edilen sınıflandırma sonuçlarını entegre etmek için topluluk modeli benimsenir. Sonuçlar, önerilen TE-nGA'nın tercih edilebilir sınıflandırma performansına ve basit GA'ya göre daha hızlı yakınsamaya sahip olduğunu kanıtlamaktadır. Gelecekte, önerilen tekniğin uygulanmasının ürün sınıflandırması, hedef tespiti ve hiperspektral görüntü sınıflandırması gibi diğer alanlara da genişletilmesini bekliyoruz.

Cistanche tubulosa'nın faydaları-Bağışıklık sistemini güçlendirmek

REFERANSLAR

[1] T. Hermosilla, MA Wulder, JC White ve NC Coops, "Büyük ve açık veri çağında arazi örtüsü sınıflandırması: Haritalama sonuçlarını iyileştirmek için yerelleştirilmiş uygulamayı ve eğitim verileri seçimini optimize etme", Remote Sens. Environ., cilt . 268, 2022, Sanat. HAYIR. 112780.

[2] P. Helber, B. Bischke, A. Dengel ve D. Borth, "EuroSAT: Arazi kullanımı ve arazi örtüsü sınıflandırması için yeni bir veri seti ve derin öğrenme kıyaslaması", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 12, hayır. 7, s. 2217–2226, Temmuz 2019.

[3] C. Li, G. Xian, Q. Zhou ve BW Pengra, "Zaman serisi arazi örtüsü haritalaması için birden fazla veri kümesi kullanarak örnek seçimi eğitimi için yeni bir otomatik fenoloji öğrenme (APL) yöntemi", Remote Sens. Environ. , cilt. 266, 2021, Sanat. HAYIR. 112670.

[4] S. Ji, D. Wang ve M. Luo, "Çok kaynaklı uzaktan algılama görüntülerinden arazi örtüsü sınıflandırması için üretken rakip ağ tabanlı tam alan alanı uyarlaması", IEEE Trans. Geosci. Uzaktan Algılama, cilt. 59, hayır. 5, s. 3816–3828, Mayıs 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang ve M. Xing, "Arazi örtüsü sınıflandırması için çok spektrumlu ve SAR görüntülerinin yeni bir görüntü birleştirme yöntemi", Remote Sens. , cilt. 12, hayır. 22, 2020, Sanat. HAYIR. 3801.

[6] B. Iqbal ve M. Ali, "Kuzeybatı Pakistan'daki Peşaver Havzası'nda yarı kurak ve kurak ortamlar altında uydu tabanlı lst'ten uzay-zamansal hava sıcaklığının tahmini", Av. Space Res., cilt. 70, hayır. 4, s. 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks ve LL Coulter, "Yoğun Landsat görüntü zaman serisinin ayrık analizine dayalı olarak Güney Gana'da arazi örtüsü ve arazi kullanımı değişikliğinin tipinin ve başlangıç ​​zamanının belirlenmesi", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 9, hayır. 5, s. 2064–2073, Mayıs 2016.

[8] A. Jamil ve B. Bayram, "Yüksek çözünürlüklü dijital ortofoto haritalardan ağaç türleri çıkarımı ve arazi kullanımı/örtü sınıflandırması", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 11, hayır. 1, s. 89–94, Ocak 2018.

[9] Z. Xue, P. Du ve L. Feng, "Uzun vadeli uzaktan algılama görüntü serisine dayalı fenoloji odaklı arazi örtüsü sınıflandırması ve trend analizi", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 7, hayır. 4, s. 1142–1156, Nisan 2014.

[10] Q. Zhu ve diğerleri, "Yüksek uzaysal çözünürlüklü uzaktan algılama görüntüleri için Siyam küresel öğrenme çerçevesine dayalı arazi kullanımı/arazi örtüsü değişikliği tespiti", ISPRS J. Photogrametry Remote Sens., cilt. 184, s. 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan ve W. Liao, "Sınıflandırma için değiştirilmiş rastgele ormanlarda yeni marj bazlı alt örnekleme yinelemeli tekniği" Knowl.-Based Syst., cilt. 182, 2019, Sanat. HAYIR. 104845.

[12] W. Feng ve diğerleri, "Dengesiz hiperspektral verilerin sınıflandırılması için dinamik sentetik azınlık aşırı örnekleme tekniğine dayalı rotasyon ormanı", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 12, hayır. 7, s. 2159–2169, Temmuz 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri ve XX Zhu, "Sınırlayıcı kutu regresyon ağlarına dayalı tek SAR görüntülerinden büyük ölçekli bina yüksekliği alımı", ISPRS J. Photogrametry Remote Sens., cilt 184, s. 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui ve F. Pu, "PolSAR arazi örtüsü sınıflandırması için dinamik fraktal doku analizi", IEEE Trans. Geosci. Uzaktan Algılama, cilt. 57, hayır. 8, s. 5991–6002, Ağustos 2019

[15] S. Saha, F. Bovolo ve L. Bruzzone, "Denetimsiz derin kod dönüştürme yoluyla VHR SAR görüntülerinde değişiklik tespiti oluşturma", IEEE Trans. Geosci. Uzaktan Algılama, cilt. 59, hayır. 3, s. 1917–1929, Mart 2021.

[16] MK İslam, MS Ali, MS Miah, MM Rahman, MS Alam ve MA Hossain, "Süper pikseller, temel bileşen analizi ve şablon tabanlı k-ortalama kümeleme algoritması kullanılarak MR görüntüsünde beyin tümörü tespiti", Mach. Öğrenmek. Başvuru, cilt. 5, 2021, Sanat. HAYIR. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang ve J. Zhu, "Hiperspektral görüntü sınıflandırması için geliştirilmiş bir ISODATA algoritması", Proc. 7. Uluslararası Kongr. Görüntü Sinyal Süreci., 2014, s. 660–664.

[18] S. Ghaffarian ve S. Ghaffarian, "Uzaktan algılama görüntüleri için otomatik histogram tabanlı bulanık cmeans kümeleme anlamına gelir", ISPRS J. Photogrametry Remote Sens., cilt. 97, s. 46–57, 2014.

[19] TH Dang, DS Mai ve LT Ngo, "Uydu görüntüsü arazi örtüsü sınıflandırması için ağırlıklı süper piksellere sahip çoklu çekirdek işbirliğine dayalı bulanık kümeleme algoritması", Eng. Başvuru Artif. Intel., cilt. 85, s. 85–98, 2019.

[20] E. Paradis, "Spektral görüntüleme verilerinin büyük ölçekli analizi için olasılıksal denetimsiz sınıflandırma", Int. J. Başvuru. Dünya Gözlem Jeoinformasyonu, cilt. 107, 2022, Sanat. HAYIR. 102675.

[21] X. Hu, X. Wang, Y. Zhong ve L. Zhang, "S3aNet: UAV kaynaklı H2 görüntülerine dayalı uçtan uca hassas ürün sınıflandırması için spektral-mekansal ölçekli dikkat ağı", ISPRS J. Fotogrametri Uzaktan Algılama, cilt. 183, s. 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi ve H. Adam, "Gelişmiş bulanık c-ortalamalar algoritması kullanan Bay beyin görüntü segmentasyonu", Proc. 25. Yıl. Uluslararası Konf. IEEE Müh. Med. Biyol. Soc., 2003, cilt. 1, s. 724–726.

[23] W. Cai, S. Chen ve D. Zhang, "Hızlı ve sağlam bulanık c-görüntü segmentasyonu için yerel bilgileri birleştiren kümeleme algoritmaları anlamına gelir", Pattern Recognit., cilt. 40, hayır. 3, s. 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan ve Z. Wang, "Sapma-seyrek bulanık c-komşu bilgi kısıtlaması ile ortalamalar", IEEE Trans. Bulanık Sistem, cilt. 27, hayır. 1, s. 185–199, Ocak 2019.

[25] S. Krinidis ve V. Chatzis, "Sağlam bir bulanık yerel bilgi C-ortalama kümeleme algoritması", IEEE Trans. Görüntü Süreci, cilt. 19, hayır. 5, s. 1328–1337, Mayıs 2010.

[26] H. Zhang, Q. Wang, W. Shi ve M. Hao, "Yeni bir uyarlanabilir bulanık yerel bilgi C -uzaktan algılanan görüntü sınıflandırması için kümeleme algoritması anlamına gelir", IEEE Trans. Geosci. Uzaktan Algılama, cilt. 55, hayır. 9, s. 5057–5068, Eylül 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng ve AK Nandi, "Morfolojik yeniden yapılanma ve üyelik filtrelemeye dayanan önemli ölçüde hızlı ve sağlam bulanık C-ortalama kümeleme algoritması", IEEE Trans. Bulanık Sistem, cilt. 26, hayır. 5, s. 3027–3041, Ekim 2018.

[28] Q. Wang, X. Wang, C. Fang ve W. Yang, "Gürültü görüntüsü segmentasyonu için uyarlanabilir uzaysal ve yoğunluk kısıtlaması ve üyelik bağlantısına sahip sağlam bulanık C-ortalama kümeleme algoritması", Appl. Yumuşak Bilgisayar, cilt. 92, 2020, Sanat. HAYIR. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun ve Z. Luyan, "Arazi kullanımı değişikliklerinin izlenmesinde kaos genetik algoritmasıyla uzaktan algılama görüntü sınıflandırması", Math. Hesapla. Model., cilt. 51, hayır. 11, s. 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf ve M. Zhang, "Görüntü sınıflandırması için genetik programlamada çıkarılan bilginin alanlar arası yeniden kullanımı", IEEE Trans. Evrim. Bilgisayar, cilt. 21, hayır. 4, s. 569–587, Ağustos 2017.

[31] R. Hamad, "Irak Kürdistanı'nın Soran bölgesindeki Kentsel Yayılımın uzaktan algılama ve CBS tabanlı analizi", SN Başvurusu. Sci., cilt. 2, hayır. 1, s. 1–9, 2019.

[32] H. Yang, Q. Du ve G. Chen, "Kentsel arazi örtüsü sınıflandırması için parçacık sürüsü optimizasyonuna dayalı hiperspektral boyutsallığın azaltılması", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 5, hayır. 2, s. 544–554, Nisan 2012.

[33] S. Sarkar, S. Das ve SS Chaudhuri, "Rényi entropisine dayalı, diferansiyel evrimle desteklenen çok seviyeli eşikleme kullanan hiper-spektral görüntü segmentasyonu", Expert Syst. Başvuru, cilt. 50, s. 120–129, 2016.

[34] S. Sen Gupta, S. Hossain ve K.-D. Kim, "Sahte pozlamalı görüntü füzyonundan HDR benzeri görüntü: Bir genetik algoritma yaklaşımı", IEEE Trans. Tüketim. Elektron., cilt. 67, hayır. 2, s. 119–128, Mayıs 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang ve Y. Li, "MGRFE: Kanser sınıflandırması için gömülü bir genetik algoritmaya dayalı çok katmanlı özyinelemeli özellik eliminasyonu", IEEE/ACM Trans . Hesapla. Biyol. Bioinf., cilt. 18, hayır. 2, s. 621–632, Mart/Nisan. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang ve GM Shi, "Derin genetik algoritma ile sinyal bütünlüğü için yüksek hızlı kanalın optimizasyonu", IEEE Trans. Elektromanyetik. Uyumlu, cilt. 64, hayır. 4, s. 1270–1274, Ağustos 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang ve J. Hu, "Genetik algoritma ve makine öğrenimi tekniklerine dayalı sentinel-1 verileri kullanılarak su yüzeyindeki dinamik değişikliklerin tanımlanması, Uzaktan Sens., cilt. 13, hayır. 18, 2021, Sanat. HAYIR. 3745.

[38] F. Ye, C. Doerr, H. Wang ve T. Bäck, "Herhangi bir performans için ayarlama yaparak genetik algoritmaların otomatik konfigürasyonu", IEEE Trans. Evrim. Bilgisayar, cilt. 26, hayır. 6, s. 1526–1538, Aralık 2022.

[39] MG Souza, EE Vallejo ve K. Estrada, "Genetik algoritmalar kullanılarak kümelenmiş bağımsız nadir varyant ilişkilerinin saptanması", IEEE/ACM Trans. Hesapla. Biyol. Bioinf., cilt. 18, hayır. 3, s. 932–939, Mayıs/Haziran. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay ve P. Chakrabarti, "Qutrit genetik algoritmasını kullanan hiperspektral çok seviyeli görüntü eşikleme", Expert Syst. Başvuru, cilt. 181, 2021, Sanat. HAYIR. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh ve P.-N. Ni, "Genetik algoritmalara ve yapay sinir ağlarına dayalı olarak yağış kaynaklı heyelanlar için arazi kullanımının yorumlanmasına uzaktan algılama teknolojisinin uygulanması", IEEE J. Sel. Konular Uyg. Dünya Gözlemi. Uzaktan Algılama, cilt. 2, hayır. 2, s. 87–95, Haziran 2009.

[42] D. Corus ve PS Oliveto, "Standart kararlı durum genetik algoritmaları, yalnızca mutasyona dayalı evrimsel algoritmalardan daha hızlı yokuş tırmanabilir," IEEE Trans. Evrim. Bilgisayar, cilt. 22, hayır. 5, s. 720–732, Ekim 2018.

[43] TL Cerqueira, FC Bertoni ve MG Pires, "Bulanık kural tabanlı sistem optimizasyonundan görüş sınıflandırmasına yönelik örnek genetik seçim", IEEE Latin Amer. Çev., cilt. 18, hayır. 7, s. 1215–1221, Temmuz 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi ve S. Silva, "Özellik inşası için genetik programlamayı kullanarak arazi örtüsü sınıflandırmasının iyileştirilmesi", Remote Sens., cilt. 13, hayır. 9, 2021, Sanat. HAYIR. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson ve S. Nahavandi, "Bir model tahmine dayalı kontrol tabanlı hareket işaretleme algoritmasının ağırlık ayarı için çok amaçlı ve etkileşimli genetik algoritmalar", IEEE Trans. Cybern., cilt. 49, hayır. 9, s. 3471–3481, Eylül 2019.

[46] A. Khoder ve F. Dornaika, "Özellik seçimi ve çoklu dönüştürülmüş alt kümeler aracılığıyla topluluk öğrenimi: Görüntü sınıflandırmasına uygulama", Appl. Yumuşak. Bilgisayar, cilt. 113, 2021, Sanat. HAYIR. 108006.

[47] W. Feng, W. Huang ve W. Bao, "Farklı örnekleme oranlarına sahip SMOTE ve rotasyon ormanına dayalı uyarlanabilir bir topluluk yöntemiyle dengesiz hiperspektral görüntü sınıflandırması", IEEE Geosci. Remote Sens. Lett., cilt. 16, hayır. 12, s. 1879–1883, Aralık 2019.

[48] ​​W. Feng ve diğerleri, "Sınırlı eğitim verileriyle hiperspektral görüntünün sınıflandırılması için topluluk kenar boşluğu teorisine dayalı yarı denetimli rotasyon ormanı", Inf. Sci., cilt. 575, s. 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu ve W. Du, "Dengesiz problemler için geometrik yapısal topluluk öğrenimi", IEEE Trans. Cybern., cilt. 50, hayır. 4, s. 1617–1629, Nisan 2020.

[50] Q. Sun ve Z. Ge, "Endüstriyel KPI tahmini için derin öğrenme: Topluluk öğrenimi yarı denetimli verilerle buluştuğunda," IEEE Trans. Ind. Informat., cilt. 17, hayır. 1, s. 260–269, Ocak 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov ve PM Atkinson, "Uzaktan algılama sahne sınıflandırması için kendi kendini eğiten hiyerarşik prototip tabanlı topluluk çerçevesi", Inf. Füzyon, cilt. 80, s. 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li ve N. Wang, "Nöbetçi-1 görüntülerin deniz buzu sınıflandırması için iki turlu ağırlık oylama stratejisine dayalı topluluk öğrenme yöntemi, " Remote Sens., cilt. 13, hayır. 19, 2021, Sanat. HAYIR. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik ve K. Egiazarian, "Image denoising by sparse 3-D transform-domain işbirlikçi filtreleme," IEEE Trans. Görüntü Süreci, cilt. 16, hayır. 8, s. 2080–2095, Ağustos 2007.