Algorithm Genetig Seiliedig ar Ensemble Dau Gam Ar Gyfer Dosbarthiad Gorchudd Tir

Haniaethol—Mae mapiau defnydd tir a gorchudd tir cywir (LULC) yn arfau effeithiol i helpu i gyflawni cynllunio trefol cadarn ac amaethyddiaeth fanwl gywir. Fel technoleg optimeiddio deallus, mae algorithm genetig (GA) wedi'i gymhwyso'n llwyddiannus i wahanol dasgau dosbarthu delweddau yn ystod y blynyddoedd diwethaf. Fodd bynnag, mae GA syml yn wynebu heriau, megis cyfrifo cymhleth, imiwnedd sŵn gwael, a chydgyfeirio araf. Mae'r ymchwil hwn yn cynnig protocol ensemble dau gam ar gyfer dosbarthu LULC gan ddefnyddio model GA graddlwyd-gofodol. Mae'r fframwaith ensemble cyntaf yn defnyddio c-moddau niwlog i ddosbarthu picsel i'r rhai sy'n anodd eu clystyru a'r rhai sy'n hawdd eu clystyru, sy'n helpu i leihau'r gofod chwilio ar gyfer cyfrifiant esblygiadol. Mae'r ail fframwaith ensemble yn defnyddio ffenestri cymdogaeth fel gwybodaeth hewristig i addasu'n addasol swyddogaeth wrthrychol a thebygolrwydd treiglo'r GA, sy'n dod â buddion gwerthfawr i wahaniaethu a phenderfyniad GA. Yn yr astudiaeth hon, defnyddir tri maes ymchwil yn Dangyang, Tsieina, i ddilysu effeithiolrwydd y dull arfaethedig. Mae'r arbrofion yn dangos y gall y dull arfaethedig gynnal manylion y ddelwedd yn effeithiol, atal sŵn, a chyflawni cydgyfeiriant algorithm cyflym. O'i gymharu â'r dulliau cyfeirio, y cywirdeb cyffredinol gorau a geir gan yr algorithm arfaethedig yw 88.72%. Termau Mynegai - Algorithm genetig (GA), defnydd tir a gorchudd tir (LULC), ffenestr gymdogaeth, dosbarthiad delwedd synhwyro o bell, ensemble dau gam.

cistanche tubulosa-gwella system imiwnedd

I. RHAGYMADRODD

L AND defnydd a gorchudd tir (LULC) yn chwarae rhan hanfodol mewn agweddau amrywiol, gan gynnwys ecosystem, a chynllunio trefol, Llawysgrif a dderbyniwyd 18 Ebrill 2022; diwygiedig 2 Medi 2022; derbyniwyd 16 Tachwedd 2022. Dyddiad cyhoeddi 30 Tachwedd 2022; dyddiad y fersiwn gyfredol 15 Rhagfyr 2022. Cefnogwyd y gwaith hwn yn rhannol gan Sefydliad Cenedlaethol Gwyddoniaeth Naturiol Tsieina o dan Grant 62201438, Grant 61772397, a Grant 12005159, yn rhannol gan Arbennig Allweddol Arloesedd Gwyddoniaeth a Thechnoleg Coedwigaeth Shaanxi o dan Grant SXLK{{ 13}}, yn rhannol gan Raglen Ymchwil Sylfaenol Gwyddoniaeth Naturiol Shaanxi o dan Grant 2021JC-23, ac yn rhannol gan Brosiect Gwyddoniaeth, Technoleg a Datblygu Biwro Gwyddoniaeth a Thechnoleg Yulin o dan Grant CXY-2020-094. (Cyfrannodd Yang Cao a Wei Feng yn gyfartal at y gwaith hwn.) (Awduron cyfatebol: Wei Feng; a Yinghui Quan.) Mae Yang Cao, Wei Feng, Yinghui Quan, Yijia Song, ac Aifeng Ren gyda'r Adran Gwyddoniaeth a Thechnoleg Synhwyro o Bell. , Ysgol Peirianneg Electronig, Prifysgol Xidian, Xi'an 710071, Tsieina (e-bost: ycao6@stu.xidian.edu.cn; wfeng@xidian.edu.cn; yhquan@mail.xidian.edu.cn; yijia_son@ 163.com; afren@mail.xidian.edu.cn). Mae Wenxing Bao gyda'r Ysgol Cyfrifiadureg a Pheirianneg, Prifysgol Gogledd Minzu, Yinchuan 750021, Tsieina (e-bost: baowenxing@nun.edu.cn). Mae Gabriel Dauphin gyda'r Labordy Prosesu a Throsglwyddo Gwybodaeth, Institut Galilée, Prifysgol Paris XIII, 93430 Villetaneuse, Ffrainc (e-bost: gabriel.dauphin@univ-paris13.fr). Mae Mengdao Xing gyda'r Academi Ymchwil Ryngddisgyblaethol Uwch, Prifysgol Xidian, Xi'an 710071, Tsieina (e-bost: xmd@xidian.edu.cn). Dynodydd Gwrthrych Digidol 10.1109/JSTARS.2022.3225665 a'r economi gymdeithasol, o bwysigrwydd dwys yn system y Ddaear [1], [2], [3], [4]. Mae astudiaethau maes, sy'n dibynnu ar ddehongli â llaw, yn foesau llafurus a llafurus na allant ddosbarthu'r statws defnydd tir mewn amser [5], [6], [7]. I'r gwrthwyneb, mae cynnydd diweddar mewn technoleg lloeren yn darparu potensial gwych ar gyfer gwahaniaethu'n gywir rhwng nodweddion nodweddion tir amrywiol a chreu mapiau LULC o'r ardal helaeth yn gyflym [8], [9], [10]. Rhennir y dosbarthiad delwedd synhwyro o bell yn fras yn ddulliau dan oruchwyliaeth a heb oruchwyliaeth [11], [12], [13], [14]. Mae perfformiad uwch dosbarthwyr dan oruchwyliaeth yn dibynnu'n sylweddol ar y data cost uchel wedi'i labelu, sy'n anodd ei gael [15]. Mae dosbarthwyr heb oruchwyliaeth yn cael dosbarthiad data trwy rannu'r ddelwedd yn grwpiau picsel â nodweddion tebyg, megis K-modds [16], ISODATA [17], a c-moddau niwlog (FCM) [18], sydd wedi'u defnyddio'n llwyddiannus yn y parth dosbarthiad LULC. Er enghraifft, mae Dang et al. [19] Cynigiodd y cnewyllyn lluosog clystyru FCMs cydweithredol gyda thechneg gronynniad uwch-bicsel pwysol, a all leihau'r gwrthrychau ystyriol o ddosbarthiad gorchudd tir o nifer fawr o bicseli i ddim ond ychydig gannoedd o uwch-bicsel o'r gwrthrychau a ystyriwyd. Llaciodd Paradis y rhagdybiaeth o amrywiant homogenaidd yn yr algorithm k-modd safonol a chyflwynodd ddull dosbarthu gorchudd tir newydd o'r enw k-moddau tebygol (P-Kmeans) [20], mae'r dull hwn yn perfformio'n dda ar ddata aml-sbectrol sŵn ac mae ganddo welliant sylweddol mewn y cywirdeb cyffredinol (OA) o'i gymharu â'r cymedrau k syml. Yn anffodus, dim ond nodweddion sbectrol y mae rhagfynegiadau'r dosbarthwyr hyn yn eu hystyried ac yn anwybyddu eu cydberthynas ofodol, gan arwain at gadernid gwael. Canfuwyd bod y gynrychiolaeth nodwedd ofodol-sbectrol ar y cyd yn gwella imiwnedd sŵn algorithm ac yn lleihau gwallau dosbarthu mewn llawer o fodelau dosbarthu presennol [21], yn enwedig algorithmau clystyru niwlog [22], [23], [24]. Mae FLICM [25] yn defnyddio gofod niwlog a mesuriadau tebygrwydd graddlwyd i wella cadw manylion delwedd tra'n sicrhau ansensitifrwydd sŵn. Roedd Zhang et al. [26] gwella'r algorithm FCM confensiynol gan ddefnyddio ffactorau pwysoli addasol ar gyfer effeithiau picsel cyfagos yn seiliedig ar fodel atyniad gofodol picsel newydd. Mae Lei et al. [27] Cynigiodd FRFCM symlach a llawer cyflymach trwy gyflwyno gweithrediad ail-greu morffolegol a hidlo aelodaeth leol. Mae Wang et al. [28] cyflwynodd FCM_SICM gyfyngiad dwyster gofodol addasol a chysylltiadau aelodaeth, gan leihau cymhlethdod amser swyddogaeth gwrthrychol o O(n4). Fodd bynnag, mae gwell algorithmau FCM yn dal i gyflwyno heriau o ran lleihau ymyrraeth sŵn.

Manteision cistanche tubulosa- cryfhau'r system imiwnedd

Dangoswyd y gall y broblem dosbarthiad tir gael ei dadelfennu yn dasgau dosbarthu deuaidd lluosog [29]. Mae dod o hyd i ddosbarthiad optimaidd, felly, yn cael ei ystyried yn broblem optimeiddio cyfun. Yn ystod y degawd diwethaf, bu datblygiad rhyfeddol yn yr ymchwil i ddosbarthiad defnydd tir yn seiliedig ar gyfrifiant esblygiadol [30], [31]. Er enghraifft, mae Yang et al. cyflwyno techneg seiliedig ar optimeiddio heidiau gronynnau (PSO) a dylunio swyddogaeth maen prawf i nodi'r gorchudd tir [32]. Mae Sarkar et al. [33] defnyddio uchafswm entropi Rènyi (MRE) i ddatblygu dull ar gyfer dosbarthu gorchudd tir heb oruchwyliaeth yn seiliedig ar esblygiad gwahaniaethol (DE), sy'n perfformio'n dda ar ddau ddata delwedd hyperspectrol a ddefnyddir yn eang. Mae algorithmau genetig (GAs), algorithmau optimeiddio byd-eang effeithiol, yn dynwared mecanweithiau genetig biolegol yn y broses o ddethol naturiol ar gyfer pennu datrysiad gorau posibl yn fyd-eang [34], [35], [36], [37]. Mae'r GA safonol yn gofyn am weithrediad amgodio deuaidd ar gyfer cynrychioli datrysiad ymgeisydd ar ffurf llinyn [38], [39], [40]. Ym mhob iteriad, mae'r gweithredwr crossover yn dewis dau ateb ymgeisydd ar hap (hy, rhieni) ac yn cyfnewid rhan o'u gwybodaeth i greu atebion newydd (hy, epil), sy'n gwella gallu archwilio'r boblogaeth [41]. Fel y treiglad genynnol ei natur, mae'r gweithredwr treiglo yn cael ei gymhwyso i'r GA i newid rhan o'r wybodaeth yn yr atebion epil a gwella'r gallu i chwilio'n lleol [42]. Mae'r gweithredwr dethol yn dewis yr atebion ymgeisiol yn seiliedig ar ffitrwydd pob aelod o'r boblogaeth - gan gadw epil gwell a dileu epil drwg. Mae'r mecanwaith hwn, yn ei dro, yn gwella'r cydbwysedd rhwng ecsbloetio ac archwilio [43]. Gan y gweithredwyr genetig uchod, cyfunir yr unigolion hyn i gynhyrchu cenhedlaeth newydd o grwpiau datrysiadau ymgeiswyr, ac ailadroddir y broses nes bod rhywfaint o fynegai cydgyfeirio yn fodlon. Mae GA yn caffael ac yn cronni gwybodaeth am y cyfeiriad chwilio yn ystod y broses chwilio ac, felly, yn rheoli'r cyfeiriad chwilio yn awtomatig i gynhyrchu'r ateb gorau posibl [44], sydd wedi'i gymhwyso'n llwyddiannus i ddosbarthiad delwedd synhwyro o bell ac sydd wedi cyflawni canlyniadau da. Mae llawer o GAs gwell wedi dod i'r amlwg yn ystod y blynyddoedd diwethaf [45]. Fodd bynnag, mae materion heb eu datrys o hyd. 1) Cyfrifiadau helaeth. Mae cydgyfeiriant GA yn dirywio pan fydd y set ddata yn dod yn fwy. 2) Mae perfformiad antinŵn gwael GA syml sy'n canolbwyntio ar nodweddion sbectrol fel arfer yn sensitif i synau yn y ddelwedd. 3) Cydgyfeirio cynamserol. Mae gan GA allu cyfyngedig i chwilio am y gofod newydd ac mae'n dueddol o ddisgyn i'r optimwm lleol. Gan fod y data synhwyro o bell yn cael ei nodweddu gan heterogeneity, rydym yn canolbwyntio ar ddosbarthwyr ensemble, sy'n pwysleisio cyfatebolrwydd ymhlith y nodweddion dosbarthu amrywiol [46], [47], [48]. Syniad hollbwysig strategaeth ensemble yw asio a chyfuno rhagfynegiadau o wahanol reolau dosbarthu [49], [50]. Yn yr astudiaeth o [51], cynigir model dosbarthu ensemble hynod gywir i ddarparu mapiau dosbarthu annibynnol lluosog yn ôl disgrifyddion nodwedd gwahanol. Mae'r astudiaeth o [52] yn nodi y gall y fframwaith ensemble sy'n cynnwys mecanwaith pleidleisio dau gam atal sŵn y data delwedd wreiddiol a mireinio dosbarthiad rhew môr i ryw raddau.

budd-daliadau atodiad cistanche-cynyddu imiwnedd

Cliciwch yma i weld cynhyrchion Gwella Imiwnedd Cistanche

【Gofyn am fwy】 E-bost:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Yn yr erthygl hon, cynigir model GA gwell ar sail strategaeth ensemble dau gam (TE-nGA) ar gyfer dosbarthiad gorchudd tir o ddelweddau aml-sbectrol. Ar gyfer diffygion GA, ein hateb yw defnyddio strategaeth ensemble a ffenestri gofodol ar ben GA clasurol i wella perfformiad antinoise, cywirdeb dosbarthu, a chyflymder cydgyfeirio. Mae prif gyfraniadau'r erthygl hon fel a ganlyn. 1) Defnyddir yr algorithm FCM i ddosbarthu picsel i'r rhai sy'n anodd eu clystyru a'r rhai sy'n hawdd eu clystyru, sy'n lleihau'r cymhlethdod cyfrifiannol. 2) Cynigir GA ar sail graddlwyd ar sail ofodol drwy ystyried y ffenestr gymdogaeth ofodol wrth wneud paramedrau hewristig i atal cydgyfeirio cynamserol a sensitifrwydd sŵn. 3) Defnyddir fframwaith ensemble dau gam newydd gyda mecanwaith dosbarthu aml-fand i leihau ansefydlogrwydd y datrysiad a gwallau dosbarthu.

II. DULL DOSBARTHU ARFAETHEDIG

Dangosir siart llif yr algorithm arfaethedig yn Ffig. 1. Ac mae'r algorithm yn bennaf yn cynnwys y tri cham a ganlyn: dadwneud delwedd, ei chael yn anodd clystyru'r picsel gan ddefnyddio strategaeth bleidleisio, ac ailddosbarthu trwy well GA yn seiliedig ar fodel ensemble a sbectrol-gofodol ymasiad. Sylwch, yr ail a'r trydydd cam yw rhannau hanfodol yr algorithm arfaethedig. Mae'r dull arfaethedig wedi'i fraslunio yn Algorithm 1.

A. Delwedd Denoising

Er mwyn osgoi arteffactau delwedd o sŵn synhwyrydd delwedd sy'n effeithio ar ansawdd yr olygfa, mae'r algorithm yn cynnwys yn gyntaf cymhwyso bloc-matu a 3-hidlo D, sef algorithm denoising poblogaidd ac effeithiol sy'n bodoli eisoes [53]. Dewisir nodweddion y hidlo hwn yn seiliedig ar y wybodaeth gyffredinol hon, mae'n gyfaddawd rhwng lleihau'r sŵn sy'n weddill yn y ddelwedd unioni a chadw'r newidiadau mewn dwyster ymhlith picseli cyfagos sy'n perthyn i wahanol glystyrau. Mae'r algorithm wedi'i brofi i berfformio'n well na algorithmau hidlo eraill o ran gwella ansawdd delwedd.

B. Cam yr Ensemble Cyntaf - Dod o Hyd i Bicseli'n Anodd i'w Clwstwr

Mae'r diagram bloc ar ochr chwith Ffig. 1 yn dangos delwedd amlsbectrol gyda thonfeddi D, a all dynnu delweddau penodol i D o faint H × W, a ddynodir fel I1, I2,..., ID. Y cam cyntaf, rhaniadau picsel rhwng y rhai sy'n anodd eu clystyru a'r rhai sy'n hawdd eu clystyru gan fod o leiaf un ddelwedd sbectrol, eu haelodaeth yn debygol iawn. Felly, mae'r clystyru FCMs yn cael ei gymhwyso ar wahân ar bob delwedd sbectrol i ddosbarthu picsel yn gategorïau N, lle mae N yn cael ei osod ymlaen llaw gan ddehongliad gweledol. Mae'n cynhyrchu ar gyfer pob picsel, pob tonfedd, a phob aelodaeth clwstwr.

Ffig. 1. Siart llif dosbarthiad LULC yn seiliedig ar y dull arfaethedig.

lle Id(i, j) yw dwyster y picsel (i, j) ar y dth donfedd, un d (i, j) yw'r aelodaeth i nfed clwstwr y picsel (i, j) ar y dth donfedd, 1 Llai na neu hafal i d Llai na neu hafal i D, 1 Llai na neu hafal i n Llai na neu hafal i N. Ar gyfer y dth donfedd, mae pob picsel wedi ei farcio gyda label categori cd(i, j), fel

yn seiliedig ar yr aelodaeth, mae picsel yn cael eu dosbarthu fel Ke clystyru hawdd ac anodd eu clystyru Kd. Mae'r trothwy τ a ddefnyddir yn baramedr i sicrhau bod gan y picsel (i, j) ∈ Ke a ystyrir yn hawdd ei glystyru lefel uchel o aelodaeth â'r ganolfan glwstwr berthnasol. Mae'r (N + 1)fed clwstwr yn cynnwys y picseli yr ystyrir eu bod yn anodd eu clystyru ac a ddynodir Kd. Gall dulliau sy'n seiliedig ar bleidleisio ddatrys gwrthdaro rhwng gwahanol benderfyniadau a gynhyrchir gan reolau dosbarthu lluosog. Yn unol â hynny, mae canlyniadau dosbarthu pob tonfedd a gafwyd gan FCM wedi'u hintegreiddio i fap dosbarthiad C ensemble, yn seiliedig ar yr egwyddor pleidleisio mwyafrif. Mae'r label picsel yn C yn cael ei ail-fapio i safle cyfatebol y ddelwedd amlsbectrol wedi'i hidlo, a cheir y mapiau ailddosbarthu terfynol, a ddynodir fel I1, I2, . . ., ID, fel y ffrâm a ddangosir yng nghanol Ffig. 1. Ar ôl cymhwyso'r algorithm FCM i ailddosbarthu'r picseli mor hawdd ac anodd eu clystyru, mae'r mater o ddadansoddi'r ddelwedd wreiddiol gyfan, felly, yn cael ei drawsnewid yn ddosbarthiad y picsel anodd.

C. Ail Gam yr Ensemble—GwellGA Cymryd i Gyfrif Picsel Cyfagos

Ar ochr dde'r siart llif, mae ffrâm o'r enw "Yr Ensemble Ail Rownd" yn dangos dwy dasg: Dosbarthiad GA yn seiliedig ar gyd-ffactor sbectrol-gofod ac ensemble penderfyniad ar gyfer dosbarthiad aml-fand. Gan fod problem dosbarthu LULC yn cael ei dadelfennu'n dasgau dosbarthu deuaidd lluosog, dylem fynd i'r afael â subproblemau cyfres ar gyfer pob tonfedd: a yw'r picsel (i, j) ∈ Kd yn perthyn i'r categori xth. 1 Llai na neu'n hafal i x Llai na neu'n hafal i N. Yn olaf, mae canlyniadau penderfyniadau holl fapiau dosbarthu deuaidd N yn cael eu cyfuno i gael map dosbarthu sy'n cynnwys N math o orchudd tir. Ar gyfer pob problem dosbarthu deuaidd, mae'r GA sbectrol gwell sy'n seiliedig ar ofod yn cael ei gymhwyso i bicseli sydd wedi'u nodi fel yr (N + 1)fed dosbarth i wneud y gorau o'r labeli categori amwys ymhellach, a ddangosir yn ffrâm doredig Ffig. 1. Y Mae dehongliad o'r GA sbectrol gwell hwn yn seiliedig ar y gofod fel a ganlyn. 1) Amgodio Cromosom Deuaidd Dau Ddimensiwn: Ar gyfer ID delwedd, gellir tynnu N mapiau deuaidd o dasgau dosbarthu N. Defnyddir amgodio deuaidd dau ddimensiwn i gynnal priodweddau strwythurol gofodol unigolion datblygedig (mae un unigolyn yn cynrychioli un penderfyniad posibl). Mae maint y matrics amgodio yr un peth â delwedd y donfedd, hynny yw H × W. I amcangyfrif a yw picsel (i, j) ∈ Kd yn perthyn i'r categori xth, 1 Llai na neu hafal i x Llai na neu hafal i N, er pob tonfedd, rydym yn amgodio picseli (i, j) ∈ Ke yn nosbarth x wedi'i glystyru gan y FCM fel 1 a noncategori x fel 0, lle nad oes gweithrediad optimeiddio esblygiad yn cael ei berfformio ymhellach. Mae'r pwyntiau(i, j) ∈ Kd hynny wedi'u hamgodio ar hap fel 0 neu 1. Bydd optimeiddio esblygiadol a weithredir yn Kd yn archwilio pob datrysiad posibl. 2) Swyddogaeth Ffitrwydd yn Seiliedig ar Ffenest Cymdogaeth: Y swyddogaeth ffitrwydd yw'r dangosydd mwyaf hanfodol i werthuso ansawdd unigolion yn y boblogaeth, sy'n gysylltiedig â dewis unigolion a gweithredu gweithredwyr genetig. Mae cydberthynas fawr rhwng picselau cyfagos o ran graddlwyd a gwead. O ganlyniad, mabwysiadir y wybodaeth gyflenwol am sbectra a gofod i ddatblygu swyddogaeth ffitrwydd cyfansawdd, sy'n darparu syniad newydd ar gyfer gwella imiwnedd sŵn algorithm. Ar gyfer yr nfed dasg glystyru ar y donfedd dth, tybiwch mai nifer yr unigolion yn y boblogaeth yw P, CIp,n,d yw'r llwybr unigolion, 1 Llai na neu hafal i p Llai na neu hafal i P, 1 Llai na neu hafal i n Llai na neu hafal i N, 1 Llai na neu hafal i d Llai na neu hafal i D. Mae ffwythiant ffitrwydd CIp,n,d yw Fitness=1 OF, OF yn cael ei gyfrifo gan y fformiwla (3)

lle mae r ∈ {{{0}}, 1}, Rr yn dynodi'r picseli sydd wedi'u hamgodio fel 0 neu 1, ac mae eu hystadegau maint yn cael eu cynrychioli fel Nr. Cyfrifir y ganolfan clwstwr rth vr gan gymedr picsel yr holl bwyntiau sy'n perthyn i Rr. I d(i, j) yw dwyster y picsel (i, j) ar y donfedd dth ar ôl cymhwyso'r algorithm clystyru FCM. Yn y swyddogaeth gymdogaeth Wr(i, j), tybir bod ennill dows cymdogaeth yn sgwâr, a hyd eu hochr s yn gyfanrifau od. Mae N(i, j, s) yn cynrychioli'r ffenestr gymdogaeth s × s yn y lleoliad mynegeiedig (i, j). Ystyr Nt(i, j, s) yw dwyster y picsel tth yn y gymdogaeth N(i, j, s). Mae gradd aelodaeth y picsel tth yn N(i, j, s) sy'n perthyn i'r clwstwr rth yn cael ei ddynodi fel utr(i, j, s). Mae lt(i, j, s) yn cynrychioli'r pellter gofodol rhwng y picsel cymdogaeth tth a'r canolbwynt (i, j). L yw'r pwysau pellter gofodol rhwng y pwynt canol a'i bicseli cymdogaeth. 3) Gweithredwr Treiglad yn Defnyddio Gwybodaeth Cymdogaeth: Mae cenedlaethau newydd yn cael eu cynhyrchu'n ailadroddol trwy ddethol unigol, trawsgroesi unffurf, a threiglad genetig, fel y dangosir yn ffrâm doredig Ffig. 1. Mae'r rhan fwyaf o CP yn defnyddio tebygolrwydd treiglad byd-eang i weithredu'r addasiad label ar hap picsel dethol gyda'r un tebygolrwydd, sy'n arafu cyfradd cydgyfeirio GA yn anweledig. Fel y gweithredwr technegol hanfodol, crëir gwell tebygolrwydd o dreiglad hewristig, ar y cyd â gwybodaeth am y gymdogaeth, i gyfrifo'n awtomatig y tebygolrwydd treiglo priodol ar gyfer pob genyn. Mae'r fformiwlâu canlynol yn diffinio'r tebygolrwydd treiglad newydd hwn:

ar gyfer y picsel canol (i, j), mae uht(i, j, s) yn dynodi gradd aelodaeth y pwynt cymdogaeth Nt(i, j, s) sy'n perthyn i'r ganolfan glystyru vh, h ∈ {{{0} }, 1}. O ganlyniad, mae tebygolrwydd treiglad addasol Pm(i, j) y CIp,n,d unigol yn cael ei fynegi fel fformiwla 8, lle P0 yw'r tebygolrwydd treiglo sylfaenol, hefyd y tebygolrwydd treiglo byd-eang yn GA clasurol; Mae σ, datguddiad S, yn sefyll am ddylanwad pwysau gwybodaeth cymdogaeth ar debygolrwydd treiglo'r picsel canolog. CIp,n,d(i,j) yw amgodiad deuaidd yr unigolyn llwybr, ar gyfer yr nfed dasg glystyru ar hyd y don dth. Mae lt(i, j, s) yn dynodi'r pellter gofodol rhwng y picsel canol(i, j) a'r tth picsel yn N(i, j, s). Mae label Nt(i, j, s) yn cael ei ddynodi fel Ct, os yw u1t yn fwy nag u0t, yna Ct=1; doeth arall, Ct=0. O ystyried y gwahanol ffenestri cymdogaeth, pan s=3, gellir cyfrifo bod S ∈ [0, 4+2√2]; pan s=5, S ∈ [0, 6+3√2+1.6 √5]. Trwy'r mecanwaith uchod, gall pwyntiau (i, j) ∈ Kd gaffael tebygolrwydd treiglo priodol yn seiliedig ar y categori o bicseli cyfagos. Pan fydd y label amcangyfrifedig CIp,n,d(i,j)yn cytuno â'r rhan fwyaf o gategorïau o bicseli amgylchynol, mae angen tebygolrwydd treiglad bach i gynnal yr homogenedd rhanbarthol gwreiddiol. Fel arall, mae'r tebygolrwydd o dreiglad yn cynyddu i wneud CIp,n,d(i,j) yn tueddu i'r rhan fwyaf o gategorïau yn y gymdogaeth N(i, j, s). Gan y gweithredwyr genetig a grybwyllir uchod, mae epil newydd yn cael eu cynhyrchu'n ailadroddol. Mae'r unigolyn â'r ffitrwydd uchaf yn allbwn pan nad yw'r amod iteriad yn cael ei fodloni, fel y dangosir yng nghamau 10–16 Algorithm 1. Sylwch ar reol ddosbarthu anarferol ar gyfer y dull arfaethedig hwn o ran dosbarthiad LULC. Mae'r GA sbectrol-gofod arfaethedig yn perfformio dosbarthiad deuaidd yn unig ar bob delwedd hyd tonnau. Felly, pan fydd pob math o N defnydd tir wedi'i wahaniaethu a delweddau deuaidd N, mae canlyniadau'r dosbarthiad yn cael eu hasio i mewn i fap dosbarthiad cyflawn. Yn syml, mae picsel(i, j) yn perthyn i'r categori sy'n ei nodi fel 1 yn y map dosbarthiad deuaidd. Pan fydd dau fap deuaidd neu fwy yn nodi'r picsel fel 1, mae'r picsel yn cael ei ddosbarthu fel yr un â'r gwerth ffitrwydd mwy, fel y dangosir yn Ffig. 2 a cham 19 Algorithm 1.

Algorithm 1: Gweithdrefn y Model Ensemble Dau Gam Arfaethedig.

Ffig. 2. Cyfuniad o bedwar map canlyniadau dosbarthiad deuaidd.

Yn olaf, mae'r ail fodel ensemble yn cael ei gymhwyso i'r mapiau dosbarthiad D, gyda'r nod o gyfuno mapiau dosbarthu o bob tonfedd â'r map LULC terfynol. Mae rheolau'r ensemble fel a ganlyn: tybiwch fod yna fapiau dosbarthu nk sy'n dosbarthu'r picsel (i, j) fel y dosbarth kth, a'r categori olaf CI(i, j)=k, os nk > nx, lle x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Sylwch, yn y fframwaith integreiddio, rydym bob amser yn dileu'r dosbarthiad yn ddetholus canlyniadau yn y band NIR oherwydd bod ei ganlyniadau dosbarthu yn aml yn anhygoel.

III. CANLYNIADAU ARBROFOL

A. Cyflwyniad i Ddata

Defnyddir tair set ddata o ddelweddau synhwyro o bell a gaffaelwyd gan loeren Beijing 2 i wirio cywirdeb ac effeithiolrwydd yr algorithm arfaethedig. Mae Beijing-2 yn gytser lloeren synhwyro o bell masnachol sifil (DMC3) sy'n cynnwys tair lloeren cydraniad uchel. Fe'i lansiwyd ar 11 Gorffennaf, 2015, o India a'i ddosbarthu i 651 km o haul cydamserol. Mae system cytser Beijing-2 yn darparu tua 24 km o led, 0.8 m cydraniad pancromatig, a 3.2 m cydraniad glas, gwyrdd, coch, ac isgoch delweddau aml-sbectrol mewn orbit, a all ddarparu data lloeren synhwyro o bell a chynhyrchion gwybodaeth ofodol gyda sylw byd-eang a datrysiad gofodol ac amserol rhagorol, yn gallu ailymweld ag unrhyw leoliad ar y byd am ddiwrnod neu ddau. Cafwyd delweddau arbrofol yn 2018. Mae'r safle prawf yn dair rhan wahanol o Dangyang City, Hubei Province, China. Yn yr erthygl hon, dim ond delweddau aml-sbectrol sy'n cael eu hystyried. Gwnaethom gywiro atmosfferig ar y data delwedd hyn trwy ENVI(5.3). Mae'r model atmosfferig yn aeaf tanarctig ac mae'r model aerosol yn wledig. At hynny, yr adalw aerosol a ddewiswyd gennym yw 2-band (KT). Gosodwyd y paramedrau eraill yn ddiofyn. Mae'r holl ddelweddau'n cael eu prosesu ymlaen llaw trwy gydgofrestru. Yn ogystal, rydym wedi cael dosbarthiad eisoes wedi'i labelu o'r holl ddelweddau yn y pedwar neu bum dosbarth. Mae hyn yn seiliedig ar archwiliad gweledol trwyadl trwy arsylwi'r ddelwedd wreiddiol a'i gofnodi ar fap geogyfeiriol fel gwirionedd daear.

cistanche tubulosa-gwella system imiwnedd

B. Ffurfweddiad Paramedr

Yn yr arbrawf hwn, y trothwy τ o FCM yw 0.8, mae maint y boblogaeth wedi'i osod i 40, y tebygolrwydd trawsgroesiad Pc=0.8, y tebygolrwydd treiglad sylfaenol P0=0.001 , yr esbonydd σ yw 2, mae maint y ffenestr gymdogaeth s wedi'i osod ar 3 picsel, gyda'r nod o gynnal manylion delwedd tra hefyd yn gwneud y gorau o amser prosesu cyfrifiadurol a chyfeiriad cydgyfeirio. Mae angen naw dull dosbarthu gorchudd tir presennol i wirio effeithiolrwydd y dull arfaethedig, gan gynnwys FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33], a P-Kmeans [20]. Mae'r gosodiadau paramedr yn union yr un fath â'r llenyddiaeth wreiddiol, heb eu hailadrodd yma. Ar ben hynny, mae gan GA syml yr un maint poblogaeth paramedr H a thebygolrwydd crossover Pc â'r algorithm arfaethedig yn yr erthygl hon, y tebygolrwydd treiglo Pm=0.01, ond heb wybodaeth gymdogaeth, gall y darllenydd ddeall mai maint y ffenestr gymdogaeth yw 1. Yn benodol, mae NGA yn cadw'r gweithredwr genetig gan ddefnyddio gwybodaeth cymdogaeth ond yn dileu'r gweithrediad ensemble sy'n bodoli yn TE-nGA.

C. Canlyniadau Dosbarthiad

Ffigys. Mae 3–5 yn dangos canlyniadau dosbarthiad LULC mewn mapiau lliw sy'n cyfateb i'r gwahanol fodelau pan gânt eu profi ar bob set ddata. Gan fod y tair delwedd synhwyro o bell yn cynnwys gwahanol fathau o ddefnydd tir, nid yw cynrychiolaeth lliw y siart dosbarthu yn unffurf. Yn ôl y canlyniadau dosbarthu hyn, ar gyfer tri ffigur, mae'r mapiau lliw a geir trwy'r dull arfaethedig yn fwy clir a llyfn. Mae Tabl I yn dangos amseroedd (amser rhedeg) a OA a gyflawnwyd gan y 12 model ac wrth eu profi ar feysydd ymchwil i gymharu perfformiad dosbarthu gyda gwahanol ddulliau. Dangosir y canlyniadau arbrofol gorau mewn print trwm. Gellir dod i'r casgliad bod y dull arfaethedig wedi cyflwyno'r canlyniadau cyffredinol gorau, gyda'r OA uchaf o 88.72% a chymharol ychydig o bicseli anghywir. Ar gyfer Ardal 3, wrth ddefnyddio'r ffenestri cymdogaeth, mae cywirdeb dosbarthiad LULC yn cynyddu 28.35%; Yn bwysicach fyth, gall TE-nGA leihau'r amser cyfrifiannol i 9257.56 s, o'i gymharu â'r GA syml. Mae hyn oherwydd y gall gweithredwr treiglo hewristig y TE-nGA reoli'r cyfeiriad chwilio yn addasol i gyflymu cydgyfeiriant yr algorithm, gan brofi bod y dull arfaethedig yn fwy addas ar gyfer senarios ymarferol. Yn ogystal, mae nGA yn cyfateb i TE-nGA yn dileu gweithrediad ensemble, felly gall y darllenydd ddeall bod y TE-nGA yn rhedeg ar y ddelwedd band sengl (band1) yn unig. Ar gyfer Maes 3, pan gyflwynir fframweithiau ensemble, caiff cywirdeb y dosbarthiad ei wella ymhellach gan 0.72%, gan ddangos effeithiolrwydd y strategaeth ensemble.

D. Dadansoddiad Paramedr

Un o hanfodion y dull arfaethedig yw ystyried y wybodaeth ofodol am gymdogaeth fel gwybodaeth hewristig i addasu'r swyddogaeth wrthrychol a'r tebygolrwydd o dreiglad yn addasol, gan wella'r imiwnedd sŵn a chywirdeb dosbarthiad, yn ogystal â chyflymder cydgyfeirio. Fodd bynnag, nid yw'n golygu po fwyaf yw maint y ffenestr, y gorau yw'r effaith ddosbarthu. O ran Tabl II, gwelir cynnydd mewn perfformiad wrth ystyried gwybodaeth ofodol gymdogaeth, wrth gynyddu maint y ffenestr hyd at drothwy priodol, ac yna'n lleihau. Y cyfan yw bod samplau ymhellach i ffwrdd o'r picsel canolog yn cyfrannu fawr ddim at raniad categori'r picsel canolog a hyd yn oed yn gwaethygu'r camddosbarthiad. Oherwydd gwrthrychau mewn lleoliadau daearyddol amrywiol mae gwahaniaethau presennol mewn disgleirdeb a gwead, mae'n ymddangos mai maint y ffenestr optimaidd yw 5 × 5 ar gyfer Ardal 1 ac Ardal 2, ond eto 3 × 3 ar gyfer Ardal 3. Gellir gweld y canlyniad hwn mewn print trwm yn Nhabl II, cynrychioli'r cywirdeb gorau a'r amser cydgyfeirio cyflymaf. Ymhellach, rydym wedi canfod bod tebygolrwydd treiglad sylfaenolP0 a'r esbonydd σ hefyd yn ffactorau hanfodol sy'n effeithio ar berfformiad dosbarthiad. Yn ein hastudiaeth, defnyddir P0 a σ gwahanol i ddilysu dehongliad a dosbarthiad LULC. Mae Ffig. 6 yn tynnu cromliniau amrywiad OA wrth i P{{1{0}} a σ gynyddu. Daeth i'r amlwg, ar gyfer σ sefydlog, wrth i P0 gynyddu, mae cywirdeb dosbarthiad cyffredinol yn cynyddu yn gyntaf ac yna'n lleihau. Disgwylir y canlyniad hwn gan y bydd P0 bach yn achosi i'r chwiliad gael ei gyfyngu i'r cyfeiriad esblygiadol gwreiddiol ac, felly, yn disgyn i optimwm lleol; i'r gwrthwyneb, bydd P0 mawr yn torri'r patrwm esblygiadol da ac yn gwyro'r canlyniadau o'r datrysiad gorau posibl. Ar y llaw arall, wrth i σ gynyddu, mae effaith y wybodaeth gymdogaeth yn fwy arwyddocaol, ac mae'r gwerth tebygolrwydd sylfaenol gorau yn newid yn raddol o uchel i isel. Mae pwysau cymdogaeth addas yn fwy ffafriol i gael y canlyniadau dosbarthu gorau. Yn ein maes ymchwil, yr esboniwr gorau yw σ ∈ {2, 3}, a'r ystod fwyaf priodol o P0 yw [10−5, 10−2].

Ffig. 3. Canlyniadau dosbarthiad Ardal 1. (a) Gwirionedd Tir. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLIM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. ( l ) nGA. (m) TE-nGA.

TABL I CANLYNIADAU GWERTHUSIAD O WYTH DULLIAU DOSBARTHU GWAHANOL MEWN TRI MAES ASTUDIO

Ffig. 4. Canlyniadau dosbarthiad Ardal 2. (a) Gwirionedd Tir. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLIM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. ( l ) nGA. (m) TE-nGA.

Ffig. 5. Canlyniadau dosbarthiad Ardal 3. (a) Gwirionedd Tir. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLIM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (i) nGA. (m) TE-nGA.

TABL II CANLYNIADAU GWERTHUSO'R TE-NGA ARFAETHEDIG DEFNYDDIO FFENESTRI MAINT GWAHANOL MEWN TAIR MAES ASTUDIO

Ffig. 6. Dadansoddiad o'r tebygolrwydd treiglad bas P0 a'r esboniwr σ yn y tebygolrwydd treiglad hewristig.

IV. CASGLIAD

Prif gyfraniad yr astudiaeth hon yw cynnig strategaeth ensemble dau gam uwch a GA sbectrol-gofodol ar gyfer dosbarthiad LULC o ddelweddaeth amlsbectif. Mae'r model ensemble cyntaf yn perfformio FCM ar ddelweddau aml-fand, gan leihau'r dasg o ddosbarthu delweddau sy'n cael eu synhwyro o bell i bennu categorïau o bicseli sy'n anodd eu clystyru. Mae'r ail brosesu ensemble yn cynnwys dwy dasg. Yn gyntaf, crëwyd y GA gwell sy'n cyfuno gwybodaeth sbectrol a gofodol i gynnig atebion arloesol i bosau, megis cydgyfeiriant araf ac antinoise gwael. Yn union, mae'r gwelliant hwn yn elwa ar y swyddogaethau ffitrwydd newydd a'r tebygolrwydd o dreiglad, gan ddefnyddio ffenestr gymdogaeth briodol. Yna, mabwysiadir y model ensemble i integreiddio canlyniadau dosbarthu sy'n deillio o ddelweddau band lluosog, a ddefnyddir i leihau'r risg o gamddosbarthu. Mae'r canlyniadau'n profi bod gan y TE-nGA arfaethedig berfformiad dosbarthu gwell a chydgyfeiriant cyflymach na GA syml. Yn y dyfodol, rydym yn disgwyl ymestyn cymhwysiad y dechneg arfaethedig i feysydd eraill, megis dosbarthu cnydau, canfod targedau, a dosbarthu delweddau hyperspectrol.

Manteision cistanche tubulosa- cryfhau'r system imiwnedd

CYFEIRIADAU

[1] T. Hermosilla, MA Wulder, JC White, a NC Coops, "Dosbarthiad gorchudd tir mewn cyfnod o ddata mawr ac agored: Optimeiddio dewis data gweithredu a hyfforddi lleol i wella canlyniadau mapio," Remote Sens. Environ., cyf . 268, 2022, Celf. nac oes. 112780.

[2] P. Helber, B. Bischke, A. Dengel, a D. Borth, "EuroSAT: Set ddata newydd a meincnod dysgu dwfn ar gyfer dosbarthiad defnydd tir a gorchudd tir," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 12, na. 7, tt. 2217–2226, Gorff. 2019.

[3] C. Li, G. Xian, Q. Zhou, a BW Pengra, "Dull dysgu ffenoleg awtomatig newydd (APL) o hyfforddi dewis sampl gan ddefnyddio setiau data lluosog ar gyfer mapio gorchudd tir cyfres-amser," Sens Remote Environ. , cyf. 266, 2021, Celf. nac oes. 112670.

[4] S. Ji, D. Wang, ac M. Luo, "Generative gwrthwynebus rhwydwaith seiliedig ar addasu parth gofod llawn ar gyfer dosbarthiad gorchudd tir o ddelweddau synhwyro o bell aml-ffynhonnell," IEEE Trans. Geosci. Remote Sens., cyf. 59, na. 5, tt. 3816–3828, Mai 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, a M. Xing, "Dull delwedd ymasiad nofel o ddelweddau aml-sbectrol a SAR ar gyfer dosbarthiad gorchudd tir," Sens Remote. , cyf. 12, na. 22, 2020, Celf. nac oes. 3801. llarieidd-dra eg.

[6] B. Iqbal ac M. Ali, "Amcangyfrif o dymheredd aer gofodol-amserol o lst seiliedig ar loeren o dan lled-cras i amgylchedd cras ym Masn Peshawar, Gogledd-orllewin Pacistan," Adv. Space Res., cyf. 70, na. 4, tt 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks, a LL Coulter, "Pennu math ac amser cychwyn gorchudd tir a newid defnydd tir yn ne Ghana yn seiliedig ar ddadansoddiad arwahanol o gyfres amser delwedd trwchus Landsat," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 9, na. 5, tt. 2064–2073, Mai 2016.

[8] A. Jamil a B. Bayram, "Echdynnu rhywogaethau coed a dosbarthiad defnydd tir / gorchudd o fapiau orthoffoto digidol cydraniad uchel," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 11, dim. 1, tt. 89–94, Ionawr 2018.

[9] Z. Xue, P. Du, a L. Feng, "Dosbarthiad gorchudd tir sy'n cael ei yrru gan ffenoleg a dadansoddiad o dueddiadau yn seiliedig ar gyfres delwedd synhwyro o bell hirdymor," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 7, dim. 4, tt. 1142–1156, Ebrill 2014.

[10] C. Zhu et al., "Canfod newid defnydd tir/gorchudd tir yn seiliedig ar fframwaith dysgu byd-eang siamese ar gyfer delweddaeth synhwyro o bell cydraniad gofodol uchel," ISPRS J. Photogrammetry Remote Sens., cyf. 184, tt 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan, a W. Liao, "Techneg iteraidd is-samplu newydd yn seiliedig ar ymyl mewn coedwigoedd hap addasedig ar gyfer dosbarthu," Knowl.-Based Syst., cyf. 182, 2019, Celf. nac oes. 104845. llathredd eg.

[12] W. Feng et al., "lleiafrifoedd synthetig deinamig gor-samplu dechneg coedwig cylchdro yn seiliedig ar gyfer dosbarthu data hyperspectral anghydbwysedd," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 12, na. 7, tt. 2159–2169, Gorff. 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri, a XX Zhu, "Adferiad uchder adeilad ar raddfa fawr o ddelweddaeth SAR sengl yn seiliedig ar rwydweithiau atchweliad blwch ffinio," ISPRS J. Photogrammetry Remote Sens., cyf. 184, tt 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui, a F. Pu, "Dadansoddiad gwead ffractal deinamig ar gyfer dosbarthiad gorchudd tir PolSAR," IEEE Trans. Geosci. Remote Sens., cyf. 57, na. 8, tt. 5991–6002, Awst 2019

[15] S. Saha, F. Bovolo, a L. Bruzzone, "Adeiladu canfod newid mewn delweddau VHR SAR trwy drawsgodio dwfn heb oruchwyliaeth," IEEE Trans. Geosci. Remote Sens., cyf. 59, na. 3, tt. 1917–1929, Mawrth 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam, ac MA Hossain, "Canfod tiwmor ymennydd mewn delwedd MR gan ddefnyddio superpixels, dadansoddiad prif gydran a templed yn seiliedig ar k-moddau algorithm clystyru," Mach. Dysgwch. Appl., cyf. 5, 2021, Celf. nac oes. 100044.

[17] C. Wang, Q. Li, H. Liu, Y. Wang, a J. Zhu, "Mae algorithm ISODATA gwell ar gyfer dosbarthiad delwedd hyperspectral," yn Proc. 7fed Int. Congr. Proses Arwyddion Delwedd., 2014, tt. 660–664.

[18] S. Ghaffarian a S. Ghaffarian, "Clystyru cmeans niwlog seiliedig ar histogram awtomatig ar gyfer delweddaeth synhwyro o bell," ISPRS J. Photogrammetry Remote Sens., cyf. 97, tt 46–57, 2014.

[19] TH Dang, DS Mai, a LT Ngo, "Algorithm clystyru niwlog cydweithredol lluosog cnewyllyn gyda uwch-picsel wedi'i bwysoli ar gyfer dosbarthiad gorchudd tir delwedd lloeren," Eng. Appl. Artif. Intell., cyf. 85, tt. 85–98, 2019.

[20] E. Paradis, "Dosbarthiad tebygol heb oruchwyliaeth ar gyfer dadansoddiad ar raddfa fawr o ddata delweddu sbectrol," Int. J. Appl. Arsylwi'r Ddaear Geoinformation, cyf. 107, 2022, Celf. nac oes. 102675.

[21] X. Hu, X. Wang, Y. Zhong, a L. Zhang, "S3aNet: rhwydwaith sylw ar raddfa sbectral-gofodol ar gyfer dosbarthiad cnwd manwl gywir o'r dechrau i'r diwedd yn seiliedig ar ddelweddaeth UAVborne H2," ISPRS J. Photogrammetry Remote Sens., cyf. 183, tt 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi, a H. Adam, "Mr segmentu delwedd ymennydd gan ddefnyddio algorithm c-modd fuzzy gwell," yn Proc. 25ain Annu. Int. Cyf. IEEE Eng. Med. Biol. Soc., 2003, cyf. 1, tt 724–726.

[23] W. Cai, S. Chen, a D. Zhang, "Cyflym a chadarn fuzzy c-yn golygu clystyru algorithmau ymgorffori gwybodaeth leol ar gyfer segmentu delwedd," Pattern Recognit., Cyf. 40, na. 3, tt. 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan, a Z. Wang, "Gwyriad-denau o niwlog c-yn golygu gyda chyfyngiad gwybodaeth cymdogion," IEEE Trans. Fuzzy Syst., cyf. 27, na. 1, tt. 185–199, Ionawr 2019.

[25] S. Krinidis a V. Chatzis, "Mae gwybodaeth leol niwlog gadarn C-yn golygu algorithm clystyru," IEEE Trans. Proses Delwedd., cyf. 19, na. 5, tt. 1328–1337, Mai 2010.

[26] H. Zhang, Q. Wang, W. Shi, a M. Hao, "Mae nofel addasol niwlog gwybodaeth leol C -yn golygu clystyru algorithm ar gyfer dosbarthiad delweddaeth synhwyro o bell," IEEE Trans. Geosci. Remote Sens., cyf. 55, na. 9, tt. 5057–5068, Medi 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, ac AK Nandi, "Sylweddol o gyflym a chadarn fuzzy C-yn golygu clystyru algorithm yn seiliedig ar ail-greu morffolegol a hidlo aelodaeth," IEEE Trans. Fuzzy Syst., cyf. 26, na. 5, tt. 3027–3041, Hydref 2018.

[28] C. Wang, X. Wang, C. Fang, a W. Yang, "C-yn niwlog cadarn yn golygu algorithm clystyru gyda chyfyngiad gofodol a dwyster addasol ac aelodaeth yn cysylltu ar gyfer segmentu delwedd sŵn," Appl. Cyfrifiadur Meddal., cyf. 92, 2020, Celf. nac oes. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, a Z. Luyan, "Dosbarthiad delwedd synhwyro o bell gan yr algorithm genetig anhrefn wrth fonitro newidiadau defnydd tir," Math. Cyfrifiadur. Model., cyf. 51, na. 11, tt 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf, a M. Zhang, "Ailddefnydd traws-barth o wybodaeth echdynnu mewn rhaglennu genetig ar gyfer dosbarthu delwedd," IEEE Trans. Evol. Comput., cyf. 21, na. 4, tt. 569–587, Awst 2017.

[31] R. Hamad, "Dadansoddiad synhwyro o bell a GIS o Ymlediad Trefol yn ardal Soran, Cwrdistan Irac," SN Appl. Sci., cyf. 2, dim. 1, tt. 1–9, 2019.

[32] H. Yang, Q. Du, a G. Chen, "Gronyn heidio optimization-seiliedig hyperspectral dimensionality lleihau ar gyfer dosbarthiad gorchudd tir trefol," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 5, dim. 2, tt. 544–554, Ebrill 2012.

[33] S. Sarkar, S. Das, a SS Chaudhuri, "Segmentu delwedd hyper-sbectrol gan ddefnyddio trothwyon aml-lefel seiliedig ar entropi Rényi gyda chymorth esblygiad gwahaniaethol," Syst Arbenigol. Appl., cyf. 50, tt 120–129, 2016.

[34] S. Sen Gupta, S. Hossain, a K.-D. Kim, "Delwedd tebyg i HDR o ymasiad delwedd ffug-amlygiad: Dull algorithm genetig," IEEE Trans. Defnydd. Electron., cyf. 67, na. 2, tt. 119–128, Mai 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang, ac Y. Li, "MGRFE: dileu nodwedd ailadroddus aml-haen yn seiliedig ar algorithm genetig gwreiddio ar gyfer dosbarthu canser," IEEE / ACM Trans . Cyfrifiadur. Biol. Bioinf., cyf. 18, na. 2, tt. 621–632, Maw./Ebr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang, a GM Shi, "Optimization o sianel cyflym ar gyfer uniondeb signal gydag algorithm genetig dwfn," IEEE Trans. Electromagn. Compat., cyf. 64, na. 4, tt. 1270–1274, Awst 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang, a J. Hu, "Nodi newidiadau deinamig yn wyneb y dŵr gan ddefnyddio data sentinel-1 yn seiliedig ar algorithm genetig a thechnegau dysgu peiriant," Anghysbell Sens., cyf. 13, na. 18, 2021, Celf. nac oes. 3745. llarieidd-dra eg.

[38] F. Ye, C. Doerr, H. Wang, a T. Bäck, "Cyfluniad awtomataidd o algorithmau genetig trwy diwnio ar gyfer perfformiad unrhyw bryd," IEEE Trans. Evol. Comput., cyf. 26, na. 6, tt. 1526–1538, Rhagfyr 2022.

[39] MG Souza, EE Vallejo, a K. Estrada, "Canfod cymdeithasau amrywiad prin annibynnol clystyru gan ddefnyddio algorithmau genetig," IEEE / ACM Trans. Cyfrifiadur. Biol. Bioinf., cyf. 18, na. 3, tt. 932–939, Mai/Mehefin. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay, a P. Chakrabarti, "Trothwyo delwedd aml-lefel hyperspectral gan ddefnyddio algorithm genetig qutrit," Syst Arbenigol. Appl., cyf. 181, 2021, Celf. nac oes. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh, a P.-N. Ni, "Cymhwyso technoleg synhwyro o bell i ddehongli defnydd tir ar gyfer tirlithriadau a achosir gan law yn seiliedig ar algorithmau genetig a rhwydweithiau niwral artiffisial," IEEE J. Sel. Testunau Appl. Arsylwi ar y Ddaear. Remote Sens., cyf. 2, dim. 2, tt. 87–95, Mehefin 2009.

[42] D. Corus a PS Oliveto, "Gall algorithmau genetig cyflwr sefydlog safonol ddringo'n gyflymach nag algorithmau esblygiadol treiglo yn unig," IEEE Trans. Evol. Comput., cyf. 22, na. 5, tt. 720–732, Hydref 2018.

[43] TL Cerqueira, FC Bertoni, a MG Pires, "Detholiad genetig enghraifft ar gyfer systemau fuzzy seiliedig ar reolau optimeiddio i ddosbarthu barn," IEEE Amer Lladin. Traws., cyf. 18, na. 7, tt. 1215–1221, Gorff. 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, a S. Silva, "Gwella dosbarthiad gorchudd tir gan ddefnyddio rhaglennu genetig ar gyfer adeiladu nodwedd," Remote Sens., cyf. 13, na. 9, 2021, Celf. nac oes. 1623. llarieidd-dra eg.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson, a S. Nahavandi, "Algorithmau genetig lluosog a rhyngweithiol ar gyfer tiwnio pwysau o fodel algorithm ciwio cynnig sy'n seiliedig ar reolaeth rhagfynegol," IEEE Trans. Cybern., cyf. 49, na. 9, tt. 3471–3481, Medi 2019.

[46] A. Khoder ac F. Dornaika, "Dysgu ensemble trwy ddewis nodwedd ac is-setiau trawsffurfiedig lluosog: Cymhwyso i ddosbarthu delweddau," Appl. Meddal. Comput., cyf. 113, 2021, Celf. nac oes. 108006.

[47] W. Feng, W. Huang, a W. Bao, "Dosbarthiad delwedd hyperspectral anghytbwys gyda dull ensemble addasol yn seiliedig ar SMOTE a choedwig cylchdro gyda chyfraddau samplu gwahaniaethol," IEEE Geosci. Synwyrau Pell. Lett., cyf. 16, na. 12, tt. 1879–1883, Rhagfyr 2019.

[48] ​​W. Feng et al., "Coedwig cylchdro lled-oruchwyliaeth yn seiliedig ar theori ymyl ensemble ar gyfer dosbarthu delwedd hyperspectral gyda data hyfforddi cyfyngedig," Inf. Sci., cyf. 575, tt 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu, andW. Du, "Dysgu ensemble strwythurol geometrig ar gyfer problemau anghydbwysedd," IEEE Trans. Cybern., cyf. 50, na. 4, tt. 1617–1629, Ebrill 2020.

[50] C. Sun a Z. Ge, "Dysgu dwfn ar gyfer rhagfynegiad DPA diwydiannol: Pan fydd dysgu ensemble yn cwrdd â data lled-oruchwyliaeth," IEEE Trans. Informat., cyf. 17, na. 1, tt. 260–269, Ionawr 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov, a PM Atkinson, "Mae hunan-hyfforddiant hierarchaidd fframwaith ensemble seiliedig ar brototeip ar gyfer dosbarthiad golygfa synhwyro o bell," Inf. Cyfuniad, cyf. 80, tt. 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li, ac N. Wang, "Dull dysgu ensemble dwy rownd strategaeth bleidleisio pwysau ar gyfer dosbarthu iâ môr o ddelweddau sentinel-1, " Remote Sens., cyf. 13, na. 19, 2021, Celf. nac oes. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik, a K. Egiazarian, "Delwedd denoising gan brin 3-D trawsnewid-parth hidlo cydweithredol," IEEE Trans. Proses Delwedd., cyf. 16, na. 8, tt. 2080–2095, Awst 2007.