Divpakāpju ansambļa ģenētiskais algoritms zemes seguma klasifikācijai

Abstrakts— Precīzas zemes izmantošanas un zemes seguma (LULC) kartes ir efektīvi instrumenti, kas palīdz sasniegt pareizu pilsētplānošanu un precīzo lauksaimniecību. Kā inteliģenta optimizācijas tehnoloģija ģenētiskais algoritms (GA) pēdējos gados ir veiksmīgi izmantots dažādiem attēlu klasifikācijas uzdevumiem. Tomēr vienkārša GA saskaras ar problēmām, piemēram, sarežģītiem aprēķiniem, sliktu trokšņu noturību un lēnu konverģenci. Šis pētījums piedāvā divpakāpju ansambļa protokolu LULC klasifikācijai, izmantojot pelēktoņu telpisko GA modeli. Pirmajā ansambļa ietvarā tiek izmantoti izplūduši c-līdzekļi, lai klasificētu pikseļus tajos, kurus ir grūti sagrupēt, un tajos, kurus ir viegli sagrupēt, kas palīdz samazināt evolūcijas aprēķinu meklēšanas vietu. Otrais ansambļa ietvars izmanto apkārtnes logus kā heiristisku informāciju, lai adaptīvi modificētu GA mērķa funkciju un mutācijas varbūtību, kas sniedz vērtīgas priekšrocības GA diskriminācijai un lēmumiem. Šajā pētījumā piedāvātās metodes efektivitātes apstiprināšanai tiek izmantotas trīs pētniecības jomas Dangyangā, Ķīnā. Eksperimenti parāda, ka piedāvātā metode var efektīvi uzturēt attēla detaļas, ierobežot troksni un panākt ātru algoritmu konverģenci. Salīdzinot ar atsauces metodēm, labākā kopējā precizitāte, kas iegūta ar piedāvāto algoritmu, ir 88,72%. Indeksa termini — ģenētiskais algoritms (GA), zemes izmantošana un zemes segums (LULC), apkaimes logs, attālās uzrādes attēlu klasifikācija, divpakāpju ansamblis.

cistanche tubulosa-uzlabo imūnsistēmu

I. IEVADS

L UN izmantošanai un zemes segumam (LULC) ir būtiska loma dažādos aspektos, tostarp ekosistēmā un pilsētplānošanā. Manuskripts saņemts 2022. gada 18. aprīlī; pārskatīts 2022. gada 2. septembrī; pieņemts 2022. gada 16. novembrī. Publicēšanas datums 2022. gada 30. novembris; pašreizējās versijas datums — 2022. gada 15. decembris. Šo darbu daļēji atbalstīja Ķīnas Nacionālais dabaszinātņu fonds saskaņā ar grantu 62201438, Grant 61772397 un Grant 12005159, daļēji — Shaanxi mežsaimniecības zinātnes un tehnoloģiju inovāciju atslēga saskaņā ar Grant SXLK{{ 13}}, daļēji no Shaanxi Dabaszinātņu pamatpētījumu programmas Grant 2021JC-23 ietvaros un daļēji no Yulin Science and Technology Bureau Zinātnes tehnoloģiju un attīstības projekta saskaņā ar Grant CXY-2020-094. (Jang Kao un Vei Fens šajā darbā piedalījās vienādi.) (Atbilstošie autori: Wei Feng; un Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song un Aifeng Ren strādā Tālvadības zinātnes un tehnoloģiju nodaļā. , Elektronikas inženieru skola, Xidian University, Xi'an 710071, Ķīna (e-pasts: 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 atrodas Ziemeļminzu universitātes Datorzinātņu un inženierzinātņu skolā, Yinchuan 750021, Ķīna (e-pasts: baowenxing@nun.edu.cn). Gabriels Dofins strādā Informācijas apstrādes un pārraides laboratorijā, Institut Galilée, University Paris XIII, 93430 Villetaneuse, Francija (e-pasts: gabriel.dauphin@univ-paris13.fr). Mengdao Sjins strādā Padziļinātās starpdisciplinārās pētniecības akadēmijā, Xidian University, Xi'an 710071, Ķīna (e-pasts: xmd@xidian.edu.cn). Digitālais objekta identifikators 10.1109/JSTARS.2022.3225665 un sociālā ekonomika, kam ir liela nozīme Zemes sistēmā [1], [2], [3], [4]. Uz lauka balstīti pētījumi, kas balstās uz manuālu interpretāciju, ir laikietilpīgi un darbietilpīgi veidi, kas nevar savlaicīgi klasificēt zemes izmantošanas statusu [5], [6], [7]. Gluži pretēji, nesenais progress satelītu tehnoloģijās sniedz lielisku potenciālu, lai precīzi atšķirtu dažādas zemes iezīmju īpašības un ātri izveidotu plašās teritorijas LULC kartes [8], [9], [10]. Tālvadības attēlu klasifikācija ir aptuveni sadalīta uzraudzītās un neuzraudzītās pieejās [11], [12], [13], [14]. Uzraudzīto klasifikatoru izcilā veiktspēja lielā mērā ir atkarīga no augstas izmaksas marķētiem datiem, kurus ir grūti iegūt [15]. Nepārraudzīti klasifikatori iegūst datu sadalījumu, sadalot attēlu pikseļu grupās ar līdzīgiem raksturlielumiem, piemēram, K-means [16], ISODATA [17] un fuzzy c-means (FCM) [18], kas ir veiksmīgi izmantoti LULC klasifikācijas domēns. Piemēram, Dang et al. [19] ierosināja vairāku kodolu sadarbības FCM klasterizāciju ar svērto superpikseļu granulēšanas paņēmienu, kas var samazināt aplūkojamos zemes seguma klasifikācijas objektus no liela pikseļu skaita līdz tikai dažiem simtiem aplūkoto objektu superpikseļu. Paradis atviegloja pieņēmumu par homogēnu dispersiju standarta k-vidējo algoritmu un iepazīstināja ar jaunu zemes seguma klasifikācijas metodi, ko sauc par varbūtības k-vidējiem (P-Kmeans) [20], šī metode labi darbojas trokšņa multispektrālajos datos un tai ir būtiski uzlabojumi. vispārējā precizitāte (OA), salīdzinot ar vienkāršajiem k-vidējiem. Diemžēl šo klasifikatoru prognozēs tiek ņemtas vērā tikai spektrālās iezīmes un netiek ņemta vērā to telpiskā korelācija, kas izraisa sliktu robustumu. Ir konstatēts, ka apvienotais telpisko un spektrālo pazīmju attēlojums uzlabo algoritmu trokšņu noturību un samazina klasifikācijas kļūdas daudzos esošajos klasifikācijas modeļos [21], īpaši izplūdušajos klasterizācijas algoritmos [22], [23], [24]. FLICM [25] izmanto neskaidras telpas un pelēktoņu līdzības mērījumus, lai uzlabotu attēla detaļu saglabāšanu, vienlaikus nodrošinot trokšņu nejutīgumu. Džans et al. [26] uzlaboja parasto FCM algoritmu, izmantojot adaptīvos svēršanas koeficientus blakus esošo pikseļu efektiem, pamatojoties uz jaunu pikseļu telpiskās pievilcības modeli. Lei et al. [27] ierosināja vienkāršāku un ievērojami ātrāku FRFCM, ieviešot morfoloģiskās rekonstrukcijas darbību un lokālo dalības filtrēšanu. Wang et al. [28] iepazīstināja ar FCM_SICM ar adaptīvu telpiskās intensitātes ierobežojumu un dalības saiti, samazinot mērķa funkcijas laika sarežģītību no O(n4). Tomēr uzlabotie FCM algoritmi joprojām rada problēmas trokšņa traucējumu samazināšanas ziņā.

Cistanche tubulosa priekšrocības- stiprināt imūnsistēmu

Ir pierādīts, ka zemes klasifikācijas problēmu var sadalīt vairākos binārās klasifikācijas uzdevumos [29]. Tāpēc optimālas klasifikācijas atrašana tiek uzskatīta par kombinatoriskas optimizācijas problēmu. Pēdējās desmitgades laikā ir noticis ievērojams sasniegums zemes izmantošanas klasifikācijas izpētē, kas balstīta uz evolūcijas aprēķiniem [30], [31]. Piemēram, Yang et al. iepazīstināja ar daļiņu spieta optimizāciju (PSO) balstītu paņēmienu un izstrādāja kritērija funkciju, lai identificētu zemes segumu [32]. Sarkar et al. [33] izmantoja maksimālo Rènyi entropiju (MRE), lai izstrādātu pieeju zemes seguma nepārraudzītai klasifikācijai, pamatojoties uz diferenciālo evolūciju (DE), kas labi darbojas, izmantojot divus plaši izmantotus hiperspektrālo attēlu datus. Ģenētiskie algoritmi (GA), efektīvi globālās optimizācijas algoritmi, imitē bioloģiskos ģenētiskos mehānismus dabiskās atlases procesā globāli optimāla risinājuma noteikšanai [34], [35], [36], [37]. Standarta GA pieprasa binārās kodēšanas operāciju, lai piedāvātu risinājumu virknes veidā [38], [39], [40]. Katrā iterācijā krustojuma operators nejauši izvēlas divus iespējamos risinājumus (ti, vecākus) un apmainās ar daļu no viņu informācijas, lai radītu jaunus risinājumus (ti, pēcnācējus), kas uzlabo populācijas izpētes iespējas [41]. Tāpat kā gēnu mutācija dabā, mutācijas operators tiek izmantots GA, lai mainītu daļu informācijas pēcnācēju risinājumos un uzlabotu lokālo meklējamību [42]. Atlases operators izvēlas kandidātu risinājumus, pamatojoties uz katra populācijas locekļa piemērotību — rezervējot labākus pēcnācējus un novēršot sliktos pēcnācējus. Šis mehānisms savukārt uzlabo līdzsvaru starp izmantošanu un izpēti [43]. Iepriekš minētie ģenētiskie operatori šos indivīdus apvieno, lai iegūtu jaunas paaudzes kandidātu risinājumu grupas, un process tiek atkārtots, līdz tiek izpildīts kāds konverģences indekss. GA meklēšanas procesā iegūst un uzkrāj zināšanas par meklēšanas virzienu un līdz ar to automātiski kontrolē meklēšanas virzienu, lai ģenerētu optimālo risinājumu [44], kas veiksmīgi pielietots attālās izpētes attēlu klasifikācijā un guvis labus rezultātus. Pēdējos gados ir parādījušies daudzi uzlaboti GA [45]. Tomēr joprojām ir neatrisinātas problēmas. 1) Plaši aprēķini. GA konverģence pasliktinās, kad datu kopa kļūst lielāka. 2) Vienkāršā GA vājā prettrokšņa veiktspēja, fokusējoties uz spektrālajām iezīmēm, parasti ir jutīga pret attēla trokšņiem. 3) Priekšlaicīga konverģence. GA ir ierobežotas iespējas meklēt jauno vietu, un tā var nonākt vietējā optimālā līmenī. Tā kā attālināti uztvertos datus raksturo neviendabīgums, mēs koncentrējamies uz ansambļu klasifikatoriem, kas uzsver dažādu klasifikācijas pazīmju komplementaritāti [46], [47], [48]. Ansambļa stratēģijas kritiskā ideja ir sajaukt un apvienot prognozes no dažādiem klasifikācijas noteikumiem [49], [50]. Pētījumā [51] tiek piedāvāts ļoti precīzs ansambļu klasifikācijas modelis, lai nodrošinātu vairākas neatkarīgas klasifikācijas kartes pēc dažādiem pazīmju deskriptoriem. Pētījums [52] norāda, ka ansambļa ietvars, kas sastāv no divpakāpju balsošanas mehānisma, var nomākt sākotnējo attēla datu troksni un zināmā mērā precizēt jūras ledus klasifikāciju.

cistanche papildinājuma priekšrocības - paaugstina imunitāti

Noklikšķiniet šeit, lai skatītu Cistanche Enhance Immunity produktus

【Jautājiet vairāk】 E-pasts:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Šajā rakstā ir piedāvāts uz divpakāpju ansambļa stratēģiju balstīts uzlabots GA modelis (TE-nGA) multispektrālo attēlu zemes seguma klasifikācijai. Lai novērstu GA nepilnības, mūsu risinājums ir izmantot ansambļa stratēģiju un telpiskos logus papildus klasiskajam GA, lai uzlabotu prettrokšņu veiktspēju, klasifikācijas precizitāti un konverģences ātrumu. Šī raksta galvenais ieguldījums ir šāds. 1) FCM algoritms tiek izmantots, lai klasificētu pikseļus tajos, kurus ir grūti sagrupēt, un tajos, kurus ir viegli grupēt, kas samazina skaitļošanas sarežģītību. 2) Tiek piedāvāts pelēktoņu telpiskais GA, ņemot vērā telpiskās apkārtnes logu heiristisko parametru veidošanā, lai novērstu priekšlaicīgu konverģenci un trokšņu jutīgumu. 3) Lai samazinātu risinājuma nestabilitāti un klasifikācijas kļūdas, tiek izmantots jauns divpakāpju ansambļa ietvars ar daudzjoslu klasifikācijas mehānismu.

II. IEROSINĀTĀ KLASIFIKĀCIJAS METODE

Piedāvātā algoritma blokshēma ir parādīta 1. attēlā. Algoritms galvenokārt sastāv no šādiem trim soļiem: attēla trokšņa samazināšana, grūti sagrupējamu pikseļu atrašana, izmantojot balsošanas stratēģiju, un pārklasificēšana ar uzlabotu GA, pamatojoties uz ansambļa modeli un spektrāli-telpisko. saplūšana. Ņemiet vērā, ka otrais un trešais solis ir piedāvātā algoritma kritiskās daļas. Piedāvātā metode ir ieskicēta 1. algoritmā.

A. Attēla trokšņa samazināšana

Lai izvairītos no attēla artefaktiem no attēla sensora trokšņiem, kas ietekmē ainas kvalitāti, algoritms sastāv no vispirms piemēro bloku saskaņošanu un 3-D filtrēšanu, esošu populāru un efektīvu trokšņa samazināšanas algoritmu [53]. Šīs filtrēšanas raksturlielumi ir izvēlēti, pamatojoties uz šo vispārīgo informāciju, tas ir kompromiss starp atlikušā trokšņa samazināšanu rektificētajā attēlā un intensitātes izmaiņu saglabāšanu starp blakus esošajiem pikseļiem, kas pieder pie dažādām kopām. Ir pierādīts, ka algoritms attēla kvalitātes uzlabošanā pārspēj citus filtrēšanas algoritmus.

B. Pirmā ansambļa stadija — grūti sagrupējamu pikseļu atrašana

Blokshēma 1. att. pa kreisi parāda multispektrālu attēlu ar D viļņa garumiem, no kura var iegūt D specifiskus attēlus ar izmēru H × W, kas apzīmēti kā I1, I2,..., ID. Pirmais solis ir sadalīt pikseļus starp tiem, kurus ir grūti sagrupēt, un tiem, kurus ir viegli sagrupēt, lai vismaz vienam spektrālajam attēlam to piederība ir ļoti iespējama. Tāpēc FCM klasterizācija tiek piemērota katram spektrālajam attēlam atsevišķi, lai klasificētu pikseļus N kategorijās, kur N ir iepriekš iestatīts ar vizuālu interpretāciju. Tas rada katram pikselim, katram viļņa garumam un katrai klastera dalībai.

1. att. LULC klasifikācijas blokshēma, kuras pamatā ir piedāvātā metode.

kur Id(i, j) ir pikseļa (i, j) intensitāte d-tajā viļņa garumā, un d (i, j) ir piederība pikseļa (i, j) n-tajam klasterim pie d-tā viļņa garuma, 1 Mazāks vai vienāds ar d Mazāks vai vienāds ar D, 1 Mazāks vai vienāds ar n Mazāks vai vienāds ar N. Attiecībā uz d-to viļņa garumu katrs pikselis ir atzīmēts ar kategorijas apzīmējumu cd(i, j), kā

pamatojoties uz dalību, pikseļi tiek klasificēti kā viegli grupējami Ke un grūti grupējami Kd. Izmantotais slieksnis τ ir parametrs, kas nodrošina, ka pikselim (i, j) ∈ Ke, ko uzskata par viegli sagrupējamu, ir augsta piederības pakāpe attiecīgajam klastera centram. (N + 1) klasteris satur pikseļus, kurus uzskata par grūti sagrupējamiem un apzīmēti ar Kd. Uz balsošanu balstītas pieejas var atrisināt konfliktus starp dažādiem lēmumiem, ko rada vairāki klasifikācijas noteikumi. Attiecīgi FCM iegūtie katra viļņa garuma klasifikācijas rezultāti tiek integrēti ansambļa klasifikācijas kartē C, pamatojoties uz vairākuma balsošanas principu. C pikseļu etiķete tiek pārkartota uz filtrētā multispektrālā attēla atbilstošo pozīciju, un tiek iegūtas galīgās pārklasifikācijas kartes, kas apzīmētas kā I1, I2, . . ., ID, kā rāmis, kas parādīts 1. attēla vidū. Pēc FCM algoritma izmantošanas, lai pārklasificētu pikseļus kā viegli un grūti sagrupējamus, visa sākotnējā attēla analīze tiek pārvērsta par attēla klasifikāciju. sarežģīti pikseļi.

C. Otrā ansambļa skatuve— UzlabotaGA, ņemot vērā blakus esošos pikseļus

Blokshēmas labajā pusē rāmis ar nosaukumu "Otrās kārtas ansamblis" attēlo divus uzdevumus: GA klasifikāciju, pamatojoties uz spektrālās telpas savienojuma faktoru, un lēmumu kopumu daudzjoslu klasifikācijai. Tā kā LULC klasifikācijas problēma ir sadalīta vairākos binārās klasifikācijas uzdevumos, mums jārisina sērijas apakšproblēmas katram viļņa garumam: vai pikselis (i, j) ∈ Kd pieder x kategorijai. 1 Mazāks vai vienāds ar x Mazāks vai vienāds ar N. Visbeidzot, visu N bināro klasifikācijas karšu lēmumu rezultāti tiek apvienoti, lai iegūtu klasifikācijas karti, kas satur N zemes seguma veidus. Katrai binārajai klasifikācijas problēmai uzlabotā spektrālās telpas bāzes GA tiek piemērota pikseļiem, kas atzīmēti kā (N + 1) klase, lai vēl vairāk optimizētu neskaidrās kategoriju etiķetes, kas parādītas 1. attēla pārtrauktajā rāmī. šīs uzlabotās spektrālās telpas bāzes GA interpretācija ir šāda. 1) Divdimensiju bināro hromosomu kodējums: attēla ID var iegūt N binārās kartes no N klasifikācijas uzdevumiem. Divdimensiju binārā kodēšana tiek izmantota, lai saglabātu attīstīto indivīdu telpiskās strukturālās īpašības (viens indivīds ir viens potenciāls lēmums). Kodēšanas matricas izmērs ir tāds pats kā viļņa garuma attēlam, tas ir, H × W. Lai novērtētu, vai pikselis (i, j) ∈ Kd pieder x kategorijai, 1 Mazāks vai vienāds ar x Mazāks vai vienāds ar N, lai katram viļņa garumam mēs kodējam pikseļus (i, j) ∈ Ke klasē x, ko FCM sagrupē kā 1, un ārpus kategorijas x kā 0, kur tālāk netiek veikta evolūcijas optimizācijas darbība. Šie punkti(i, j) ∈ Kd ir nejauši kodēti kā 0 vai 1. Kd ieviestā evolucionārā optimizācija izpētīs visus iespējamos risinājumus. 2) Fitnesa funkcija, pamatojoties uz apkārtnes logu: fitnesa funkcija ir vissvarīgākais rādītājs, lai novērtētu populācijas indivīdu kvalitāti, kas ir saistīta ar indivīdu atlasi un ģenētisko operatoru izpildi. Blakus esošie pikseļi ir ļoti korelēti pelēktoņu un tekstūras ziņā. Līdz ar to spektru un telpas papildinformācija tiek pieņemta, lai izstrādātu saliktu fitnesa funkciju, kas sniedz jaunu ideju algoritma trokšņu imunitātes uzlabošanai. Pieņemsim, ka n-tajam klasterizācijas uzdevumam pie d-tā viļņa garuma indivīdu skaits populācijā ir P, CIp,n,d ir indivīdu ceļš, 1 mazāks vai vienāds ar p Mazāks vai vienāds ar P, 1 mazāks vai vienāds ar līdz n mazāks vai vienāds ar N, 1 mazāks vai vienāds ar d Mazāks vai vienāds ar D. Fitnesa funkcija CIp,n,d ir piemērotība=1 OF, OF, ko aprēķina pēc formulas (3).

kur r ∈ {{0}}, 1}, Rr norāda pikseļus, kas kodēti kā 0 vai 1, un to daudzuma statistika ir attēlota kā Nr. Rth klastera centrs vr tiek aprēķināts pēc visu Rr piederošo punktu pikseļu vidējā lieluma. I d(i, j) ir pikseļa (i, j) intensitāte d-tajā viļņa garumā pēc FCM klasterizācijas algoritma pielietošanas. Apkaimes funkcijā Wr(i, j) tiek pieņemts, ka apkārtnes logi ir kvadrātveida, un to malu garums s ir nepāra veseli skaitļi. N (i, j, s) apzīmē s × s apkārtnes logu indeksētajā vietā (i, j). Nt(i, j, s) apzīmē t-tā pikseļa intensitāti apkārtnē N(i, j, s). t-tā pikseļa piederības pakāpe N(i, j, s), kas pieder rth klasterim, tiek apzīmēta kā utr(i, j, s). lt(i, j, s) apzīmē telpisko attālumu starp t-to apkārtnes pikseļu un centra punktu (i, j). L ir telpiskā attāluma svars starp centra punktu un tā apkārtnes pikseļiem. 3) Mutācijas operators, izmantojot informāciju par apkārtni: jaunas paaudzes tiek iteratīvi ģenerētas, izmantojot individuālu atlasi, vienotu krustojumu un ģenētisku mutāciju, kā parādīts 1. attēla svītrotajā rāmī. Lielākā daļa GA izmanto globālu mutācijas varbūtību, lai ieviestu etiķetes modifikāciju nejauši. atlasītos pikseļus ar tādu pašu varbūtību, kas nemanāmi palēnina GA konverģences ātrumu. Kā kritiskais tehniskais operators tiek izveidota uzlabota heiristiskās mutācijas varbūtība kombinācijā ar apkārtnes informāciju, lai automātiski aprēķinātu atbilstošo mutācijas varbūtību katram gēnam. Šādas formulas definē šo jauno mutācijas varbūtību:

centrālajam pikselim (i, j) uht(i, j, s) apzīmē piederības pakāpi apkārtnes punktam Nt(i, j, s), kas pieder klasterizācijas centram vh, h ∈ {{{0} }, 1}. Līdz ar to individuālā CIp,n,d adaptīvās mutācijas varbūtība Pm(i, j) tiek izteikta kā formula 8, kur P0 ir pamata mutācijas varbūtība, arī globālā mutācijas varbūtība klasiskajā GA; σ, S eksponents, apzīmē apkārtnes informācijas ietekmes svaru uz centrālā pikseļa mutācijas varbūtību. CIp,n,d(i,j) ir ceļa indivīda binārais kodējums n-tajam klasterizācijas uzdevumam d-tā viļņa garumā. lt(i, j, s) norāda telpisko attālumu starp centrālo pikseļu(i, j) un t-to pikseļu N(i, j, s). Nt(i, j, s) etiķete tiek apzīmēta kā Ct, ja u1t ir lielāks par u0t, tad Ct=1; citādi, Ct=0. Ņemot vērā dažādus apkaimes logus, kad s=3, var aprēķināt, ka S ∈ [0, 4+2√2]; kad s=5, S ∈ [0, 6+3√2+1.6 √5]. Izmantojot iepriekš minēto mehānismu, punkti (i, j) ∈ Kd var adaptīvi iegūt atbilstošas ​​mutācijas varbūtības, pamatojoties uz blakus esošo pikseļu kategoriju. Ja aptuvenais apzīmējums CIp,n,d(i,j) atbilst lielākajai daļai apkārtējo pikseļu kategoriju, ir nepieciešama neliela mutācijas varbūtība, lai saglabātu sākotnējo reģionālo viendabīgumu. Pretējā gadījumā mutācijas varbūtība palielinās, lai CIp,n,d(i,j) atbilstu lielākajai daļai kategoriju apkārtnē N(i,j,s). Iepriekš minētie ģenētiskie operatori iteratīvi ģenerē jaunus pēcnācējus. Persona ar visaugstāko piemērotību tiek izvadīta, ja iterācijas nosacījums nav izpildīts, kā parādīts 1. algoritma 10.–16. darbībā. Ņemiet vērā šīs ierosinātās metodes neparasto klasifikācijas noteikumu LULC klasifikācijas ziņā. Ierosinātā spektrālās telpas GA katram viļņa garuma attēlam veic tikai bināro klasifikāciju. Tādējādi, kad ir diskriminēti visi N zemes izmantošanas veidi un N bināri attēli, klasifikācijas rezultāti tiek sapludināti pilnā klasifikācijas kartē. Vienkārši izsakoties, pikseļi (i, j) pieder kategorijai, kas binārajā klasifikācijas kartē to atzīmē kā 1. Ja divas vai vairākas binārās kartes atzīmē pikseli kā 1, pikselis tiek klasificēts kā tas, kuram ir lielāka piemērotības vērtība, kā parādīts 2. attēlā un 1. algoritma 19. darbībā.

1. algoritms: piedāvātā divpakāpju ansambļa modeļa procedūra.

2. att. Četru bināro klasifikācijas rezultātu karšu kombinācija.

Visbeidzot, otrais ansambļa modelis tiek piemērots D klasifikācijas kartēm, lai apvienotu klasifikācijas kartes no visiem viļņu garumiem galīgajā LULC kartē. Ansambļa noteikumi ir šādi: pieņemsim, ka ir nk klasifikācijas kartes, kas klasificē pikseli (i, j) kā k-to klasi un galīgo kategoriju CI(i, j)=k, ja nk > nx, kur x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Ņemiet vērā, ka integrācijas sistēmā mēs vienmēr selektīvi noņemam klasifikāciju NIR joslā, jo tās klasifikācijas rezultāti bieži vien ir neticami.

III. EKSPERIMENTĀLIE REZULTĀTI

A. Ievads datos

Lai pārbaudītu piedāvātā algoritma precizitāti un efektivitāti, tiek izmantotas trīs Beijing 2 satelīta iegūto attālās uzrādes attēlu datu kopas. Pekina-2 ir civilā komerciālā attālās uzrādes satelītu konstelācija (DMC3), kas sastāv no trim augstas izšķirtspējas satelītiem. Tas tika palaists 11. jūlijā, 2015. gadā no Indijas un nogādāts 651 km garā saules sinhronajā lidmašīnā. Pekinas-2 zvaigznāju sistēma orbītā nodrošina aptuveni 24 km platus, 0,8 m izšķirtspējas pankromātiskos un 3,2 m izšķirtspējas zilus, zaļus, sarkanus un gandrīz infrasarkanos daudzspektrus attēlus, kas var nodrošināt attālās uzrādes satelītu datus un telpiskās informācijas produktus. ar globālu pārklājumu un lielisku telpisko un laika izšķirtspēju, kas spēj vienu vai divas dienas atkārtoti apmeklēt jebkuru vietu uz zemeslodes. Eksperimentālie attēli tika iegūti 2018. gadā. Izmēģinājuma vieta ir trīs dažādas Dangjanas pilsētas daļas, Hubei provincē, Ķīnā. Šajā rakstā ir apskatīti tikai multispektrālie attēli. Mēs veicām atmosfēras korekciju šiem attēla datiem, izmantojot ENVI (5.3). Atmosfēras modelis ir subarktiskā ziema, bet aerosola modelis ir lauku modelis. Turklāt mūsu izvēlētā aerosola iegūšana ir 2-josla (KT). Pārējie parametri tika iestatīti pēc noklusējuma. Visi attēli tiek iepriekš apstrādāti, veicot kopreģistrāciju. Turklāt mums ir nodrošināta jau marķēta visu attēlu klasifikācija četrās vai piecās klasēs. Tas ir balstīts uz izsmeļošu vizuālu pārbaudi, novērojot sākotnējo attēlu, un tas ierakstīts kartē ar ģeoreferenci kā pamata patiesība.

cistanche tubulosa-uzlabo imūnsistēmu

B. Parametru konfigurācija

Šajā eksperimentā FCM slieksnis τ ir 0.8, populācijas lielums ir iestatīts uz 40, krustošanās varbūtība Pc=0.8, bāzes mutācijas varbūtība P0=0.001. , eksponents σ ir 2, apkārtnes loga izmērs s ir iestatīts uz 3 pikseļiem, lai saglabātu attēla detaļas, vienlaikus optimizējot datora apstrādes laiku un konverģences virzienu. Lai pārbaudītu ierosinātās metodes efektivitāti, ir nepieciešamas deviņas esošās zemes seguma klasifikācijas pieejas, tostarp FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{14} }SICM [28], MRE-DE [33] un P-Kmeans [20]. Parametru iestatījumi ir identiski oriģinālajā literatūrā, šeit nav atkārtoti. Turklāt vienkāršai GA ir tāds pats parametru populācijas lielums H un krustošanas varbūtība Pc kā šajā rakstā piedāvātajam algoritmam, mutācijas varbūtība Pm=0.01, taču bez apkārtnes informācijas lasītājs var saprast, ka apkaimes loga izmērs ir 1. Jo īpaši nGA saglabā ģenētisko operatoru, izmantojot apkārtnes informāciju, bet dzēš TE-nGA esošo ansambļa darbību.

C. Klasifikācijas rezultāti

zīm. 3–5 parāda LULC klasifikācijas rezultātus krāsu kartēs, kas atbilst dažādiem modeļiem, testējot katrā datu kopā. Tā kā trīs attālināti uztvertie attēli satur dažādus zemes izmantošanas veidus, klasifikācijas diagrammas krāsu attēlojums nav vienots. Saskaņā ar šiem klasifikācijas rezultātiem trīs skaitļiem ar piedāvāto metodi iegūtās krāsu kartes ir skaidrākas un vienmērīgākas. I tabulā parādīti laiki (darba laiks) un OA, kas sasniegti ar 12 modeļiem un pārbaudīti pētniecības jomās, lai salīdzinātu klasifikācijas veiktspēju ar dažādām metodēm. Labākie eksperimentu rezultāti ir parādīti treknrakstā. Var secināt, ka piedāvātā metode sniedza vislabākos kopējos rezultātus ar augstāko OA 88,72% un salīdzinoši maz nepareizu pikseļu. 3. apgabalam, izmantojot apkaimju logus, LULC klasifikācijas precizitāte tiek palielināta par 28,35%; Vēl svarīgāk ir tas, ka TE-nGA var samazināt skaitļošanas laiku līdz 9257,56 s, salīdzinot ar vienkāršu GA. Tas ir tāpēc, ka TE-nGA heiristiskās mutācijas operators var adaptīvi kontrolēt meklēšanas virzienu, lai paātrinātu algoritma konverģenci, pierādot, ka piedāvātā metode ir piemērotāka praktiskiem scenārijiem. Turklāt nGA ir līdzvērtīga TE-nGA noņemšanas ansambļa darbībai, tāpēc lasītājs var saprast, ka TE-nGA darbojas tikai vienas joslas (joslas1) attēlā. 3. apgabalā, ieviešot ansambļa ietvarus, klasifikācijas precizitāte tiek vēl vairāk uzlabota par 0,72%, parādot ansambļa stratēģijas efektivitāti.

D. Parametru analīze

Viens no piedāvātās metodes pamatprincipiem ir telpiskās apkārtnes informācija uzskatīt par heiristisku informāciju, lai adaptīvi modificētu mērķa funkciju un mutāciju iespējamību, tādējādi uzlabojot trokšņa imunitāti un klasifikācijas precizitāti, kā arī konverģences ātrumu. Tomēr tas nenozīmē, ka jo lielāks ir loga izmērs, jo labāks ir klasifikācijas efekts. Saistībā ar II tabulu palielināta veiktspēja tiek novērota, ņemot vērā telpisko apkārtnes informāciju, palielinot loga izmēru līdz atbilstošam slieksnim un pēc tam samazinot. Viss ir tāpēc, ka paraugi, kas atrodas tālāk no centrālā pikseļa, maz veicina centrālā pikseļa iedalījumu kategorijās un pat pasliktina nepareizo klasifikāciju. Tā kā objekti atrodas dažādās ģeogrāfiskās vietās, kā arī atšķiras spilgtums un faktūra, šķiet, ka optimālais loga izmērs ir 5 × 5 1. un 2. apgabalam, bet 3 × 3 apgabalam 3. Šo rezultātu var novērot treknrakstā II tabulā, kas atspoguļo vislabāko precizitāti un ātrāko konverģences laiku. Turklāt mēs esam noskaidrojuši, ka bāzes mutācijas varbūtībaP0 un eksponents σ arī ir būtiski faktori, kas ietekmē klasifikācijas veiktspēju. Mūsu pētījumā dažādi P0 un σ tiek izmantoti, lai pārbaudītu LULC interpretāciju un klasifikāciju. 6. attēlā parādītas OA variācijas līknes, palielinoties P{{10}} un σ. Izrādījās, ka ar fiksētu σ, palielinoties P0, vispārējā klasifikācijas precizitāte vispirms palielinās un pēc tam samazinās. Šis rezultāts ir sagaidāms, jo neliels P0 izraisīs meklēšanu tikai sākotnējā evolūcijas virzienā un tādējādi nonāks lokālā optimālā; otrādi, liels P0 izjauks labo evolūcijas modeli un novirzīs rezultātus no optimālā risinājuma. No otras puses, palielinoties σ, apkārtnes informācijas ietekme ir nozīmīgāka, un labākā pamata varbūtības vērtība pakāpeniski mainās no augstas uz zemu. Piemēroti apkaimes svari ir labvēlīgāki, lai iegūtu labākos klasifikācijas rezultātus. Mūsu pētniecības jomā labākais eksponents ir σ ∈ {2, 3}, un vispiemērotākais P0 diapazons ir [10-5, 10-2].

3. att. 1. apgabala klasifikācijas rezultāti. (a) Pamatpatiesība. b) FCM. c) ENFCM. d) FGFCM. e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. j) P-Kmeans. k) GA. l) nGA. m) TE-nGA.

I TABULA ASTOŅU DAŽĀDU KLASIFIKĀCIJAS METOŽU NOVĒRTĒŠANAS REZULTĀTI TRĪS STUDIJU JOMAS

4. att. 2. apgabala klasifikācijas rezultāti. (a) Pamatpatiesība. b) FCM. c) ENFCM. d) FGFCM. e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. j) P-Kmeans. k) GA. l) nGA. m) TE-nGA.

5. att. 3. apgabala klasifikācijas rezultāti. (a) Pamatpatiesība. b) FCM. c) ENFCM. d) FGFCM. e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. j) P-Kmeans. k) GA. i) nGA. m) TE-nGA.

II TABULA PIEDĀVĀTĀS TE-NGA NOVĒRTĒJUMA REZULTĀTI, IZMANTOJOT DAŽĀDA IZMĒRU LOGUS TRĪS STUDIJU JOMAS

6. att. Bāzes mutācijas varbūtības P0 un eksponenta σ analīze heiristiskās mutācijas varbūtībā.

IV. SECINĀJUMS

Galvenais šī pētījuma ieguldījums ir piedāvāt izcilu divpakāpju ansambļa stratēģiju un spektrāli telpisku GA daudzspektrālo attēlu LULC klasifikācijai. Pirmais ansambļa modelis veic FCM vairāku joslu attēliem, samazinot attālināti uztverto attēlu klasifikācijas uzdevumu līdz grūti sagrupējamu pikseļu kategorijas noteikšanai. Otrā ansambļa apstrāde ietver divus uzdevumus. Pirmkārt, tika izveidots uzlabotais GA, kas apvieno spektrālo un telpisko informāciju, lai piedāvātu novatoriskus risinājumus mīklām, piemēram, lēnai konverģencei un vājam prettrokšņa līmenim. Tieši šis uzlabojums gūst labumu no jaunajām fitnesa funkcijām un mutācijas varbūtības, izmantojot atbilstošu apkārtnes logu. Pēc tam tiek pieņemts ansambļa modelis, lai integrētu klasifikācijas rezultātus, kas iegūti no vairāku joslu attēliem, ko izmanto, lai samazinātu nepareizas klasifikācijas risku. Rezultāti pierāda, ka ierosinātajam TE-nGA ir labāka klasifikācijas veiktspēja un ātrāka konverģence nekā vienkāršajai GA. Nākotnē mēs plānojam paplašināt piedāvātās tehnikas piemērošanu citās jomās, piemēram, kultūraugu klasifikācijā, mērķa noteikšanā un hiperspektrālo attēlu klasifikācijā.

Cistanche tubulosa priekšrocības- stiprināt imūnsistēmu

ATSAUCES

[1] T. Hermosilla, MA Wulder, JC White un NC Coops, "Zemes seguma klasifikācija lielu un atvērtu datu laikmetā: lokalizētas ieviešanas un apmācības datu atlases optimizēšana, lai uzlabotu kartēšanas rezultātus", Remote Sens. Environ., vol. . 268, 2022, Art. Nē. 112780.

[2] P. Helbers, B. Biške, A. Dengels un D. Borts, "EuroSAT: jauna datu kopa un dziļas mācīšanās kritērijs zemes izmantošanai un zemes seguma klasifikācijai", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 12, Nr. 7, 2217.–2226. lpp., 2019. gada jūlijs.

[3] C. Li, G. Xian, Q. Zhou un BW Pengra, "Jauna automātiskās fenoloģijas mācīšanās (APL) metode apmācības paraugu atlasei, izmantojot vairākas datu kopas laika rindu zemes seguma kartēšanai", Remote Sens. Environ. , sēj. 266, 2021, Art. Nē. 112670.

[4] S. Ji, D. Wang un M. Luo, "Ģeneratīvā pretrunīgā tīkla pilna kosmosa domēna adaptācija zemes seguma klasifikācijai no vairāku avotu attālās uzrādes attēliem", IEEE Trans. Geosci. Remote Sens., sēj. 59, Nr. 5, 3816.–3828. lpp., 2021. gada maijs.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang un M. Xing, "Jauna daudzspektru un SAR attēlu saplūšanas metode zemes seguma klasifikācijai", Remote Sens. , sēj. 12, Nr. 22, 2020, Art. Nē. 3801.

[6] B. Ikbals un M. Ali, "Telpiskās un laika gaisa temperatūras novērtējums no satelīta lst zem daļēji sausas līdz sausai videi Pešavaras baseinā, Pakistānas ziemeļrietumos", Adv. Space Res., sēj. 70, Nr. 4, 961.–975. lpp., 2022. gads.

[7] H.-c. Shih, DA Stow, JR Weeks un LL Coulter, "Zemes seguma un zemes izmantošanas izmaiņu veida un sākuma laika noteikšana Ganas dienvidu daļā, pamatojoties uz blīvu Landsat attēlu laika rindu diskrētu analīzi", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 9, Nr. 5, 2064.–2073. lpp., 2016. gada maijs.

[8] A. Jamil un B. Bayram, "Koku sugu ieguve un zemes izmantošana/apseguma klasifikācija no augstas izšķirtspējas digitālajām ortofoto kartēm", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 11, Nr. 1, 89.–94. lpp., 2018. gada janvāris.

[9] Z. Xue, P. Du un L. Feng, "Fenoloģijas virzīta zemes seguma klasifikācija un tendenču analīze, pamatojoties uz ilgtermiņa attālās uzrādes attēlu sērijām", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 7, Nr. 4, 1142.–1156. lpp., 2014. gada apr.

[10] Q. Zhu et al., "Zemes lietojuma/zemes seguma izmaiņu noteikšana, pamatojoties uz Siāmas globālo mācību sistēmu augstas telpiskās izšķirtspējas attālās uzrādes attēliem", ISPRS J. Photogrammetry Remote Sens., sēj. 184, 63.–78. lpp., 2022. gads.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan un W. Liao, "New margin-based subsampling iterative method in modified random forests for classification", Knowl.-Based Syst., vol. 182, 2019, Art. Nē. 104845.

[12] W. Feng et al., "Dynamic synthetic minority over-sampling method based rotation forest for the classification of inbalanced hyperspectral data", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 12, Nr. 7, 2159.–2169. lpp., 2019. gada jūl.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri un XX Zhu, "Liela mēroga ēkas augstuma izgūšana no atsevišķiem SAR attēliem, pamatojoties uz robežlodziņu regresijas tīkliem", ISPRS J. Photogrammetry Remote Sens., sēj. 184, 79.–95. lpp., 2022. gads.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui un F. Pu, "Dynamic fractal texture analysis for PolSAR land cover classification", IEEE Trans. Geosci. Remote Sens., sēj. 57, Nr. 8, 5991.–6002. lpp., 2019. gada augusts

[15] S. Saha, F. Bovolo un L. Bruzzone, "Building change detection in VHR SAR images with unsupervised deep transcoding", IEEE Trans. Geosci. Remote Sens., sēj. 59, Nr. 3, 1917.–1929. lpp., 2021. gada marts.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam un MA Hossain, "Smadzeņu audzēja noteikšana MR attēlā, izmantojot superpikseļus, galveno komponentu analīzi un uz veidni balstītu k-mean klasterizācijas algoritmu", Mach. Uzziniet. Appl., vol. 5, 2021, Art. Nē. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang un J. Zhu, "Uzlabots ISODATA algoritms hiperspektrālo attēlu klasifikācijai", Proc. 7. Int. Congr. Image Signal Process., 2014, 660.–664. lpp.

[18] S. Ghaffarian un S. Ghaffarian, "Automatic histogram-based fuzzy cmeans clustering for remote sensing imagesry", ISPRS J. Photogrammetry Remote Sens., sēj. 97, 2014. gada 46.–57. lpp.

[19] TH Dang, DS Mai un LT Ngo, "Vairāku kodolu sadarbības izplūdušās klasterizācijas algoritms ar svērtiem superpikseļiem satelītattēlu zemes seguma klasifikācijai", Eng. Appl. Artif. Intell., sēj. 85, 85.–98. lpp., 2019. gads.

[20] E. Paradis, "Neuzraudzīta varbūtības klasifikācija spektrālās attēlveidošanas datu liela mēroga analīzei", Int. J. Appl. Zemes novērošanas ģeoinformācija, sēj. 107, 2022, Art. Nē. 102675.

[21] X. Hu, X. Wang, Y. Zhong un L. Zhang, "S3aNet: Spektra-telpiskā mēroga uzmanības tīkls pilnīgai precīzai kultūraugu klasifikācijai, pamatojoties uz UAVborne H2 attēliem", ISPRS J. Photogrammetry Remote Sens., sēj. 183, 147.–163. lpp., 2022. gads.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi un H. Adam, "Mr brain image segmentation using an enhanced fuzzy c-means algorithm" Proc. 25. Annu. Int. Konf. IEEE Eng. Med. Biol. Soc., 2003, sēj. 1, 724.–726.lpp.

[23] W. Cai, S. Chen un D. Zhang, "Ātri un stabili izplūdušu c-means klasterizācijas algoritmi, kas ietver vietējo informāciju attēlu segmentēšanai", Pattern Recognit., sēj. 40, Nr. 3, 825.–838. lpp., 2007. gads.

[24] Y. Zhang, X. Bai, R. Fan un Z. Wang, "Deviation-sparse fuzzy c-means with next information constraint", IEEE Trans. Fuzzy Syst., sēj. 27, Nr. 1, 185.–199. lpp., 2019. gada janvāris.

[25] S. Krinidis un V. Chatzis, "A robusts fuzzy local information C-means klasterizācijas algoritms", IEEE Trans. Attēlu process., sēj. 19, Nr. 5, 1328.–1337. lpp., 2010. gada maijs.

[26] H. Džans, K. Vans, V. Ši un M. Hao, "Jauna adaptīva izplūdusi lokālā informācija C — klasterizācijas algoritms attālināti uztvertu attēlu klasifikācijai", IEEE Trans. Geosci. Remote Sens., sēj. 55, Nr. 9, 5057.–5068. lpp., 2017. gada septembris.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng un AK Nandi, "Ievērojami ātrs un robusts izplūdušo C-means klasterizācijas algoritms, kas balstīts uz morfoloģisko rekonstrukciju un dalības filtrēšanu", IEEE Trans. Fuzzy Syst., sēj. 26, Nr. 5, 3027.–3041. lpp., 2018. gada okt.

[28] Q. Wang, X. Wang, C. Fang un W. Yang, "Robust fuzzy C-means klasterizācijas algoritms ar adaptīvu telpisko un intensitātes ierobežojumu un dalības saistīšanu trokšņa attēla segmentēšanai", Appl. Soft Comput., sēj. 92, 2020, Art. Nē. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun un Z. Luyan, "Remote sensing image classification by the chaos genetic algorithm in monitoring land use changes", Math. Aprēķināt. Model., sēj. 51, Nr. 11, 1408.–1416. lpp., 2010. gads.

[30] M. Iqbal, B. Xue, H. Al-Sahaf un M. Zhang, "Izgūto zināšanu starpdomēnu atkārtota izmantošana ģenētiskajā programmēšanā attēlu klasifikācijai", IEEE Trans. Evol. Comput., sēj. 21, Nr. 4, 569.–587. lpp., 2017. gada augusts.

[31] R. Hamad, "Attālās uzrādes un GIS balstīta analīze par pilsētu izplešanos Soranas apgabalā Irākas Kurdistānā", SN Appl. Sci., sēj. 2, nē. 1, 2019. gada 1.–9. lpp.

[32] H. Yang, Q. Du un G. Chen, "Uz daļiņu spieta optimizācijas balstīta hiperspektrālās dimensijas samazināšana pilsētas zemes seguma klasifikācijai", IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 5, nē. 2, 544.–554. lpp., 2012. gada apr.

[33] S. Sarkar, S. Das un SS Chaudhuri, "Hyper-spectral image segmentation using Rényi entropy based multi-level slieksnis, kas palīdzēja diferenciālai evolūcijai", Expert Syst. Appl., vol. 50, 2016. gada 120.–129. lpp.

[34] S. Sen Gupta, S. Hossain un K.-D. Kim, "HDR līdzīgs attēls no pseidoekspozīcijas attēla saplūšanas: ģenētiskā algoritma pieeja", IEEE Trans. Patērē. Elektrons., sēj. 67, Nr. 2, 119.–128. lpp., 2021. gada maijs.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang un Y. Li, "MGRFE: Daudzslāņu rekursīvās pazīmes eliminācija, pamatojoties uz iegulto ģenētisko algoritmu vēža klasifikācijai", IEEE/ACM Trans . Aprēķināt. Biol. Bioinf., sēj. 18, Nr. 2, 621.–632. lpp., marts/apr. 2021. gads.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang un GM Shi, "Ātrgaitas kanāla optimizācija signāla integritātei ar dziļu ģenētisku algoritmu", IEEE Trans. Elektromagn. Compat., sēj. 64, Nr. 4, 1270.–1274. lpp., 2022. gada augusts.

[37] Z. Huangs, W. Wu, H. Liu, W. Zhang un J. Hu, "Dinamisko izmaiņu identificēšana ūdens virsmā, izmantojot sardzes{1}} datus, kuru pamatā ir ģenētiskais algoritms un mašīnmācīšanās metodes", Remote Sens., sēj. 13, Nr. 18, 2021, Art. Nē. 3745.

[38] F. Ye, C. Doerr, H. Wang un T. Bäck, "Genētisko algoritmu automatizēta konfigurācija, pielāgojot veiktspēju jebkurā laikā", IEEE Trans. Evol. Comput., sēj. 26, Nr. 6, 1526.–1538. lpp., 2022. gada decembris.

[39] MG Souza, EE Vallejo un K. Estrada, "Klasteru neatkarīgu retu variantu asociāciju noteikšana, izmantojot ģenētiskos algoritmus", IEEE/ACM Trans. Aprēķināt. Biol. Bioinf., sēj. 18, Nr. 3, 932.–939. lpp., maijs/jūn. 2021. gads.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay un P. Chakrabarti, "Hyperspectral multi-level image thresholding using qutrit genetic algorithm", Expert Syst. Appl., vol. 181, 2021, Art. Nē. 115107.

[41] Y.-R. Čens, Dž. V. Čens, S.-C. Hsieh un P.-N. Ni, "Attālās uzrādes tehnoloģijas izmantošana zemes izmantošanas interpretācijai nokrišņu izraisītiem zemes nogruvumiem, pamatojoties uz ģenētiskiem algoritmiem un mākslīgiem neironu tīkliem," IEEE J. Sel. Tēmas Appl. Zemes novērošana. Remote Sens., sēj. 2, nē. 2, 87.–95. lpp., 2009. gada jūnijs.

[42] D. Corus un PS Oliveto, "Standarta līdzsvara stāvokļa ģenētiskie algoritmi var uzkāpt kalnā ātrāk nekā tikai mutāciju evolūcijas algoritmi," IEEE Trans. Evol. Comput., sēj. 22, Nr. 5, 720.–732. lpp., 2018. gada okt.

[43] TL Cerqueira, FC Bertoni un MG Pires, "Instances ģenētiskā atlase izplūdušu uz noteikumiem balstītu sistēmu optimizācijai viedokļu klasifikācijai", IEEE Latin Amer. Trans., sēj. 18, Nr. 7, 1215.–1221. lpp., 2020. gada jūlijs.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi un S. Silva, "Zemes seguma klasifikācijas uzlabošana, izmantojot ģenētisko programmēšanu objektu veidošanai", Remote Sens., sēj. 13, Nr. 9, 2021, Art. Nē. 1623. gads.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson un S. Nahavandi, "Multiobjective and interactive genetic algorithms for weight tuning of a model predictive control based motion cueing algorithm", IEEE Trans. Cybern., sēj. 49, Nr. 9, 3471.–3481. lpp., 2019. gada septembris.

[46] A. Khoder un F. Dornaika, "Ansambļa mācīšanās, izmantojot funkciju atlasi un vairākas pārveidotas apakškopas: pielietojums attēlu klasifikācijai", Appl. Mīksts. Comput., sēj. 113, 2021, Art. Nē. 108006.

[47] W. Feng, W. Huang un W. Bao, "Nelīdzsvarota hiperspektrālā attēla klasifikācija ar adaptīvā ansambļa metodi, kuras pamatā ir SMOTE un rotācijas mežs ar diferencētu paraugu ņemšanas ātrumu", IEEE Geosci. Remote Sens. Lett., sēj. 16, Nr. 12, 1879.–1883. lpp., 2019. gada decembris.

[48] ​​W. Feng et al., "Daļēji uzraudzīts rotācijas mežs, kas balstīts uz ansambļa robežas teoriju hiperspektrālā attēla klasifikācijai ar ierobežotiem apmācības datiem", Inf. Sci., sēj. 575, 611.–638. lpp., 2021. gads.

[49] Z. Zhu, Z. Wang, D. Li, Y. Zhu un W. Du, "Ģeometrisko strukturālo ansambļu mācīšanās nelīdzsvarotām problēmām", IEEE Trans. Cybern., sēj. 50, Nr. 4, 1617.–1629. lpp., 2020. gada apr.

[50] Q. Sun un Z. Ge, "Dziļa mācīšanās rūpniecisko KPI prognozēšanai: kad ansambļa mācīšanās satiekas ar daļēji uzraudzītiem datiem", IEEE Trans. Ind. Informat., sēj. 17, Nr. 1, 260.–269. lpp., 2021. gada janvāris.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov un PM Atkinson, "A self-training hierarchical prototype based ensemble framework for remote sensing scene classification", Inf. Fusion, sēj. 80, 179.–204. lpp., 2022. gads.

[52] B. Vans, L. Sja, D. Songs, Z. Li un N. Vans, "Uz divkārtu svara balsošanas stratēģiju balstīta ansambļa mācīšanās metode sarg{3}} attēlu klasifikācijai pēc jūras ledus, " Remote Sens., sēj. 13, Nr. 19, 2021, Art. Nē. 3945.

[53] K. Dabovs, A. Foi, V. Katkovņiks un K. Egiazarians, "Attēla trokšņa mazināšana ar retām 3-D transformācijas domēna sadarbības filtrēšanu", IEEE Trans. Attēlu process., sēj. 16, Nr. 8, 2080.–2095. lpp., 2007. gada augusts.