Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: technika wektorów podtrzymujących

Sortuj według:

Ogranicz wyniki do:

Volcanic ash cloud detection from MODIS image based on CPIWS method

Liu L., Li Ch., Lei Y., Yin J., Zhao J.

Acta Geophysica

2017

Vol. 65, no. 1

151--163

Volcanic ash cloud detection has been a difficult problem in moderate-resolution imaging spectroradiometer (MODIS) multispectral remote sensing application. Principal component analysis (PCA) and independent component analysis (ICA) are effective feature extraction methods based on second-order and higher order statistical analysis, and the support vector machine (SVM) can realize the nonlinear classification in low-dimensional space. Based on the characteristics of MODIS multispectral remote sensing image, via presenting a new volcanic ash cloud detection method, named combined PCA-ICA-weighted and SVM (CPIWS), the current study tested the real volcanic ash cloud detection cases, i.e., Sangeang Api volcanic ash cloud of 30 May 2014. Our experiments suggest that the overall accuracy and Kappa coefficient of the proposed CPIWS method reach 87.20 and 0.7958%, respectively, under certain conditions with the suitable weighted values; this has certain feasibility and practical significance.

Sieć liniowa SVM do wyznaczenia przemieszczeń pionowych

Mrówczyńska M.

Przegląd Geodezyjny

2014

R. 86, nr 3

14--17

W artykule przedstawiono podstawowe zasady budowania i uczenia sieci neuronowych, zwane techniką wektorów podtrzymujących (ang. Support Vector Machine - SVM), wraz z perspektywą aplikacji tego rodzaju sieci. Sieci SVM znajdują zastosowanie głównie w rozwiązywaniu zadań klasyfikacji danych liniowo separowalnych i liniowo nieseparowalnych oraz zadań regresji. W podjętej pracy sieci SVM wykorzystano do klasyfikacji danych separowalnych liniowo, w celu sformułowania modelu przemieszczeń punktów reprezentujących monitorowany obiekt. Zagadnienie uczenia sieci wymaga implementacji programowania kwadratowego w poszukiwaniu punktu optymalnego funkcji Lagrange’a względem optymalizowanych parametrów. Estymowane parametry decydują o położeniu hiperpłaszczyzny maksymalizującej margines separacji obu klas.

The article presents an approach for constructing and teaching networks called the SVM (Support Vector Machine) technique. The SVM network is used for classifying linearly separable and linearly inseparable data, and the problem of regression. In this paper the SVM technique is used for classifying linearly separable data in the form of vertical displacements of points in a measurement-control geodetic network set up on a building situated on expansive soil.