انجمن کامپیوتر ایران

در این مقاله یک روش جدید ترکیبی برای ادغام تصاویر چند طیفی سنجنده TM با دقت تفکیک مکانی۳۰متر را با تصویر تک رنگ سنجندهSPOTبا دقت تفکیک مکانی 10مترارائه شده است. در روشپیشنهادی با استفاده از یک فرایند پسخور کنترل شونده، مزایای تبدیلهای تحلیل مولفه اصلی (PCA) و تبدیل فیلتر بالا گذر (HPF)، تبدیل موجک(WT)، تبدیلگرام اشمیت(GST)و تبديل IHSحفظ و از معایب آنها اجتناب شده است. معمولاًدر فرایند ادغام، اطلاعات طیفی تصاویر چند طیفی مغشوش می شود و اطلاعات مکانی تصاویر تک رنگ مورد تخریب قرار می گیرند. حفظ هم زمان این اطلاعات (مکانی و طیفی) در تصویر حاصل از فرایند ادغام نشان دهنده توانایی یک فرایند در ادغام می باشد. در این روش با استفاده از یک پسخور مناسب کیفیت فرایند ادغام بهبود می یابد. برای ارزیابی بهبود کیفیت ادغام از معیار های توام همبستگی مکانی ومعیار همبستگی طیفی استفاده شده است.نتایج روشپیشنهادی در مقایسه با روشهای متداول بهبود یافته است.

در این مقاله الگوریتمی جدید جهت آموزش شبکه عصبي برپایه روش نیوتن ارائه شده است. الگوریتم پیشنهادی با وجوداینکه در دسته الگوریتم¬های آموزش نیوتنی قرار می گیرد ولی نیازی به محاسبه مستقیم معکوس ماتریس هسین ندارد که علاوه بر کاهش هزینه محاسباتی، روش مذکور در صورتی که ماتریس بدست آمده منفرد باشد کارآ است.از مزایای آن این است که بر خلاف الگوریتم¬های رایج در آموزش شبکه های عصبي پیشرو مانند الگوریتم انتشار رو به عقب که بسیار وابسته به مقادیر اولیه پارامترهای آموزشی خود می باشند وابسته به مقادیر اولیه پارامترهای خود نبوده و می توان الگوریتم را به صورتی تنظیم کرد که از یک شیوه خود تطبیقی جهت تنظیم پارامترهایش استفاده کند.از روش پیشنهادی برای تقریب تابع و مقایسه آن با الگوریتم انتشار رو به عقب و بعضی از انواع آنو الگوریتم لونبرگ مارکوارت استفاده شده است.

شبکهی عصبی تابع پایهی شعاعی (RBF) به دلیل سادگی تخمین پارامتر‌های شبکه و ویژگی تعمیم‌‌پذیری آن به طور گسترده در مسائل دسته‌بندی و درونیابی به کار گرفته می‌شود. در این مقاله استفاده از الگوریتم بهینه‌سازی گروه ذرّات (PSO) در آموزش سه مرحله‌ای شبکه‌ی تابع پایهی شعاعی ارائه شده است. در روش ارائه شده از روشی جدید بر مبنای الگوریتم بهینه‌سازی گروه ذرّات برای تعیین مراکز واحدهای لایه میانی شبکه، از روش نزدیکترین k همسایه (kNN) برای تعیین پهنای آنها و از تندترین کاهش بهینه(OSD) برای تعیین اوزان شبکه در کنار تعیین نرخ بهینهی یادگیری (OLR) در آموزش آن استفاده شده است. روش مذکور برای دسته‌بندی پنج مسأله‌ی نمونه از پایگاه دادهی پروبن1 به کار برده شد و نتایج حاصل با روش آموزش سه مرحله‌ای دیگری مقایسه شده است. نتایج بدست آمده دقت بالاتر و انحراف کمتری را در پاسخ‌ها نشان می‌دهند.