Yon Algorithm Jenetik ki baze sou de-etap pou klasifikasyon kouvèti tè

Résumé— Kat egzak sou itilizasyon tè ak kouvèti tè (LULC) se zouti efikas pou ede reyalize bon planifikasyon iben ak agrikilti presizyon. Kòm yon teknoloji optimize entèlijan, algorithm jenetik (GA) te aplike avèk siksè nan divès kalite travay klasifikasyon imaj nan dènye ane yo. Sepandan, senp GA fè fas a defi, tankou kalkil konplèks, move iminite bri, ak dirèksyon dousman. Rechèch sa a pwopoze yon pwotokòl ansanbl de etap pou klasifikasyon LULC lè l sèvi avèk yon modèl GA ki baze sou echèl gri. Premye kad ansanbl la itilize flou c-meyi pou klasifye piksèl yo nan piksèl ki difisil pou gwoupe ak sa ki fasil pou gwoupe, sa ki ede diminye espas rechèch la pou kalkil evolisyonè. Dezyèm kad ansanbl la sèvi ak fenèt katye yo kòm enfòmasyon euristik pou adapteman modifye fonksyon objektif ak pwobabilite mitasyon GA a, ki pote benefis enpòtan nan diskriminasyon ak desizyon GA. Nan etid sa a, yo itilize twa domèn rechèch nan Dangyang, Lachin, pou valide efikasite metòd yo pwopoze a. Eksperyans yo montre ke metòd yo pwopoze a ka efektivman kenbe detay imaj yo, kenbe bri, ak reyalize rapid dirèksyon algorithm. Konpare ak metòd referans yo, pi bon presizyon an jeneral jwenn nan algorithm yo pwopoze a se 88.72%. Tèm endèks—Algorithm jenetik (GA), itilizasyon tè ak kouvèti tè (LULC), fenèt katye, klasifikasyon imaj deteksyon aleka, ansanbl de etap.

cistanche tubulosa-amelyore sistèm iminitè

I. ENTWODIKSYON

L AK itilizasyon ak kouvèti tè (LULC) jwe yon wòl esansyèl nan divès aspè, tankou ekosistèm, ak planifikasyon iben, Maniskri te resevwa 18 avril 2022; revize 2 septanm 2022; aksepte 16 Novanm 2022. Dat piblikasyon 30 Novanm 2022; dat vèsyon aktyèl 15 desanm 2022. Travay sa a te sipòte an pati pa National Natural Science Foundation of China anba Grant 62201438, Grant 61772397, ak Grant 12005159, an pati pa Shaanxi Forestry Syans ak Teknoloji Inovasyon Kle Espesyal anba Grant SXLK{{ 13}}, an pati pa Pwogram rechèch debaz Syans Natirèl Shaanxi anba Grant 2021JC-23, ak an pati pa Syans Teknoloji ak Pwojè Devlopman nan Yulin Science and Technology Bureau anba Grant CXY-2020-094. (Yang Cao ak Wei Feng kontribye egalman nan travay sa a.) (Otè ki koresponn yo: Wei Feng; ak Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song, ak Aifeng Ren yo ak Depatman Syans ak Teknoloji Teledeteksyon. , Lekòl Jeni Elektwonik, Xidian University, Xi'an 710071, Lachin (imel: 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 se ak School of Computer Science and Engineering, North Minzu University, Yinchuan 750021, Lachin (imel: baowenxing@nun.edu.cn). Gabriel Dauphin se ak laboratwa a nan tretman enfòmasyon ak transmisyon, Institut Galilée, University Paris XIII, 93430 Villetaneuse, Frans (imel: gabriel.dauphin@univ-paris13.fr). Mengdao Xing se ak Akademi rechèch entèdisiplinè avanse, Xidian University, Xi'an 710071, Lachin (imel: xmd@xidian.edu.cn). Digital Object Identifier 10.1109/JSTARS.2022.3225665 ak ekonomi sosyal, ki gen anpil enpòtans nan sistèm Latè a [1], [2], [3], [4]. Etid ki baze sou jaden, ki depann sou entèpretasyon manyèl, se fason ki pran tan ak travay entansif ki pa ka klase estati itilizasyon tè a nan tan [5], [6], [7]. Okontrè, pwogrè ki sot pase nan teknoloji satelit bay ekselan potansyèl pou distenge avèk presizyon ant karakteristik divès kalite tè ak rapidman kreye kat LULC nan vas zòn nan [8], [9], [10]. Klasifikasyon imaj deteksyon aleka a apeprè divize an apwòch sipèvize ak apwòch san sipèvizyon [11], [12], [13], [14]. Pèfòmans siperyè klasifikasyon sipèvize yo depann anpil de done ki gen etikèt sou pri ki wo, ki difisil pou jwenn [15]. Klasifikasyon san sipèvizyon yo jwenn yon distribisyon done lè yo divize imaj la an gwoup pixel ki gen karakteristik menm jan an, tankou K-means [16], ISODATA [17], ak fuzzy c-means (FCM) [18], ki te itilize avèk siksè nan Domèn klasifikasyon LULC. Pou egzanp, Dang et al. [19] te pwopoze miltip kernel kolaborasyon FCMs clustering ak yon filaplon super-piksèl granulation teknik, ki kapab redwi konsidere kòm atik ki gen valè nan klasifikasyon tè-kouvri soti nan yon gwo kantite pixels pou sèlman kèk santèn super-pixels kantite objè konsidere yo. Paradis rilaks sipozisyon an nan divèjans omojèn nan algorithm estanda k-vle di a ak prezante yon nouvo metòd klasifikasyon kouvèti tè ki rele pwobabilite k-vle di (P-Kmeans) [20], metòd sa a fè byen sou done miltispektral bri e li gen yon amelyorasyon sibstansyèl nan presizyon an jeneral (OA) konpare ak senp k-vle di yo. Malerezman, prediksyon klasifikasyon sa yo sèlman konsidere karakteristik espèk yo epi inyore korelasyon espasyal yo, ki mennen nan yon pòv solidite. Yo te jwenn reprezantasyon an nan jwenti espasyal-espèk yo amelyore iminite bri algorithm ak diminye erè klasifikasyon nan anpil modèl klasifikasyon ki deja egziste [21], espesyalman algorithm clustering flou [22], [23], [24]. FLICM [25] sèvi ak espas flou ak mezi resanblans gri pou amelyore retansyon detay imaj pandan y ap asire ensansibilite bri. Zhang et al. [26] amelyore algorithm FCM konvansyonèl la lè l sèvi avèk faktè ponderasyon adaptasyon pou efè pixel vwazen ki baze sou yon modèl nouvo atraksyon espasyal pixel. Lei et al. [27] pwopoze FRFCM ki pi senp ak siyifikativman pi rapid lè li entwodwi operasyon rekonstriksyon mòfolojik ak filtraj manm lokal yo. Wang et al. [28] prezante FCM_SICM ak kontrent adaptasyon entansite espasyal ak lyen manm, diminye konpleksite tan nan fonksyon objektif soti nan O(n4). Sepandan, algoritm FCM amelyore toujou prezante defi an tèm de rediksyon entèferans bri.

Benefis cistanche tubulosa-ranfòse sistèm iminitè

Li te montre ke pwoblèm nan klasifikasyon tè ka dekonpoze an plizyè travay klasifikasyon binè [29]. Jwenn yon klasifikasyon optimal se, pakonsekan, konsidere kòm yon pwoblèm optimize konbinatwa. Pandan dènye dekad la, te gen yon dekouvèt remakab nan rechèch la nan klasifikasyon itilizasyon tè ki baze sou kalkil evolisyonè [30], [31]. Pou egzanp, Yang et al. prezante yon teknik ki baze sou optimize swarm patikil (PSO) epi li te fèt yon fonksyon kritè pou idantifye kouvèti tè a [32]. Sarkar et al. [33] te itilize entropi maksimòm Rènyi (MRE) pou devlope yon apwòch pou klasifikasyon san sipèvizyon kouvri tè ki baze sou evolisyon diferans (DE), ki fè byen sou de done imaj ipèspèktro ki lajman itilize. Algoritm jenetik (GAs), algoritm optimize mondyal efikas, imite mekanis jenetik byolojik nan pwosesis seleksyon natirèl pou detèmine yon solisyon globalman pi bon [34], [35], [36], [37]. GA estanda a mande yon operasyon kodaj binè pou reprezante yon solisyon kandida nan fòm yon fisèl [38], [39], [40]. Nan chak iterasyon, operatè kwazman an chwazi owaza de solisyon kandida (sètadi, paran yo) epi fè echanj yon pati nan enfòmasyon yo pou kreye nouvo solisyon (sètadi, pitit pitit), ki amelyore kapasite eksplorasyon popilasyon an [41]. Menm jan ak mitasyon jèn nan lanati, operatè mitasyon an aplike nan GA a pou chanje yon pati nan enfòmasyon ki nan solisyon pitit yo ak amelyore rechèch lokal la [42]. Operatè seleksyon an chwazi solisyon kandida yo dapre kondisyon fizik chak manm nan popilasyon an—rezève pi bon pitit pitit epi elimine move pitit. Mekanis sa a, nan vire, amelyore balans ki genyen ant eksplwatasyon ak eksplorasyon [43]. Pa operatè jenetik yo mansyone anwo a, moun sa yo konbine pou pwodwi yon nouvo jenerasyon gwoup solisyon kandida, epi pwosesis la repete jiskaske kèk endèks dirèksyon satisfè. GA akimile ak akimile konesans sou direksyon rechèch la pandan pwosesis rechèch la epi, kidonk, otomatikman kontwole direksyon rechèch la pou jenere solisyon optimal [44], ki te aplike avèk siksè nan klasifikasyon imaj deteksyon aleka e li te reyalize bon rezilta. Anpil GA amelyore te parèt nan dènye ane yo [45]. Sepandan, gen pwoblèm ki poko rezoud toujou. 1) kalkil vaste. Konvèjans GA deteryore lè dataset la vin pi gwo. 2) Pèfòmans antinoise pòv nan senp GA konsantre sou karakteristik espèk se anjeneral sansib a bwi nan imaj la. 3) Prematire dirèksyon. GA gen kapasite rechèch limite pou nouvo espas la epi li gen tandans tonbe nan pi bon lokal la. Kòm done yo detekte adistans karakterize pa etewojenite, nou konsantre sou klasifikasyon ansanbl, ki mete aksan sou konplemantarite nan mitan divès karakteristik klasifikasyon [46], [47], [48]. Lide kritik estrateji ansanbl la se melanje ak konbine prediksyon ki soti nan règ klasifikasyon diferan [49], [50]. Nan etid [51], yo pwopoze yon modèl klasifikasyon ansanbl ki trè egzat pou bay plizyè kat klasifikasyon endepandan pa deskriptè karakteristik diferan. Etid la nan [52] endike ke kad ansanbl la ki fòme ak yon mekanis vòt de etap ka siprime bri done imaj orijinal yo ak rafine klasifikasyon glas lanmè nan yon sèten mezi.

benefis sipleman cistanche-ogmante iminite

Klike la a pou w wè pwodwi Cistanche Enhance Immunity

【Mande plis】 Imèl:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Nan atik sa a, yo pwopoze yon modèl GA amelyore ki baze sou estrateji ansanbl de etap (TE-nGA) pou klasifikasyon kouvèti tè imaj miltispektral. Pou defisyans GA yo, solisyon nou an se sèvi ak estrateji ansanbl ak fenèt espasyal sou tèt yon GA klasik pou amelyore pèfòmans antibri, presizyon klasifikasyon, ak vitès dirèksyon. Pi gwo kontribisyon nan atik sa a se jan sa a. 1) Yo itilize algorithm FCM pou klasifye piksèl yo nan sa yo ki difisil pou gwoupe yo ak sa yo ki fasil pou gwoupe yo, ki diminye konpleksite enfòmatik la. 2) Yo pwopoze yon GA ki baze sou echèl gri lè yo konsidere fenèt katye espasyal la nan fè paramèt euristik pou anpeche dirèksyon twò bonè ak sansiblite bri. 3) Yo itilize yon nouvo kad ansanbl de etap ak yon mekanis klasifikasyon multiband pou diminye enstabilite solisyon an ak erè klasifikasyon.

II. METÒD KLASIFIKASYON PWOpoze

Figi 1 a montre organigram algorithm yo pwopoze a. Ak algorithm a sitou konsiste de twa etap sa yo: denoising imaj, jwenn piksèl yo difisil pou gwoup lè l sèvi avèk estrateji vòt, ak reklasifikasyon pa amelyore GA ki baze sou modèl ansanbl ak espèk-espasyal. fizyon. Remake byen ke, etap yo dezyèm ak twazyèm se pati yo kritik nan algorithm yo pwopoze a. Metòd yo pwopoze a trase nan Algorithm 1.

A. Debwazi imaj

Pou evite zafè imaj ki soti nan bri Capteur imaj ki afekte kalite sèn nan, algorithm a konsiste de premye aplike blòk-matche ak 3-D filtraj, yon algorithm ki egziste deja popilè ak efikas denoising [53]. Karakteristik sa yo filtraj yo chwazi ki baze sou enfòmasyon jeneral sa a, li se yon konpwomi ant diminye bri ki rete nan imaj la rektifye ak prezève chanjman yo nan entansite nan mitan piksèl vwazen ki fè pati diferan grap. Yo te pwouve algorithm la depase lòt algoritm filtraj nan amelyore kalite imaj.

B. Premye Etap Ensemble—Jwenn piksèl ki difisil pou gwoupe yo

Dyagram nan blòk sou bò gòch la nan Fig. 1 montre yon imaj miltispectral ak D longèdonn, ki soti nan ki ka ekstrè D-espesifik imaj ak gwosè a nan H × W, deziye kòm I1, I2,..., ID. Premye etap la, patisyon piksèl ant sa yo ki difisil pou gwoup ak sa yo ki fasil pou gwoup nan ke omwen pou yon imaj espèk, manm yo gen anpil chans. Se poutèt sa, gwoupman FCM yo ap aplike separeman sou chak imaj espèk pou klasifye piksèl nan N kategori, kote N mete davans pa yon entèpretasyon vizyèl. Li pwodui pou chak pixel, chak longèdonn, ak chak manm gwoup.

Fig. 1. Diagram klasifikasyon LULC ki baze sou metòd yo pwopoze a.

kote Id(i, j) se entansite pixel (i, j) nan dyèm longèdonn, un d (i, j) se manm nan nyèm gwoup pixel (i, j) nan dth longèdonn, 1 Mwens pase oswa egal a d Mwens pase oswa egal a D, 1 Mwens pase oswa egal a n Mwens oswa egal a N. Pou longèdonn dth, chak pixel make ak yon etikèt kategori cd(i, j), jan

baze sou manm yo, piksèl yo klase kòm Ke fasil grap ak difisil pou grap Kd. Papòt τ yo itilize a se yon paramèt pou asire ke pixel (i, j) ∈ Ke konsidere kòm fasil pou gwoup la gen yon wo degre de manm ak sant gwoup ki enpòtan an. (N + 1)yèm gwoup la gen piksèl yo konsidere kòm difisil pou gwoupe epi yo endike Kd. Apwòch ki baze sou vòt yo ka rezoud konfli ant diferan desizyon ki te pwodwi pa plizyè règ klasifikasyon. An konsekans, rezilta klasifikasyon chak longèdonn FCM jwenn yo entegre nan kat jeyografik klasifikasyon ansanbl C, ki baze sou prensip vòt majorite a. Etikèt pixel nan C a remape nan pozisyon ki koresponn nan imaj miltispektral filtre a, epi yo jwenn kat reklasifikasyon final yo, ki endike kòm I1, I2, . . ., ID, jan ankadreman an montre nan mitan Figi 1. Apre w fin aplike algorithm FCM pou rklasifye piksèl yo kòm fasil ak difisil pou gwoupe, pwoblèm nan analize tout imaj orijinal la se, kidonk, konvèti nan klasifikasyon nan. piksèl difisil.

C. Dezyèm Etap Ensemble— AmelyoreGA pran an kont piksèl vwazen yo

Sou bò dwat diagramma a, yon ankadreman ki rele "The Second Round Ensemble" montre de travay: Klasifikasyon GA ki baze sou faktè jwenti espèk-espas ak ansanbl desizyon pou klasifikasyon multiband. Depi pwoblèm klasifikasyon LULC la dekonpoze an plizyè travay klasifikasyon binè, nou ta dwe adrese seri sou-pwoblèm pou chak longèdonn: si pixel (i, j) ∈ Kd fè pati kategori xyèm lan. 1 Mwens pase oswa egal a x Mwens pase oswa egal a N. Finalman, rezilta desizyon tout N kat klasifikasyon binè yo konbine pou jwenn yon kat klasifikasyon ki gen N kalite kouvèti tè. Pou chak pwoblèm klasifikasyon binè, GA amelyore ki baze sou espas espèk yo aplike nan piksèl ki make kòm (N + 1)yèm klas la pou optimize plis etikèt kategori anbigwi yo, ki montre nan ankadreman an tirè nan Fig. 1. Entèpretasyon GA amelyore ki baze sou espas espèk sa a se jan sa a. 1) Kodaj kwomozòm binè de dimansyon: Pou idantite imaj, N kat binè yo ka ekstrè nan N travay klasifikasyon. Yo itilize kodaj binè ki genyen de dimansyon pou kenbe pwopriyete estriktirèl espasyal moun ki evolye (yon moun reprezante yon desizyon potansyèl). Gwosè matris kodaj la se menm ak imaj longèdonn lan, sa vle di H × W. Pou estime si pixel (i, j) ∈ Kd fè pati xyèm kategori a, 1 Mwens pase oswa egal a x Mwens pase oswa egal a N, pou chak longèdonn, nou kode piksèl (i, j) ∈ Ke nan klas x gwoupe pa FCM a kòm 1 ak ki pa kategori x kòm 0, kote pa gen okenn operasyon optimize evolisyon ki fèt pi lwen. Pwen sa yo (i, j) ∈ Kd yo kode owaza kòm 0 oswa 1. Optimize evolisyonè aplike nan Kd pral eksplore tout solisyon posib. 2) Fonksyon Fòm Ki Baze sou Fenèt Katye a: Fonksyon Fòm nan se endikatè ki pi kritik pou evalye kalite moun nan popilasyon an, ki gen rapò ak seleksyon moun yo ak ekzekisyon operatè jenetik yo. Piksèl adjasan yo trè korelasyon an tèm de gri ak teksti. Kontinwe, yo adopte enfòmasyon konplemantè spectre ak espas pou devlope yon fonksyon kapasite konpoze, ki bay yon lide roman pou amelyore iminite algorithm bri. Pou nyèm travay gwoupman nan dyèm longèdonn, sipoze kantite moun ki nan popilasyon an se P, CIp,n,d se chemen endividi yo, 1 mwens pase oswa egal a p pi piti oswa egal a P, 1 mwens pase oswa egal a. a n Mwens pase oswa egal a N, 1 Mwens pase oswa egal a d Pi piti oswa egal a D. Fonksyon Fitness CIp,n,d se Fitness=1 OF, OF kalkile pa fòmil (3)

kote r ∈ {{{0}}, 1}, Rr endike piksèl yo kode kòm 0 oswa 1, epi estatistik kantite yo reprezante kòm Nr. rth cluster center vr kalkile pa pixel vle di nan tout pwen ki fè pati Rr. I d(i, j) se entansite pixel (i, j) nan longèdonn dth apre w fin aplike algorithm clustering FCM la. Nan fonksyon katye Wr(i, j), yo sipoze fenèt katye yo kare, epi longè bò yo s yo dwe nonb antye relatif. N(i, j, s) reprezante s × s fenèt katye a nan pozisyon endèks (i, j). Nt(i, j, s) vle di entansite tyèm pixel nan katye N(i, j, s). Degre manm nan pixel tyèm nan N(i, j, s) ki fè pati gwoup rth la endike kòm utr (i, j, s). lt(i, j, s) reprezante distans espasyal ant tyèm pixel katye a ak pwen sant (i, j). L se pwa distans espasyal ant pwen sant la ak piksèl katye li yo. 3) Operatè mitasyon k ap itilize enfòmasyon sou katye yo: Nouvo jenerasyon yo ap pwodwi iterativman atravè seleksyon endividyèl, kwazman inifòm, ak mitasyon jenetik, jan sa montre nan ankadreman an tirè Fig. 1. Pifò GA yo itilize yon pwobabilite mitasyon mondyal pou aplike modifikasyon etikèt la pou owaza chwazi piksèl ak menm pwobabilite a, ki envizib ralanti pousantaj dirèksyon GA. Kòm operatè teknik kritik la, yo kreye yon pwobabilite mitasyon euristik amelyore, ansanm ak enfòmasyon sou katye a, pou kalkile otomatikman pwobabilite mitasyon apwopriye pou chak jèn. Fòmil sa yo defini pwobabilite nouvo mitasyon sa a:

pou piksèl sant (i, j), uht(i, j, s) vle di degre manm nan pwen katye Nt(i, j, s) ki fè pati sant clustering vh, h ∈ {{{0} }, 1}. An konsekans, pwobabilite mitasyon adaptasyon Pm(i, j) CIp,n,d endividyèl la eksprime kòm fòmil 8, kote P0 se pwobabilite mitasyon debaz la, tou pwobabilite mitasyon mondyal la nan GA klasik; σ, ekspozan S la vle di pwa enfliyans enfòmasyon katye a sou pwobabilite mitasyon pixel santral la. CIp,n,d(i, j) se kodaj binè moun chemen an, pou nyèm travay gwoupman nan longè vag dth. lt(i, j, s) endike distans espasyal ant pixel sant (i, j) ak pixel tyèm nan N(i, j, s). Etikèt Nt(i, j, s) endike kòm Ct, si u1t pi gran pase u0t, Lè sa a, Ct=1; lòt saj, Ct=0. Lè nou konsidere diferan fenèt katye yo, lè s=3, li ka kalkile ke S ∈ [0, 4+2√2]; lè s=5, S ∈ [0, 6+3√2+1.6 √5]. Atravè mekanis ki mansyone anwo a, pwen (i, j) ∈ Kd ka adaptiveman jwenn pwobabilite mitasyon apwopriye ki baze sou kategori piksèl vwazen yo. Lè etikèt estime CIp,n,d(i, j) an akò ak pifò kategori piksèl ki antoure yo, yo mande yon ti pwobabilite mitasyon pou kenbe omojèn rejyonal orijinal la. Sinon, pwobabilite mitasyon an ogmante pou fè CIp,n,d(i, j) gen tandans pou pifò kategori nan katye N(i, j, s). Pa operatè jenetik yo mansyone anwo a, nouvo pitit yo ap pwodwi iterativman. Moun ki gen kapasite ki pi wo a ap soti lè kondisyon iterasyon an pa satisfè, jan yo montre nan etap 10–16 Algorithm 1. Remake yon règ klasifikasyon etranj metòd yo pwopoze a an tèm de klasifikasyon LULC. GA pwopoze a ki baze sou espèk-espas fè sèlman klasifikasyon binè sou chak imaj longè vag. Kidonk, lè tout N kalite itilizasyon tè yo te diskriminasyon ak N imaj binè, rezilta klasifikasyon yo fusion nan yon kat klasifikasyon konplè. An tèm senp, pixel(i, j) fè pati kategori ki make li kòm 1 nan kat klasifikasyon binè a. Lè de oswa plis kat binè make piksèl la kòm 1, piksèl la klase kòm youn ki gen pi gwo valè kapasite, jan yo montre nan Fig. 2 ak etap 19 nan Algorithm 1.

Algorithm 1: Pwosedi Modèl Ensemble de Etap Pwopoze a.

Fig. 2. Konbinezon kat kat rezilta klasifikasyon binè.

Finalman, dezyèm modèl ansanbl la aplike nan kat klasifikasyon D yo, ki vize pou rantre kat klasifikasyon ki soti nan tout longèdonn yo nan kat jeyografik LULC final la. Règ ansanbl yo se jan sa a: sipoze ke gen nk kat klasifikasyon klasifye pixel (i, j) kòm klas kyèm lan, ak kategori final CI(i, j)=k, si nk > nx, kote x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Remake byen ke nan kad entegrasyon an, nou toujou selektivman retire klasifikasyon an rezilta nan bann NIR paske rezilta klasifikasyon li yo souvan enkwayab.

III. REZILTA EXPERIMENTAL

A. Entwodiksyon Done yo

Twa seri done imaj deteksyon aleka akeri pa satelit Beijing 2 yo itilize pou verifye presizyon ak efikasite algorithm yo pwopoze a. Beijing-2 se yon konstelasyon satelit sivil komèsyal teledeteksyon (DMC3) ki gen twa satelit segondè rezolisyon. Li te lanse 11 jiyè, 2015, soti nan peyi Zend epi li te lage nan yon 651 km solèy-synchrone. Sistèm konstelasyon Beijing-2 bay apeprè 24 km lajè, 0.8 m rezolisyon pankromatik, ak 3.2 m rezolisyon imaj miltispektral ble, vèt, wouj ak tou pre enfrawouj nan òbit, sa ki ka bay done satelit teledeteksyon ak pwodwi enfòmasyon espasyal. ak pwoteksyon mondyal ak ekselan rezolisyon espasyal ak tanporèl, ki kapab revize nenpòt kote sou glòb la pou youn oswa de jou. Imaj eksperimantal yo te jwenn nan 2018. Sit tès la se twa diferan pati nan Dangyang City, pwovens Hubei, Lachin. Nan atik sa a, se sèlman imaj miltispectral yo konsidere. Nou te fè koreksyon atmosferik sou done imaj sa yo atravè ENVI (5.3). Modèl atmosferik la se sezon fredi subarctic ak modèl aerosol se riral. Anplis, rekipere aerosol nou chwazi a se 2-band (KT). Lòt paramèt yo te mete pa default. Tout imaj yo pretrete pa ko-enskripsyon. Anplis, yo te ba nou yon klasifikasyon deja make tout imaj nan kat oswa senk klas yo. Sa baze sou yon enspeksyon vizyèl konplè lè w obsève imaj orijinal la epi li anrejistre sou yon kat jeyografik jereferans kòm verite tè.

cistanche tubulosa-amelyore sistèm iminitè

B. Konfigirasyon paramèt

Nan eksperyans sa a, papòt τ nan FCM se 0.8, gwosè popilasyon an fikse sou 40, pwobabilite kwazman Pc=0.8, pwobabilite mitasyon baz P0=0.001 , ekspozan σ a se 2, gwosè fenèt katye a s mete nan 3 piksèl, vize kenbe detay imaj pandan y ap tou optimize tan pwosesis òdinatè ak direksyon dirèksyon. Nèf apwòch klasifikasyon kouvèti tè ki egziste deja nesesè pou verifye efikasite metòd yo pwopoze a, tankou FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33], ak P-Kmeans [20]. Anviwònman paramèt yo idantik ak literati orijinal la, yo pa repete isit la. Anplis de sa, senp GA gen menm gwosè popilasyon paramèt H ak pwobabilite kwazman Pc kòm algorithm yo pwopoze a nan atik sa a, pwobabilite mitasyon Pm=0.01, men san enfòmasyon sou katye a, lektè a ka konprann ke gwosè fenèt katye a se. 1. An patikilye, nGA kenbe operatè jenetik la lè l sèvi avèk enfòmasyon sou katye a men efase operasyon ansanbl ki egziste nan TE-nGA.

C. Rezilta Klasifikasyon

Fig. 3–5 montre rezilta klasifikasyon LULC nan kat koulè ki koresponn ak diferan modèl yo lè yo teste sou chak seri done. Depi twa imaj adistans detekte yo genyen diferan kalite itilizasyon tè, reprezantasyon koulè tablo klasifikasyon an pa inifòm. Dapre rezilta klasifikasyon sa yo, pou twa figi, kat koulè yo jwenn nan metòd yo pwopoze a yo pi klè ak lis. Tablo I montre fwa (kouri tan) ak OA reyalize pa 12 modèl yo ak lè yo teste sou zòn rechèch yo konpare pèfòmans nan klasifikasyon ak metòd diferan. Pi bon rezilta eksperimantal yo montre an fonse. Yon moun ka konkli ke metòd yo pwopoze a prezante pi bon rezilta yo an jeneral, ak OA ki pi wo a nan 88.72% ak relativman kèk piksèl mal. Pou Zòn 3, lè w ap itilize fenèt katye yo, presizyon klasifikasyon LULC ogmante pa 28.35%; Sa ki pi enpòtan, TE-nGA ka diminye tan enfòmatik la a 9257.56 s, konpare ak GA ki senp. Sa a se paske operatè a mitasyon euristik nan TE-nGA a ka adaptive kontwole direksyon rechèch la akselere dirèksyon nan algorithm la, pwouve ke metòd la pwopoze a se pi plis apwopriye pou senaryo pratik. Anplis de sa, nGA ekivalan a TE-nGA retire operasyon ansanbl, kidonk lektè a ka konprann ke TE-nGA a kouri sèlman sou imaj la yon sèl-band (band1). Pou Zòn 3 a, lè kad ansanbl yo prezante, presizyon klasifikasyon an amelyore plis pa 0.72%, ki montre efikasite estrateji ansanbl la.

D. Analiz Paramèt

Youn nan esansyèl metòd yo pwopoze a se konsidere enfòmasyon espasyal katye a kòm enfòmasyon euristik pou adapteman modifye fonksyon objektif ak pwobabilite mitasyon an, kidonk amelyore iminite bri ak presizyon klasifikasyon, osi byen ke vitès dirèksyon. Sepandan, sa pa vle di ke pi gwo gwosè fenèt la, se pi bon efè klasifikasyon an. Konsènan Tablo II a, yo obsève yon ogmantasyon nan pèfòmans lè w ap konsidere enfòmasyon espasyal nan katye a, lè w ap ogmante gwosè fenèt la jiska yon papòt apwopriye, epi apre sa ap diminye. Tout se pou ke echantiyon pi lwen pixel santral la kontribye ti kras nan divizyon kategori pixel santral la e menm agrave move klasifikasyon an. Akòz objè nan divès kote jeyografik diferans ki egziste nan klète ak teksti, gwosè optimal fenèt la sanble 5 × 5 pou Zòn 1 ak Zòn 2, men 3 × 3 pou Zòn 3. Ou ka obsève rezilta sa a an fonse nan Tablo II, ki reprezante pi bon presizyon ak tan dirèksyon ki pi rapid. Anplis de sa, nou jwenn ke pwobabilite mitasyon baz P0 ak ekspozan σ a se faktè enpòtan tou ki afekte pèfòmans klasifikasyon. Nan etid nou an, diferan P0 ak σ yo itilize pou verifye entèpretasyon ak klasifikasyon LULC. Fig. 6 trase koub varyasyon OA yo kòm P{{10}} ak σ ogmante. Li te parèt ke, pou yon σ fiks, kòm P0 ogmante, presizyon klasifikasyon jeneral la an premye ogmante epi apre sa diminye. Rezilta sa a espere paske yon ti P0 pral lakòz rechèch la limite nan direksyon evolisyonè orijinal la epi, kidonk, tonbe nan yon pi bon lokal; okontrè, yon gwo P0 pral kraze bon modèl evolisyonè a epi devye rezilta yo soti nan solisyon optimal la. Nan lòt men an, kòm σ ogmante, efè enfòmasyon nan katye a pi enpòtan, ak pi bon valè pwobabilite debaz la piti piti chanje soti nan segondè a ba. Pwa katye apwopriye yo pi fezab pou jwenn pi bon rezilta klasifikasyon yo. Nan domèn rechèch nou an, pi bon ekspozan an se σ ∈ {2, 3}, ak seri ki pi apwopriye nan P0 se [10−5, 10−2].

Fig. 3. Rezilta klasifikasyon Zòn 1. (a) Verite tèren. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (mwen) MRE-DE. (j) P-K vle di. (k) GA. (l) nGA. (m) TE-nGA.

TABLE I REZILTA EVALYASYON WIIT METÒD KLASIFIKASYON DIFEREN NAN TWA ZÒN ETID

Fig. 4. Rezilta klasifikasyon Zòn 2. (a) Verite tèren. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (mwen) MRE-DE. (j) P-K vle di. (k) GA. (l) nGA. (m) TE-nGA.

Fig. 5. Rezilta klasifikasyon zòn 3. (a) Verite tèren. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (mwen) MRE-DE. (j) P-K vle di. (k) GA. (mwen) nGA. (m) TE-nGA.

TABLE II REZILTA EVALYASYON TE-NGA PWOPIZE A KI SÈVI WINDOWS DIFERAN GWO NAN TWA ZÒN ETID.

Fig. 6. Analiz pwobabilite mitasyon baz P0 ak ekspozan σ nan pwobabilite mitasyon eristik la.

IV. KONKLIZYON

Kontribisyon prensipal etid sa a ap pwopoze yon estrateji ansanbl siperyè de etap ak GA ki baze sou espèk-espasyal pou klasifikasyon LULC nan simagri miltispektral. Premye modèl ansanbl la fè FCM sou imaj milti-band, diminye travay la klasifikasyon nan imaj adistans deteksyon nan kategori detèminasyon piksèl difisil pou gwoup. Dezyèm pwosesis ansanbl la gen de travay. Premyèman, GA amelyore ki konbine enfòmasyon espèk ak espasyal yo te kreye pou ofri solisyon inovatè pou pezeul, tankou dirèksyon dousman ak antibri pòv. Egzakteman, amelyorasyon sa a benefisye de nouvo fonksyon kondisyon fizik ak pwobabilite mitasyon, lè l sèvi avèk yon fenèt katye apwopriye. Lè sa a, yo adopte modèl ansanbl la pou entegre rezilta klasifikasyon ki sòti nan imaj bann miltip, ki itilize pou diminye risk pou move klasifikasyon. Rezilta yo pwouve ke TE-nGA pwopoze a gen pèfòmans klasifikasyon pi preferab ak dirèksyon pi vit pase senp GA. Nan tan kap vini an, nou espere pwolonje aplikasyon teknik yo pwopoze a nan lòt jaden, tankou klasifikasyon rekòt, deteksyon sib, ak klasifikasyon imaj hyperspectral.

Benefis cistanche tubulosa-ranfòse sistèm iminitè

REFERANS

[1] T. Hermosilla, MA Wulder, JC White, and NC Coops, "Land cover classification in a period of big and open data: Optimizing localized application and training data selection to improve mapping outcomes," Remote Sens. Environ., vol. . 268, 2022, Atizay. non. 112780.

[2] P. Helber, B. Bischke, A. Dengel, and D. Borth, "EuroSAT: A roman dataset and deep learning benchmark for land use and land cover classification," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 12, non. 7, pp 2217–2226, Jiyè 2019.

[3] C. Li, G. Xian, Q. Zhou, ak BW Pengra, "Yon nouvo metòd aprantisaj otomatik fenoloji (APL) pou seleksyon echantiyon fòmasyon lè l sèvi avèk plizyè seri done pou kat kouvri tè seri tan," Remote Sens. Environ. , vol. 266, 2021, Atizay. non. 112670.

[4] S. Ji, D. Wang, ak M. Luo, "Jeneratif opozan rezo ki baze sou plen espas adaptasyon domèn pou klasifikasyon kouvèti tè soti nan imaj miltip sous deteksyon aleka," IEEE Trans. Geosci. Remote Sens., vol. 59, non. 5, pp 3816–3828, Me 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, ak M. Xing, "Yon metòd fizyon imaj roman milti-espèk ak SAR imaj pou klasifikasyon kouvèti tè," Remote Sens. , vol. 12, non. 22, 2020, Atizay. non. 3801.

[6] B. Iqbal ak M. Ali, "Estimation of spatio-temporal air temperature from satelit-based lst under semi-arid to arid environment in Peshawar Basin, Northwest Pakistan," Adv. Space Res., vol. 70, non. 4, pp 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks, ak LL Coulter, "Detèmine kalite a ak tan kòmanse nan kouvèti tè ak chanjman itilizasyon tè nan sid Gana ki baze sou analiz disrè nan seri tan imaj Landsat dans," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 9, non. 5, pp 2064–2073, me 2016.

[8] A. Jamil ak B. Bayram, "Tree species extraction and land use/cover classification from high-rezolisyon digital orthophoto maps," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 11, non. 1, paj 89–94, janvye 2018.

[9] Z. Xue, P. Du, ak L. Feng, "Fenoloji-kondwi klasifikasyon kouvèti tè ak analiz tandans ki baze sou alontèm seri imaj deteksyon aleka," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 7, non. 4, pp 1142–1156, Avril 2014.

[10] Q. Zhu et al., "Deteksyon chanjman tè-itilize / kouvri tè ki baze sou yon fondasyon aprantisaj mondyal siamese pou simagri deteksyon remote rezolisyon espasyal segondè," ISPRS J. Photogrammetry Remote Sens., vol. 184, pp 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan, ak W. Liao, "New margin-based subsampling iterative technique in modifyed random forests for classification," Knowl.-Based Syst., vol. 182, 2019, Atizay. non. 104845.

[12] W. Feng et al., "Dynamic sentetik minorite sou-echantiyon teknik ki baze sou wotasyon forè pou klasifikasyon done ipèspèktral dezekilib," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 12, non. 7, pp 2159–2169, Jiyè 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri, and XX Zhu, "Large-scale building height retrieval from single SAR images based on bounding box regression networks," ISPRS J. Photogrammetry Remote Sens., vol. 184, pp 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui, ak F. Pu, "Dynamic fractal teksti analiz pou PolSAR tè kouvri klasifikasyon," IEEE Trans. Geosci. Remote Sens., vol. 57, non. 8, pp 5991–6002, Out 2019

[15] S. Saha, F. Bovolo, ak L. Bruzzone, "Building change detection in VHR SAR images via unsupervised deep transcoding," IEEE Trans. Geosci. Remote Sens., vol. 59, non. 3, pp 1917–1929, mas 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam, ak MA Hossain, "Deteksyon timè nan sèvo nan imaj MR lè l sèvi avèk superpixels, analiz eleman prensipal ak modèl ki baze sou algorithm k-means clustering," Mach. Aprann. Aplikasyon, vol. 5, 2021, Atizay. non. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang, ak J. Zhu, "An improved ISODATA algorithm for hyperspectral image classification," nan Proc. 7yèm Ent. Kongr. Pwosesis siyal imaj., 2014, pp 660–664.

[18] S. Ghaffarian ak S. Ghaffarian, "Automatic histogram-based fuzzy cmeans clustering for remote sensing imagery," ISPRS J. Photogrammetry Remote Sens., vol. 97, pp 46–57, 2014.

[19] TH Dang, DS Mai, ak LT Ngo, "Multiple kernel collaborative fuzzy clustering algorithm with weighted super-pixels for satellite image landcover classification," Eng. Appl. Artif. Entèl., vol. 85, pp 85–98, 2019.

[20] E. Paradis, "Probabilistic klasifikasyon san sipèvizyon pou analiz gwo-echèl nan done imaj espèk," Int. J. Appl. Geoinformation Obsèvasyon Latè, vol. 107, 2022, Atizay. non. 102675.

[21] X. Hu, X. Wang, Y. Zhong, ak L. Zhang, "S3aNet: Spectral-spatial-scale attention network for end-to-end precise crop classification based on UAVborne H2 imagery," ISPRS J. Photogrammetry. Remote Sens., vol. 183, pp 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi, ak H. Adam, "Mr brain image segmentation using an enhanced fuzzy c-means algorithm," nan Proc. 25yèm ane. Ent. Konf. IEEE Eng. Med. Biol. Soc., 2003, vol. 1, pp 724–726.

[23] W. Cai, S. Chen, ak D. Zhang, "Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation," Pattern Recognit., vol. 40, non. 3, pp 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan, ak Z. Wang, "Deviation-sparse fuzzy c-means with vwazen enfòmasyon contrainte," IEEE Trans. Fuzzy Syst., vol. 27, non. 1, paj 185–199, janvye 2019.

[25] S. Krinidis ak V. Chatzis, "A robust fuzzy local information C-means clustering algorithm," IEEE Trans. Pwosesis Imaj., vol. 19, non. 5, pp 1328–1337, me 2010.

[26] H. Zhang, Q. Wang, W. Shi, ak M. Hao, "Yon roman adaptasyon flou enfòmasyon lokal C - vle di clustering algorithm pou klasifikasyon simagri adistans deteksyon," IEEE Trans. Geosci. Remote Sens., vol. 55, non. 9, pp 5057–5068, septanm 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, ak AK Nandi, "Siyifikativman vit ak gaya flou C-means clustering algorithm ki baze sou rekonstriksyon mòfolojik ak filtraj manm," IEEE Trans. Fuzzy Syst., vol. 26, non. 5, pp 3027–3041, oktòb 2018.

[28] Q. Wang, X. Wang, C. Fang, ak W. Yang, "Robust floue C-means clustering algorithm ak adaptasyon espasyal & entansite contrainte ak manm ki lye pou segmentasyon imaj bri," Appl. Soft Comput., vol. 92, 2020, Atizay. non. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, ak Z. Luyan, "Remote sensing imaj klasifikasyon pa dezòd la algorithm jenetik nan siveyans chanjman itilizasyon tè," Matematik. Konpitè. Modèl., vol. 51, non. 11, pp 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf, ak M. Zhang, "Cross-domain reuse of extrait konesans nan pwogram jenetik pou klasifikasyon imaj," IEEE Trans. Evol. Konpitè, vol. 21, non. 4, pp 569–587, Out 2017.

[31] R. Hamad, "A remote sensing and GIS-based analysis of Urban Sprawl in Soran district, Iraqi Kurdistan," SN Appl. Sci., vol. 2, non. 1, pp 1–9, 2019.

[32] H. Yang, Q. Du, ak G. Chen, "Particle swarm optimize ki baze sou hyperspectral rediksyon dimansyon pou klasifikasyon kouvèti tè iben," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 5, non. 2, pp 544–554, Avril 2012.

[33] S. Sarkar, S. Das, ak SS Chaudhuri, "Hyper-spectral segmantasyon imaj lè l sèvi avèk Rényi entropi ki baze sou milti-nivo thresholding ede ak evolisyon diferans," Ekspè Syst. Aplikasyon, vol. 50, pp 120–129, 2016.

[34] S. Sen Gupta, S. Hossain, ak K.-D. Kim, "HDR-tankou imaj ki soti nan fizyon imaj pseudoexposition: Yon apwòch algorithm jenetik," IEEE Trans. Konsome. Elektwon., vol. 67, non. 2, pp 119–128, Me 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang, ak Y. Li, "MGRFE: eliminasyon karakteristik repetitif multikouch ki baze sou yon algorithm jenetik entegre pou klasifikasyon kansè," IEEE/ACM Trans . Konpitè. Biol. Bioinf., vol. 18, non. 2, pp 621–632, Mar./Avr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang, ak GM Shi, "Optimizasyon chanèl gwo vitès pou entegrite siyal ak algorithm jenetik pwofon," IEEE Trans. Electromagn. konpatib, vol. 64, non. 4, pp 1270–1274, Out 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang, ak J. Hu, "Idantifye chanjman dinamik nan sifas dlo lè l sèvi avèk sentinèl-1 done ki baze sou algorithm jenetik ak teknik aprantisaj machin," Remote Sens., vol. 13, non. 18, 2021, Atizay. non. 3745.

[38] F. Ye, C. Doerr, H. Wang, ak T. Bäck, "Otomatik konfigirasyon algoritm jenetik pa akor pou pèfòmans nenpòt lè," IEEE Trans. Evol. Konpitè, vol. 26, non. 6, pp 1526–1538, Desanm 2022.

[39] MG Souza, EE Vallejo, ak K. Estrada, "Detekte gwoupman endepandan asosyasyon Variant ra lè l sèvi avèk algoritm jenetik," IEEE/ACM Trans. Konpitè. Biol. Bioinf., vol. 18, non. 3, pp 932–939, Me/Jen. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay, ak P. Chakrabarti, "Hyperspectral milti-nivo imaj thresholding lè l sèvi avèk qutrit algorithm jenetik," Ekspè Syst. Aplikasyon, vol. 181, 2021, Atizay. non. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh, ak P.-N. Ni, "Aplikasyon teknoloji deteksyon aleka nan entèpretasyon itilizasyon tè pou glisman teren lapli pwovoke ki baze sou algoritm jenetik ak rezo neral atifisyèl," IEEE J. Sel. Sijè Aplikasyon. Obsèvasyon Latè. Remote Sens., vol. 2, non. 2, pp 87–95, jen 2009.

[42] D. Corus ak PS Oliveto, "Standard steady state jenetik algorithms can hillclimb pi vit pase mitasyon-sèlman algorithm evolisyonè," IEEE Trans. Evol. Konpitè, vol. 22, non. 5, pp 720–732, oktòb 2018.

[43] TL Cerqueira, FC Bertoni, ak MG Pires, "Seleksyon jenetik egzanp pou optimize sistèm ki baze sou règ flou nan klasifikasyon opinyon," IEEE Latin Amer. Trans., vol. 18, non. 7, pp 1215–1221, Jiyè 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, ak S. Silva, "Amelyore klasifikasyon kouvèti tè lè l sèvi avèk pwogram jenetik pou konstriksyon karakteristik," Remote Sens., vol. 13, non. 9, 2021, Atizay. non. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson, ak S. Nahavandi, "Multiobjektif ak entèaktif algorithm jenetik pou akor pwa nan yon modèl prediksyon kontwòl ki baze sou mouvman cueing algorithm," IEEE Trans. Cybern., vol. 49, non. 9, pp 3471–3481, septanm 2019.

[46] A. Khoder ak F. Dornaika, "Ensemble learning via feature selection and multiple transformed subsets: Application to image classification," Appl. Mou. Konpitè, vol. 113, 2021, Atizay. non. 108006.

[47] W. Feng, W. Huang, ak W. Bao, "Dezekilib klasifikasyon imaj hyperspectral ak yon metòd ansanbl adaptasyon ki baze sou SMOTE ak forè wotasyon ak pousantaj echantiyon diferansye," IEEE Geosci. Remote Sens Lett., vol. 16, non. 12, pp 1879–1883, Desanm 2019.

[48] ​​W. Feng et al., "Forè wotasyon semi-sipèvize ki baze sou teyori Marge ansanbl pou klasifikasyon imaj hyperspectral ak done fòmasyon limite," Inf. Sci., vol. 575, pp 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu, andW. Du, "Jeyometrik estriktirèl aprantisaj ansanbl pou pwoblèm dezekilib," IEEE Trans. Cybern., vol. 50, non. 4, pp 1617–1629, Avril 2020.

[50] Q. Solèy ak Z. Ge, "Deep Learning pou endistriyèl KPI prediksyon: Lè aprantisaj ansanbl satisfè done semi-sipèvize," IEEE Trans. Ind. Enfòmasyon, vol. 17, non. 1, pp 260–269, janvye 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov, ak PM Atkinson, "Yon oto-formation hierarchique pwototip ki baze sou ansanbl fondasyon pou klasifikasyon sèn deteksyon aleka," Inf. Fusion, vol. 80, pp 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li, ak N. Wang, "Yon metòd aprantisaj ansanbl ki baze sou estrateji pou vote pwa de wonn pou klasifikasyon glas lanmè nan simagri sentinèl-1, "Remote Sens., vol. 13, non. 19, 2021, Atizay. non. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik, ak K. Egiazarian, "Image denoising by sparse 3-D transform-domain collaborative filtering," IEEE Trans. Pwosesis Imaj., vol. 16, non. 8, pp 2080–2095, Out 2007.