Kaheastmeline ansamblipõhine geneetiline algoritm maakatte klassifitseerimiseks

Abstraktne—Täpsed maakasutuse ja maakatte (LULC) kaardid on tõhusad vahendid usaldusväärse linnaplaneerimise ja täppispõllumajanduse saavutamiseks. Intelligentse optimeerimistehnoloogiana on geneetiline algoritm (GA) viimastel aastatel edukalt rakendatud erinevate kujutiste klassifitseerimise ülesannete jaoks. Lihtne GA seisab aga silmitsi väljakutsetega, nagu keeruline arvutamine, halb mürakindlus ja aeglane lähenemine. See uurimus pakub välja kaheastmelise ansambliprotokolli LULC klassifitseerimiseks, kasutades halltoonidel põhinevat ruumipõhist GA mudelit. Esimene ansambliraamistik kasutab hägusaid c-vahendeid, et klassifitseerida pikslid raskesti rühmitatavateks ja hõlpsasti rühmitatavateks, mis aitab vähendada evolutsioonilise arvutuse otsinguruumi. Teises ansambliraamistikus kasutatakse heuristilise teabena naabruskonna aknaid, et kohandada adaptiivselt GA objektiivset funktsiooni ja mutatsiooni tõenäosust, mis toob väärtuslikku kasu GA diskrimineerimisele ja otsustele. Selles uuringus kasutatakse pakutud meetodi tõhususe kinnitamiseks kolme uurimisvaldkonda Hiinas Dangyangis. Katsed näitavad, et pakutud meetod suudab tõhusalt säilitada pildi üksikasju, piirata müra ja saavutada kiire algoritmi lähenemine. Võrreldes võrdlusmeetoditega on pakutud algoritmi parim üldine täpsus 88,72%. Indeksi tingimused – geneetiline algoritm (GA), maakasutus ja maakate (LULC), naabruskonna aken, kaugseire kujutise klassifikatsioon, kaheastmeline ansambel.

cistanche tubulosa - parandab immuunsüsteemi

I. SISSEJUHATUS

L AND kasutamine ja maakate (LULC) mängib olulist rolli erinevates aspektides, sealhulgas ökosüsteemis ja linnaplaneerimises, käsikiri saabus 18. aprillil 2022; muudetud 2. septembril 2022; vastu võetud 16. november 2022. Avaldamise kuupäev 30. november 2022; praeguse versiooni kuupäev 15. detsember 2022. Seda tööd toetas osaliselt Hiina Riiklik Loodusteaduste Fond 62201438, Grant 61772397 ja Grant 12005159 raames ning osaliselt Shaanxi metsanduse teaduse ja tehnoloogia innovatsiooni võti SXLK alusel. 13}}, osaliselt Shaanxi loodusteaduste põhiuuringute programmi raames Grant 2021JC-23 raames ja osaliselt Yulini teadus- ja tehnoloogiabüroo teadustehnoloogia ja arendusprojekti raames grandi CXY raames-2020-094. (Sellesse töösse panustasid võrdselt Yang Cao ja Wei Feng.) (Vastatavad autorid: Wei Feng; ja Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song ja Aifeng Ren töötavad kaugseire teaduse ja tehnoloogia osakonnas , Electronic Engineering School, Xidian University, Xi'an 710071, Hiina (e-post: 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 töötab Põhja-Minzu ülikooli arvutiteaduste ja -tehnika koolis, Yinchuan 750021, Hiina (e-post: baowenxing@nun.edu.cn). Gabriel Dauphin töötab teabetöötluse ja edastamise laboris, Institut Galilée, Paris XIII ülikool, 93430 Villetaneuse, Prantsusmaa (e-post: gabriel.dauphin@univ-paris13.fr). Mengdao Xing töötab Advanced Interdistsiplinaarsete Teadusuuringute Akadeemias, Xidian University, Xi'an 710071, Hiina (e-post: xmd@xidian.edu.cn). Digitaalse objekti identifikaator 10.1109/JSTARS.2022.3225665 ja sotsiaalmajandus, millel on suur tähtsus Maa süsteemis [1], [2], [3], [4]. Väliuuringud, mis põhinevad käsitsi tõlgendamisel, on aega- ja töömahukad meetodid, mis ei suuda maakasutuse staatust ajaliselt klassifitseerida [5], [6], [7]. Vastupidi, hiljutised edusammud satelliiditehnoloogias pakuvad suurepärast potentsiaali erinevate maaomaduste täpseks eristamiseks ja suure piirkonna LULC-kaartide kiireks koostamiseks [8], [9], [10]. Kaugseire kujutise klassifikatsioon jaguneb laias laastus järelevalvega ja järelevalveta lähenemisviisideks [11], [12], [13], [14]. Järelevalve all olevate klassifikaatorite parem jõudlus sõltub suuresti kallihinnalistest märgistatud andmetest, mida on raske hankida [15]. Järelevalveta klassifikaatorid saavad andmete jaotuse, jagades pildi sarnaste omadustega pikslirühmadeks, nagu K-keskmised [16], ISODATA [17] ja fuzzy c-means (FCM) [18], mida on edukalt kasutatud LULC klassifikatsiooni domeen. Näiteks Dang et al. [19] pakkus välja mitme tuuma koostööl põhineva FCM-i rühmitamise kaalutud superpikslite granuleerimise tehnikaga, mis võib vähendada maakatte klassifitseerimisel käsitletavaid objekte suurelt pikslite arvult vaid mõnesaja superpikslini. Paradis leevendas standardse k-keskmiste algoritmi homogeense dispersiooni eeldust ja esitas uudse maakatte klassifitseerimise meetodi, mida nimetatakse tõenäosuslikeks k-keskmisteks (P-Kmeans) [20]. See meetod toimib hästi müra multispektraalsete andmete puhul ja parandab oluliselt üldine täpsus (OA) võrreldes lihtsa k-keskmisega. Kahjuks arvestavad nende klassifikaatorite ennustused ainult spektriomadusi ja ignoreerivad nende ruumilist korrelatsiooni, mis viib halva robustsuseni. On leitud, et ruumiliste ja spektraalsete tunnuste ühine esitus parandab algoritmi mürakindlust ja vähendab klassifitseerimisvigu paljudes olemasolevates klassifikatsioonimudelites [21], eriti hägusate klastrite algoritmides [22], [23], [24]. FLICM [25] kasutab häguse ruumi ja halltoonide sarnasuse mõõtmisi, et parandada kujutise detailide säilimist, tagades samal ajal müratundlikkuse. Zhang et al. [26] täiustas tavapärast FCM-i algoritmi, kasutades naaberpiksliefektide adaptiivseid kaalutegureid, mis põhinevad uudsel pikslite ruumilise külgetõmbe mudelil. Lei et al. [27] pakkus välja lihtsama ja oluliselt kiirema FRFCM-i, võttes kasutusele morfoloogilise rekonstrueerimise operatsiooni ja kohaliku liikmelisuse filtreerimise. Wang et al. [28] esitles FCM_SICM-i koos adaptiivse ruumilise intensiivsuse piirangu ja liikmelisuse linkimisega, vähendades eesmärgifunktsiooni ajalist keerukust O(n4-st). Täiustatud FCM-algoritmid kujutavad endast siiski väljakutseid mürahäirete vähendamise osas.

Cistanche tubulosa eelised- tugevdada immuunsüsteemi

On näidatud, et maa klassifitseerimise probleemi saab jaotada mitmeks binaarseks klassifitseerimisülesandeks [29]. Seetõttu peetakse optimaalse klassifikatsiooni leidmist kombinatoorse optimeerimise probleemiks. Viimase kümnendi jooksul on evolutsiooniarvutustel põhineva maakasutuse klassifitseerimise uurimisel toimunud märkimisväärne läbimurre [30], [31]. Näiteks Yang et al. esitas osakeste sülemi optimeerimisel (PSO) põhineva tehnika ja kavandas kriteeriumifunktsiooni maakatte tuvastamiseks [32]. Sarkar et al. [33] kasutas maksimaalset Rènyi entroopiat (MRE), et töötada välja lähenemisviis maakatte järelevalveta klassifitseerimiseks, mis põhineb diferentsiaalevolutsioonil (DE), mis toimib hästi kahe laialdaselt kasutatava hüperspektraalse kujutise andmete puhul. Geneetilised algoritmid (GA), tõhusad globaalsed optimeerimisalgoritmid, imiteerivad bioloogilisi geneetilisi mehhanisme loodusliku valiku protsessis globaalselt optimaalse lahenduse leidmiseks [34], [35], [36], [37]. Standardne GA nõuab binaarset kodeerimisoperatsiooni kandidaatlahenduse esitamiseks stringi kujul [38], [39], [40]. Igas iteratsioonis valib crossover operaator juhuslikult kaks kandidaatlahendust (st vanemad) ja vahetab osa nende teabest, et luua uusi lahendusi (st järglasi), mis suurendab populatsiooni uurimisvõimet [41]. Nagu looduses esinev geenimutatsioon, rakendatakse GA-le mutatsioonioperaatorit, et muuta osa teabest järglaste lahendustes ja parandada kohalikku otsitavust [42]. Valikuoperaator valib kandidaatlahendused iga populatsiooniliikme sobivuse põhjal – reserveerib paremad järglased ja kõrvaldab halvad järglased. See mehhanism suurendab omakorda tasakaalu ekspluateerimise ja uurimise vahel [43]. Eespool nimetatud geneetilised operaatorid ühendavad need isikud uue põlvkonna kandidaatlahendusrühmade saamiseks ja protsessi korratakse, kuni mõni konvergentsiindeks on täidetud. GA omandab ja kogub otsingu käigus teadmisi otsingusuuna kohta ning seega juhib automaatselt otsingusuunda, et genereerida optimaalne lahendus [44], mida on edukalt rakendatud kaugseire kujutiste klassifitseerimisel ja mis on saavutanud häid tulemusi. Viimastel aastatel on ilmunud palju täiustatud GA-sid [45]. Siiski on veel lahendamata probleeme. 1) Ulatuslikud arvutused. GA lähenemine halveneb, kui andmestik suureneb. 2) Lihtsa GA-ga, mis keskendub spektriomadustele, nõrk müravastane jõudlus on tavaliselt pildi müra suhtes tundlik. 3) Enneaegne lähenemine. GA-l on uue ruumi jaoks piiratud otsinguvõimalused ja see võib langeda kohalikule optimumile. Kuna kaugseire andmeid iseloomustab heterogeensus, keskendume ansambliklassifikaatoritele, mis rõhutavad erinevate klassifitseerimistunnuste komplementaarsust [46], [47], [48]. Ansamblistrateegia kriitiline idee on erinevate klassifitseerimisreeglite prognooside segamine ja kombineerimine [49], [50]. Uuringus [51] on pakutud välja väga täpne ansambli klassifikatsioonimudel, mis pakub mitut sõltumatut klassifikatsioonikaarti erinevate tunnuste deskriptorite järgi. [52] uuring näitab, et kaheastmelisest hääletusmehhanismist koosnev ansambliraamistik võib summutada algsete pildiandmete müra ja täpsustada teatud määral merejää klassifikatsiooni.

cistanche toidulisandi eelised - suurendavad immuunsust

Cistanche Enhance Immunity toodete vaatamiseks klõpsake siin

【Küsi lisa】 E-post:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Selles artiklis pakutakse multispektraalsete kujutiste maakatte klassifitseerimiseks välja kaheastmeline ansamblistrateegial põhinev täiustatud GA mudel (TE-nGA). GA puuduste puhul on meie lahenduseks kasutada ansamblistrateegiat ja ruumilisi aknaid klassikalise GA peal, et parandada müravastast jõudlust, klassifitseerimise täpsust ja lähenemiskiirust. Selle artikli peamised panused on järgmised. 1) FCM-i algoritmi kasutatakse pikslite klassifitseerimiseks raskesti rühmitatavateks ja hõlpsasti rühmitatavateks, mis vähendab arvutuslikku keerukust. 2) Pakutakse välja halltoonidel ruumipõhine GA, võttes heuristiliste parameetrite koostamisel arvesse ruumilise naabruskonna akent, et vältida enneaegset lähenemist ja müratundlikkust. 3) Lahenduse ebastabiilsuse ja klassifitseerimisvigade vähendamiseks kasutatakse uudset kaheastmelist mitmeribalise klassifitseerimismehhanismiga ansambliraamistikku.

II. KAVANDATUD KLASSIFITSEERIMISMEETOD

Pakutud algoritmi vooskeemi on näidatud joonisel 1. Algoritm koosneb peamiselt järgmisest kolmest etapist: pildi müra vähendamine, pikslite raskesti rühmitatavate pikslite leidmine hääletusstrateegia abil ja ümberklassifitseerimine täiustatud GA-ga, mis põhineb ansamblimudelil ja spektraal-ruumilisel sulandumine. Pange tähele, et teine ​​ja kolmas samm on pakutud algoritmi kriitilised osad. Pakutud meetod on visandatud algoritmis 1.

A. Pildi müra vähendamine

Et vältida pildianduri müra tekitatud artefakte, mis mõjutavad stseeni kvaliteeti, koosneb algoritm esmalt plokkide sobitamise ja 3-D-filtreerimise rakendamisest, mis on olemasolev populaarne ja tõhus müra vähendamise algoritm [53]. Selle filtreerimise omadused valitakse selle üldise teabe põhjal, see on kompromiss alaldatud kujutise järelejäänud müra vähendamise ja erinevatesse klastritesse kuuluvate naaberpikslite intensiivsuse muutuste säilitamise vahel. On tõestatud, et see algoritm ületab pildikvaliteedi parandamisel teisi filtreerimisalgoritme.

B. Esimene ansamblietapp – pikslite leidmine, mida on keeruline rühmitada

Joonise 1 vasakpoolne plokkskeem näitab D-lainepikkustega multispektraalset kujutist, millest saab eraldada D-spetsiifilisi kujutisi suurusega H × W, mida tähistatakse kui I1, I2,..., ID. Esimene samm jagage pikslid nende vahel, mida on raske rühmitada, ja pikslid, mida on lihtne rühmitada, nii et vähemalt ühe spektraalse kujutise puhul on nende kuulumine väga tõenäoline. Seetõttu rakendatakse FCM-ide rühmitamist igale spektraalsele kujutisele eraldi, et klassifitseerida pikslid N kategooriasse, kus N on eelnevalt visuaalse tõlgenduse abil määratud. See loob iga piksli, iga lainepikkuse ja iga klastri liikmelisuse.

Joonis 1. Pakutud meetodil põhinev LULC klassifikatsiooni vooskeem.

kus Id(i, j) on piksli (i, j) intensiivsus d-ndal lainepikkusel, ja d (i, j) on piksli (i, j) n-nda klastri kuulumine d-ndal lainepikkusel, 1 Väiksem või võrdne d Väiksem või võrdne D, 1 Väiksem või võrdne n Väiksem või võrdne N. D-nda lainepikkuse puhul on iga piksel tähistatud kategooriamärgisega cd(i, j), nagu

liikmelisuse põhjal klassifitseeritakse pikslid kergesti rühmitatavateks Ke ja raskesti klastritavateks Kd. Kasutatav lävi τ on parameeter, mis tagab, et piksel (i, j) ∈ Ke, mida peetakse hõlpsaks klastriks, on asjaomase klastri keskusega kõrgel tasemel. (N + 1)-s klaster sisaldab piksleid, mida peetakse raskesti rühmitatavaks ja mida tähistatakse Kd. Hääletuspõhised lähenemisviisid võivad lahendada konflikte erinevate otsuste vahel, mis on põhjustatud mitmest liigitusreeglist. Vastavalt sellele integreeritakse FCM-i saadud iga lainepikkuse klassifitseerimistulemused enamushääletuse põhimõttel ansambli klassifikatsioonikaardile C. C-s olev pikslimärgis kaardistatakse uuesti filtreeritud multispektraalse kujutise vastavasse asukohta ja saadakse lõplikud ümberliigituskaardid, mida tähistatakse kui I1, I2, . . ., ID, nagu joonise 1 keskel näidatud kaader. Pärast FCM-i algoritmi rakendamist pikslite ümberklassifitseerimiseks kergesti ja raskesti rühmitatavateks, muudetakse kogu algse kujutise analüüsimise küsimus seega ümber pildi klassifikatsiooniks. rasked pikslid.

C. Teine ansamblilava— ParanenudGA võttes arvesse naaberpiksleid

Vooskeemist paremal on kaader pealkirjaga "The Second Round Ensemble" kujutatud kahte ülesannet: spektraalruumi liitteguril põhinev GA klassifikatsioon ja mitmeribalise klassifitseerimise otsustusansambel. Kuna LULC klassifikatsiooniprobleem on jaotatud mitmeks binaarseks klassifitseerimisülesandeks, peaksime käsitlema iga lainepikkuse seeria alamprobleeme: kas piksel (i, j) ∈ Kd kuulub x-ndasse kategooriasse. 1 Väiksem või võrdne x Väiksem või võrdne N. Lõpuks kombineeritakse kõigi N binaarse klassifikatsioonikaardi otsustustulemused, et saada klassifikatsioonikaart, mis sisaldab N maakatte tüüpi. Iga binaarse klassifikatsiooniprobleemi jaoks rakendatakse täiustatud spektraalruumipõhist GA-d pikslitele, mis on tähistatud kui (N + 1) klass, et optimeerida veelgi mitmetähenduslikke kategooriasilte, mida illustreerib joonise 1 katkendlik raam. selle täiustatud spektraalruumipõhise GA tõlgendus on järgmine. 1) Kahemõõtmeline binaarne kromosoomikodeering: kujutise ID jaoks saab N klassifitseerimisülesandest eraldada N binaarkaarti. Kahemõõtmelist binaarset kodeeringut kasutatakse arenenud indiviidide ruumiliste struktuuriliste omaduste säilitamiseks (üks indiviid esindab ühte potentsiaalset otsust). Kodeerimismaatriksi suurus on sama, mis lainepikkusega kujutisel, st H × W. Et hinnata, kas piksel (i, j) ∈ Kd kuulub x-ndasse kategooriasse, 1 Väiksem või võrdne x Väiksem või võrdne N, igal lainepikkusel kodeerime pikslid (i, j) ∈ Ke klassis x, mis on FCM-i poolt rühmitatud kui 1 ja mittekategooria x kui 0, kus evolutsiooni optimeerimise toimingut edasi ei teostata. Need punktid (i, j) ∈ Kd on juhuslikult kodeeritud kui 0 või 1. Kd-s rakendatud evolutsiooniline optimeerimine uurib kõiki võimalikke lahendusi. 2) Naabruskonna aknal põhinev sobivuse funktsioon: sobivuse funktsioon on populatsiooni isendite kvaliteedi hindamiseks kõige kriitilisem näitaja, mis on seotud isendite valiku ja geneetiliste operaatorite teostamisega. Kõrvuti asetsevad pikslid on halltoonide ja tekstuuri poolest tugevalt korrelatsioonis. Järelikult kasutatakse spektrite ja ruumi täiendavat teavet kombineeritud sobivusfunktsiooni väljatöötamiseks, mis annab uudse idee algoritmi mürakindluse parandamiseks. n-nda klastri moodustamise ülesande jaoks lainepikkusel d oletame, et populatsiooni isendite arv on P, CIp,n,d on indiviidide tee, 1 väiksem või võrdne p Väiksem või võrdne P, 1 väiksem või võrdne kuni n Väiksem või võrdne N, 1 Väiksem või võrdne d Väiksem või võrdne D-ga. CIp,n,d sobivuse funktsioon on sobivus=1 OF, OF arvutatakse valemiga (3)

kus r ∈ {{{0}}, 1}, Rr tähistab piksleid, mis on kodeeritud kui 0 või 1, ja nende koguste statistika on esitatud kui Nr. R-nda klastri keskpunkt vr arvutatakse kõigi Rr-i kuuluvate punktide pikslite keskmise järgi. I d(i, j) on piksli (i, j) intensiivsus d-ndal lainepikkusel pärast FCM-i klasterdamisalgoritmi rakendamist. Naabrusfunktsioonis Wr(i, j) eeldatakse, et naabruskonna aknad on ruudukujulised ja nende küljepikkus s on paaritu täisarvu. N (i, j, s) tähistab s × s naabruskonna akent indekseeritud asukohas (i, j). Nt(i, j, s) tähistab t-nda piksli intensiivsust naabruses N(i, j, s). R-ndasse klastrisse kuuluva N(i, j, s) t-nda piksli kuuluvusaste on tähistatud kui utr(i, j, s). lt(i, j, s) tähistab ruumilist kaugust t-nda naabruspiksli ja keskpunkti (i, j) vahel. L on ruumilise kauguse kaal keskpunkti ja selle lähipikslite vahel. 3) Mutatsioonioperaator, kasutades naabruskonnateavet: uusi põlvkondi genereeritakse iteratiivselt individuaalse valiku, ühtse ristumise ja geneetilise mutatsiooni kaudu, nagu on näidatud joonise 1 katkendlikul raamil. Enamik GA-sid kasutab globaalset mutatsiooni tõenäosust, et rakendada sildi modifikatsiooni juhuslikult. valitud pikslid sama tõenäosusega, mis aeglustab nähtamatult GA lähenemiskiirust. Kriitilise tehnilise operaatorina luuakse täiustatud heuristilise mutatsiooni tõenäosus koos naabruskonna teabega, et arvutada automaatselt iga geeni jaoks sobiv mutatsiooni tõenäosus. Järgmised valemid määratlevad selle uudse mutatsiooni tõenäosuse:

keskpiksli (i, j) jaoks tähistab uht(i, j, s) klastrikeskusesse vh kuuluva naabruspunkti Nt(i, j, s) kuuluvuse astet, h ∈ {{{0} }, 1}. Järelikult väljendatakse individuaalse CIp,n,d adaptiivse mutatsiooni tõenäosust Pm(i, j) valemiga 8, kus P0 on mutatsiooni põhitõenäosus, ka globaalne mutatsioonitõenäosus klassikalises GA-s; σ, S eksponent, tähistab naabruskonna teabe mõjukaalu keskpiksli mutatsiooni tõenäosusele. CIp,n,d(i,j) on teekonna indiviidi binaarne kodeering n-nda klastri moodustamise ülesande jaoks d-ndal lainepikkusel. lt(i, j, s) näitab ruumilist kaugust keskmise piksli (i, j) ja t-nda piksli vahel N(i, j, s). Nt(i, j, s) märgis on tähistatud kui Ct, kui u1t on suurem kui u0t, siis Ct=1; muul viisil, Ct=0. Arvestades erinevaid naabruskonna aknaid, kui s=3, saab arvutada, et S ∈ [0, 4+2√2]; kui s=5, S ∈ [0, 6+3√2+1.6 √5]. Eespool nimetatud mehhanismi kaudu saavad punktid (i, j) ∈ Kd adaptiivselt omandada sobivad mutatsioonitõenäosused, mis põhinevad naaberpikslite kategoorial. Kui hinnanguline silt CIp,n,d(i,j) ühtib enamiku ümbritsevate pikslite kategooriatega, on algse piirkondliku homogeensuse säilitamiseks vaja väikest mutatsiooni tõenäosust. Vastasel juhul suureneb mutatsiooni tõenäosus, nii et CIp,n,d(i,j) kaldub enamiku kategooriate järgi naabruses N(i,j,s). Eespool nimetatud geneetiliste operaatorite poolt genereeritakse iteratiivselt uusi järglasi. Kõrgeima sobivusega isik väljastatakse, kui iteratsioonitingimus ei ole täidetud, nagu on näidatud algoritmi 1 sammudes 10–16. Pange tähele selle pakutud meetodi ebatavalist klassifitseerimisreeglit LULC klassifikatsiooni osas. Kavandatud spektraalruumipõhine GA teostab igal lainepikkusel pildil ainult binaarset klassifikatsiooni. Seega, kui kõiki N maakasutustüüpi on eristatud ja N binaarset pilti, liidetakse klassifitseerimise tulemused täielikuks klassifikatsioonikaardiks. Lihtsamalt öeldes kuulub piksel(i, j) kategooriasse, mis märgib selle binaarsel klassifikatsioonikaardil 1-ks. Kui kaks või enam binaarkaarti märgivad piksli väärtusega 1, klassifitseeritakse piksel suurema sobivusväärtusega piksliks, nagu on näidatud joonisel 2 ja algoritmi 1 sammus 19.

Algoritm 1: pakutud kaheastmelise ansamblimudeli protseduur.

Joonis 2. Nelja binaarse klassifikatsiooni tulemuste kaardi kombinatsioon.

Lõpuks rakendatakse D-klassifikatsioonikaartidele teist ansamblimudelit, mille eesmärk on liita kõigi lainepikkuste klassifikatsioonikaardid lõplikuks LULC-kaardiks. Ansambli reeglid on järgmised: oletame, et on olemas nk klassifikatsioonikaardid, mis klassifitseerivad piksli (i, j) k-ndaks klassiks ja lõpliku kategooria CI(i, j)=k, kui nk > nx, kus x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Pange tähele, et integratsiooniraamistikus eemaldame klassifikatsiooni alati valikuliselt tulemusi NIR-sagedusalas, sest selle klassifitseerimise tulemused on sageli uskumatud.

III. EKSPERIMENTAALSED TULEMUSED

A. Sissejuhatus andmetesse

Kavandatava algoritmi täpsuse ja tõhususe kontrollimiseks kasutatakse kolme Beijing 2 satelliidi kogutud kaugseirepiltide andmekogumit. Peking-2 on tsiviilotstarbeline kaugseiresatelliitide tähtkuju (DMC3), mis koosneb kolmest kõrge eraldusvõimega satelliidist. See käivitati 11. juulil, 2015. juulil Indiast ja tarniti 651 km pikkusele päikesesünkroonsele teele. Pekingi-2 tähtkuju süsteem pakub orbiidil ligikaudu 24 km laiust, 0,8 m eraldusvõimega pankromaatilist ja 3,2 m eraldusvõimega sinist, rohelist, punast ja lähiinfrapuna multispektraalkujutisi, mis võivad pakkuda kaugseire satelliidiandmeid ja ruumiteabe tooteid. globaalse katvuse ning suurepärase ruumilise ja ajalise eraldusvõimega, mis suudab ühe või kahe päeva jooksul uuesti külastada mis tahes asukohta maakeral. Katsepildid saadi aastal 2018. Katsekoht on Hiinas Hubei provintsis Dangyangi linnas kolm erinevat osa. Selles artiklis käsitletakse ainult multispektraalseid pilte. Teostasime nende pildiandmete atmosfäärikorrektsiooni ENVI (5.3) kaudu. Atmosfäärimudel on subarktiline talv ja aerosoolmudel on maapiirkondade mudel. Peale selle valisime aerosooli otsimise vahendiks 2-riba (KT). Ülejäänud parameetrid määrati vaikimisi. Kõik pildid on eeltöödeldud kaasregistreerimise teel. Lisaks on meile antud nelja või viie klassi kõigi piltide juba märgistatud klassifikatsioon. See põhineb põhjalikul visuaalsel kontrollil, mille käigus vaadeldakse algset pilti ja mis on salvestatud georefereeritud kaardile põhitõena.

cistanche tubulosa - parandab immuunsüsteemi

B. Parameetrite konfigureerimine

Selles katses on FCM-i lävi τ 0.8, populatsiooni suuruseks on seatud 40, ülemineku tõenäosuseks Pc=0.8, baasmutatsiooni tõenäosuseks P0=0.001 , eksponent σ on 2, naabruskonna akna suurus s on seatud 3 pikslile, mille eesmärk on säilitada pildi üksikasjad, optimeerides samal ajal arvuti töötlemise aega ja lähenemissuunda. Kavandatud meetodi tõhususe kontrollimiseks on vaja üheksat olemasolevat maakatte klassifitseerimise meetodit, sealhulgas FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{14} }SICM [28], MRE-DE [33] ja P-Kmeans [20]. Parameetri sätted on identsed originaalkirjandusega, siin ei korrata. Lisaks on lihtsal GA-l sama parameetri populatsiooni suurus H ja ülemineku tõenäosus Pc nagu selles artiklis pakutud algoritmil, mutatsiooni tõenäosus Pm=0.01, kuid ilma naabruskonna teabeta saab lugeja aru, et naabruskonna akna suurus on 1. Eelkõige säilitab nGA geneetilise operaatori, kasutades naabruskonnateavet, kuid kustutab TE-nGA-s olemasoleva ansamblioperatsiooni.

C. Klassifikatsiooni tulemused

joonised fig. Joonistel 3–5 on näidatud LULC klassifikatsiooni tulemused värvikaartidel, mis vastavad erinevatele mudelitele, kui neid testitakse iga andmekogumiga. Kuna kolm kaugseirepilti sisaldavad erinevat tüüpi maakasutust, ei ole klassifikatsioonitabeli värviline esitus ühtlane. Nende klassifitseerimistulemuste kohaselt on kolme joonise puhul pakutud meetodil saadud värvikaardid selgemad ja sujuvamad. Tabelis I on näidatud ajad (tööaeg) ja OA, mis on saavutatud 12 mudeliga ja kui testitud uurimisvaldkondades, et võrrelda klassifitseerimise toimivust erinevate meetoditega. Parimad katsetulemused on näidatud paksus kirjas. Võib järeldada, et pakutud meetod andis parimad üldised tulemused, kõrgeima OA-ga 88,72% ja suhteliselt vähe valesid piksleid. Piirkonna 3 puhul suurendatakse naabruskonna akende kasutamisel LULC klassifikatsiooni täpsust 28,35% võrra; Veelgi olulisem on see, et TE-nGA võib lihtsa GA-ga võrreldes vähendada arvutusaega 9257,56 sekundini. Seda seetõttu, et TE-nGA heuristilise mutatsiooni operaator saab algoritmi lähenemise kiirendamiseks adaptiivselt juhtida otsingusuunda, mis tõestab, et pakutud meetod sobib paremini praktiliste stsenaariumide jaoks. Lisaks on nGA samaväärne TE-nGA eemaldamise ansambli operatsiooniga, nii et lugeja saab aru, et TE-nGA töötab ainult ühe ribaga (band1) pildil. 3. piirkonna puhul, kui võetakse kasutusele ansambliraamistikud, paraneb klassifitseerimise täpsus veelgi 0,72%, mis näitab ansamblistrateegia tõhusust.

D. Parameetrite analüüs

Kavandatud meetodi üks põhiolemusi on käsitleda ruumilist naabrusinfot heuristilise teabena, et kohandada adaptiivselt sihtfunktsiooni ja mutatsiooni tõenäosust, parandades seeläbi mürakindlust ja klassifitseerimise täpsust, samuti lähenemiskiirust. See aga ei tähenda, et mida suurem on akna suurus, seda parem on klassifikatsiooniefekt. Seoses tabeliga II täheldatakse suuremat jõudlust ruumilise naabruskonna teabe arvestamisel, kui akna suurust suurendatakse sobiva läveni ja seejärel vähendatakse. Kõik on selleks, et keskmisest pikslist kaugemal olevad näidised aitavad vähe kaasa keskpiksli kategooriajaotusele ja isegi süvendavad vale klassifitseerimist. Erinevates geograafilistes asukohtades olevate objektide tõttu, mille heleduse ja tekstuuri erinevused on, näib, et optimaalne akna suurus on 1. ja 2. piirkonna jaoks 5 × 5, kuid 3. ala jaoks on 3 × 3. Seda tulemust võib näha paksus kirjas tabelis II, esindab parimat täpsust ja kiireimat lähenemisaega. Lisaks oleme leidnud, et baasmutatsiooni tõenäosus P0 ja eksponent σ on samuti olulised tegurid, mis mõjutavad klassifitseerimise toimivust. Meie uuringus kasutatakse LULC tõlgendamise ja klassifikatsiooni kontrollimiseks erinevaid P0 ja σ. Joonisel 6 on kujutatud OA variatsioonikõverad, kui P{{10}} ja σ suurenevad. Selgus, et fikseeritud σ korral, kui P0 suureneb, üldine klassifitseerimise täpsus esmalt suureneb ja seejärel väheneb. See tulemus on ootuspärane, kuna väike P0 piirab otsingut algse evolutsioonisuunaga ja langeb seega kohalikku optimumi; vastupidi, suur P0 rikub hea evolutsiooni mustri ja muudab tulemused optimaalsest lahendusest kõrvale. Teisest küljest, kui σ suureneb, on naabruskonna teabe mõju olulisem ja parim põhitõenäosuse väärtus muutub järk-järgult kõrgest madalaks. Sobivad naabruskonna kaalud soodustavad paremate klassifitseerimistulemuste saamist. Meie uurimisvaldkonnas on parim eksponent σ ∈ {2, 3} ja P0 kõige sobivam vahemik on [10−5, 10−2].

Joonis 3. Piirkonna 1 klassifikatsiooni tulemused. (a) Põhitõde. b) FCM. c) ENFCM. d) FGFCM. (e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. (j) P-Kkeskmised. k) GA. l) nGA. m) TE-nGA.

TABEL I KAHEKSA ERINEVA KLASSIFITSEERIMISMEETODI HINDAMISTULEMUSED KOLME ÕPPEVAHNAS

Joonis 4. 2. ala klassifikatsiooni tulemused. (a) Põhitõde. b) FCM. c) ENFCM. d) FGFCM. (e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. (j) P-Kkeskmised. k) GA. l) nGA. m) TE-nGA.

Joonis 5. 3. ala klassifikatsiooni tulemused. (a) Põhitõde. b) FCM. c) ENFCM. d) FGFCM. (e) FLICM. f) ADFLICM. g) FRFCM. (h) FCM_SICM. i) MRE-DE. (j) P-Kkeskmised. k) GA. i) nGA. m) TE-nGA.

TABEL II KAVANDATUD TE-NGA HINDAMISTULEMUSED ERINEV SUURUSEGA AKNADE KASUTAMISEGA KOLMES ÕPPUSVALDKONNAS

Joonis 6. Heuristilise mutatsiooni tõenäosuse baasmutatsiooni tõenäosuse P0 ja eksponendi σ analüüs.

IV. KOKKUVÕTE

Selle uuringu peamine panus on pakkuda välja parem kaheastmeline ansamblistrateegia ja spektri-ruumipõhine GA multispektraalsete kujutiste LULC klassifikatsiooni jaoks. Esimene ansamblimudel teostab mitmeribaliste kujutiste puhul FCM-i, vähendades kaugseirega kujutiste klassifitseerimise ülesannet raskesti rühmitatavate pikslite kategooria määramiseks. Teine ansambli töötlemine hõlmab kahte ülesannet. Esiteks loodi täiustatud GA, mis ühendab spektraalse ja ruumilise teabe, et pakkuda uudseid lahendusi mõistatustele, nagu aeglane lähenemine ja halb antimüra. Täpselt, see paranemine saab kasu uutest fitnessfunktsioonidest ja mutatsiooni tõenäosusest, kasutades sobivat naabrusakent. Seejärel võetakse kasutusele ansamblimudel, et integreerida mitme ribakujutise põhjal saadud klassifitseerimistulemused, mida kasutatakse valesti klassifitseerimise ohu vähendamiseks. Tulemused näitavad, et pakutud TE-nGA-l on eelistatavam klassifitseerimise jõudlus ja kiirem lähenemine kui lihtsal GA-l. Tulevikus loodame laiendada pakutud tehnika rakendamist teistele valdkondadele, nagu põllukultuuride klassifitseerimine, sihtmärkide tuvastamine ja hüperspektraalne kujutise klassifitseerimine.

Cistanche tubulosa eelised- tugevdada immuunsüsteemi

VIITED

[1] T. Hermosilla, MA Wulder, JC White ja NC Coops, "Maakatte klassifikatsioon suurte ja avatud andmete ajastul: lokaliseeritud juurutamise ja koolitusandmete valiku optimeerimine kaardistamise tulemuste parandamiseks", Remote Sens. Environ., vol. . 268, 2022, art. ei. 112780.

[2] P. Helber, B. Bischke, A. Dengel ja D. Borth, "EuroSAT: uudne andmestik ja sügav õppimise võrdlusalus maakasutuse ja maakatte klassifitseerimiseks", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 12, nr. 7, lk 2217–2226, juuli 2019.

[3] C. Li, G. Xian, Q. Zhou ja BW Pengra, "Uudne automaatse fenoloogia õppimise (APL) meetod valimi valimisel, kasutades mitut andmestikku maakatte aegridade kaardistamiseks", Remote Sens. Environ. , vol. 266, 2021, art. ei. 112670.

[4] S. Ji, D. Wang ja M. Luo, "Generative adversarial network-based full space domain adaptation for land cover classification from multi-source remote sensing images", IEEE Trans. Geosci. Remote Sens., vol. 59, nr. 5, lk 3816–3828, mai 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang ja M. Xing, "Uudne multispektraalsete ja SAR-piltide liitmismeetod maakatte klassifitseerimiseks", Remote Sens. , vol. 12, nr. 22, 2020, art. ei. 3801.

[6] B. Iqbal ja M. Ali, "Ajalise ruumilise õhutemperatuuri hinnang satelliidipõhisest poolkuivast ja kuivast keskkonnast Peshawari basseinis, Pakistani loodeosas", Adv. Space Res., vol. 70, nr. 4, lk 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks ja LL Coulter, "Maakatte ja maakasutuse muutuse tüübi ja algusaja määramine Lõuna-Ghanas, tuginedes tihedate Landsati kujutiste aegridade diskreetsele analüüsile", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 9, nr. 5, lk 2064–2073, mai 2016.

[8] A. Jamil ja B. Bayram, "Puuliikide kaevandamine ja maakasutus/katte klassifikatsioon kõrglahutusega digitaalsetest ortofotokaartidest", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 11, nr. 1, lk 89–94, jaanuar 2018.

[9] Z. Xue, P. Du ja L. Feng, "Fenoloogiapõhine maakatte klassifitseerimine ja suundumuste analüüs, mis põhineb pikaajalisel kaugseire pildiseerial", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 7, nr. 4, lk 1142–1156, aprill 2014.

[10] Q. Zhu et al., "Maakasutuse/maakatte muutuste tuvastamine Siiami globaalsel õpperaamistikul kõrge ruumilise eraldusvõimega kaugseirepiltide jaoks", ISPRS J. Photogrammetry Remote Sens., vol. 184, lk 63–78, 2022.

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

[12] W. Feng jt, "Dynamic synthetic minority over-sampling method based rotation forest for the classification of unbalanced hyperspectral data", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 12, nr. 7, lk 2159–2169, juuli 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri ja XX Zhu, "Suuremahuline hoone kõrguse otsimine üksikust SAR-i kujutisest, mis põhineb piirdekasti regressioonivõrkudel", ISPRS J. Photogrammetry Remote Sens., vol. 184, lk 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui ja F. Pu, "Dynamic fractal texture analysis for PolSAR land cover classification", IEEE Trans. Geosci. Remote Sens., vol. 57, nr. 8, lk 5991–6002, august 2019

[15] S. Saha, F. Bovolo ja L. Bruzzone, "Hoone muutuste tuvastamine VHR SAR-piltidel järelevalveta sügava transkodeerimise kaudu", IEEE Trans. Geosci. Remote Sens., vol. 59, nr. 3, lk 1917–1929, märts 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam ja MA Hossain, "Ajukasvaja tuvastamine MR-pildil superpikslite abil, põhikomponentide analüüs ja mallipõhine k-keskmiste klasterdamisalgoritm", Mach. Õppige. Appl., vol. 5, 2021, art. ei. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang ja J. Zhu, "An täiustatud ISODATA algoritm hüperspektraalsete kujutiste klassifitseerimiseks", Proc. 7. Int. Congr. Pildisignaali protsess., 2014, lk 660–664.

[18] S. Ghaffarian ja S. Ghaffarian, "Automaatne histogrammil põhinevate fuzzy cmeans clustering for remote sensing imagery", ISPRS J. Photogrammetry Remote Sens., vol. 97, lk 46–57, 2014.

[19] TH Dang, DS Mai ja LT Ngo, "Mitme tuuma koostööl põhinev fuzzy clustering algoritm kaalutud superpikslitega satelliidipiltide maakatte klassifitseerimiseks", Eng. Rakendus Artif. Intell., vol. 85, lk 85–98, 2019.

[20] E. Paradis, "Tõenäosuslik järelevalveta klassifikatsioon spektraalkujutise andmete laiaulatuslikuks analüüsiks", Int. J. Appl. Earth Observation Geoinformation, vol. 107, 2022, art. ei. 102675.

[21] X. Hu, X. Wang, Y. Zhong ja L. Zhang, "S3aNet: Spectral-spatial-scale tähelepanuvõrk otsast lõpuni täpseks põllukultuuride klassifitseerimiseks UAVborne H2 kujutiste põhjal", ISPRS J. Photogrammetry Remote Sens., vol. 183, lk 147–163, 2022.

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

[23] W. Cai, S. Chen ja D. Zhang, "Kiired ja robustsed fuzzy c-means klasterdamisalgoritmid, mis sisaldavad piltide segmenteerimiseks kohalikku teavet", Pattern Recognit., vol. 40, nr. 3, lk 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan ja Z. Wang, "Deviation-sparse fuzzy c-means with naabriteabe piirangud", IEEE Trans. Fuzzy Syst., vol. 27, nr. 1, lk 185–199, jaanuar 2019.

[25] S. Krinidis ja V. Chatzis, "Tõhus hägune kohalik teave C-tähenduste klasterdamisalgoritm", IEEE Trans. Image Process., vol. 19, nr. 5, lk 1328–1337, mai 2010.

[26] H. Zhang, Q. Wang, W. Shi ja M. Hao, "Uudne adaptiivne udune kohalik teave C - tähendab klasterdamisalgoritmi kaugseirega kujutiste klassifitseerimiseks", IEEE Trans. Geosci. Remote Sens., vol. 55, nr. 9, lk 5057–5068, september 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng ja AK Nandi, "Märkimisväärselt kiire ja robustne fuzzy C-means klasterdamisalgoritm, mis põhineb morfoloogilisel rekonstrueerimisel ja liikmelisuse filtreerimisel", IEEE Trans. Fuzzy Syst., vol. 26, nr. 5, lk 3027–3041, okt 2018.

[28] Q. Wang, X. Wang, C. Fang ja W. Yang, "Tugev fuzzy C-tähendab klasterdamisalgoritmi koos adaptiivse ruumilise ja intensiivsuse piiranguga ja liikmelisuse linkimisega mürakujutise segmenteerimiseks", Appl. Soft Comput., vol. 92, 2020, art. ei. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun ja Z. Luyan, "Remote sensing image classification by the chaos genetic algorithm in monitoring land use changes", Math. Arvuta. Model., vol. 51, nr. 11, lk 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf ja M. Zhang, "Domeenidevaheline korduskasutus ekstraheeritud teadmiste geneetilises programmeerimises kujutiste klassifitseerimiseks", IEEE Trans. Evol. Comput., vol. 21, nr. 4, lk 569–587, august 2017.

[31] R. Hamad, "Kaugseire ja GIS-põhine analüüs Urban Sprawl'i kohta Sorani rajoonis, Iraagi Kurdistanis", SN Appl. Sci., vol. 2, ei. 1, lk 1–9, 2019.

[32] H. Yang, Q. Du ja G. Chen, "Particle swarm optimeerimisel põhinev hüperspektraalsete mõõtmete vähendamine linnade maakatte klassifitseerimisel", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 5, ei. 2, lk 544–554, aprill 2012.

[33] S. Sarkar, S. Das ja SS Chaudhuri, "Hyper-spectral image segmentation using Rényi entroopia põhinev mitmetasandiline lävi, mis on abiks diferentsiaalsel evolutsioonil", Expert Syst. Appl., vol. 50, lk 120–129, 2016.

[34] S. Sen Gupta, S. Hossain ja K.-D. Kim, "HDR-laadne pilt pseudosärituse kujutise liitmisest: geneetilise algoritmi lähenemisviis", IEEE Trans. Tarbida. Electron., vol. 67, nr. 2, lk 119–128, mai 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang ja Y. Li, "MGRFE: Multilayer recursive feature elimination põhineb manustatud geneetilisel algoritmil vähi klassifitseerimiseks", IEEE/ACM Trans . Arvuta. Biol. Bioinf., vol. 18, nr. 2, lk 621–632, märts/apr. 2021. aasta.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang ja GM Shi, "Kiire kanali optimeerimine signaali terviklikkuse tagamiseks sügava geneetilise algoritmiga", IEEE Trans. elektromagnet. Compat., vol. 64, nr. 4, lk 1270–1274, august 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang ja J. Hu, "Veepinna dünaamiliste muutuste tuvastamine, kasutades geneetilisel algoritmil ja masinõppetehnikatel põhinevaid sentinel{1}} andmeid", Remote Sens., vol. 13, nr. 18, 2021, art. ei. 3745.

[38] F. Ye, C. Doerr, H. Wang ja T. Bäck, "Genetiliste algoritmide automatiseeritud konfigureerimine mistahes jõudluse jaoks häälestamise teel", IEEE Trans. Evol. Comput., vol. 26, nr. 6, lk 1526–1538, detsember 2022.

[39] MG Souza, EE Vallejo ja K. Estrada, "Kobarate sõltumatute haruldaste variantide ühenduste tuvastamine geneetiliste algoritmide abil", IEEE/ACM Trans. Arvuta. Biol. Bioinf., vol. 18, nr. 3, lk 932–939, mai/juuni. 2021. aasta.

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

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh ja P.-N. Ni, "Kaugseiretehnoloogia rakendamine maakasutuse tõlgendamisel sademete põhjustatud maalihkete jaoks geneetiliste algoritmide ja tehisnärvivõrkude põhjal", IEEE J. Sel. Teemad Rakendus. Maa vaatlus. Remote Sens., vol. 2, ei. 2, lk 87–95, juuni 2009.

[42] D. Corus ja PS Oliveto: "Standardsed püsiseisundi geneetilised algoritmid võivad mäkke tõusta kiiremini kui ainult mutatsioonipõhised evolutsioonialgoritmid," IEEE Trans. Evol. Comput., vol. 22, nr. 5, lk 720–732, okt 2018.

[43] TL Cerqueira, FC Bertoni ja MG Pires, "Esindi geneetiline valik hägusate reeglipõhiste süsteemide optimeerimiseks arvamuste klassifitseerimiseks", IEEE Latin Amer. Trans., vol. 18, nr. 7, lk 1215–1221, juuli 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi ja S. Silva, "Maakatte klassifitseerimise parandamine funktsioonide ehitamisel geneetilise programmeerimise abil", Remote Sens., vol. 13, nr. 9, 2021, art. ei. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson ja S. Nahavandi, "Multiobjektiivsed ja interaktiivsed geneetilised algoritmid mudeli ennustaval kontrollil põhineva liikumisjuhiste algoritmi kaalu häälestamiseks", IEEE Trans. Cybern., vol. 49, nr. 9, lk 3471–3481, september 2019.

[46] A. Khoder ja F. Dornaika, "Ansambelõpe funktsioonide valiku ja mitme teisendatud alamhulga kaudu: rakendamine kujutiste klassifitseerimisel", Appl. Pehme. Comput., vol. 113, 2021, art. ei. 108006.

[47] W. Feng, W. Huang ja W. Bao, "Ebabalanseeritud hüperspektraalne kujutise klassifitseerimine adaptiivse ansamblimeetodiga, mis põhineb SMOTE-l ja rotatsioonimetsal diferentseeritud diskreetimissagedusega", IEEE Geosci. Remote Sens. Lett., vol. 16, nr. 12, lk 1879–1883, detsember 2019.

[48] ​​W. Feng et al., "Pooljärelevalvega rotatsioonimets, mis põhineb ansambli marginaaliteoorial piiratud treeningandmetega hüperspektraalse kujutise klassifitseerimiseks", Inf. Sci., vol. 575, lk 611–638, 2021.

[49] Z. Zhu, Z. Wang, D. Li, Y. Zhu ja W. Du, "Geomeetrilise struktuurilise ansambli õppimine tasakaalustamata probleemide jaoks", IEEE Trans. Cybern., vol. 50, ei. 4, lk 1617–1629, aprill 2020.

[50] Q. Sun ja Z. Ge, "Sügav õppimine tööstusliku KPI ennustamiseks: kui ansambliõpe kohtub pooljärelevalvega andmetega", IEEE Trans. Ind. Informat., vol. 17, nr. 1, lk 260–269, jaanuar 2021.

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

[52] B. Wang, L. Xia, D. Song, Z. Li ja N. Wang, "Kahevoorulise kaalu hääletamise strateegial põhinev ansambliõppe meetod sentinell-1 kujutiste merejää klassifitseerimiseks, " Remote Sens., vol. 13, nr. 19, 2021, art. ei. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik ja K. Egiazarian, "Image denoising by sparse 3-D transform-domain collaborative filtering", IEEE Trans. Image Process., vol. 16, nr. 8, lk 2080–2095, august 2007.