Uzaktan algılama amacıyla kullanılacak istatistiksel öğrenme tabanlı modifiye bir sınıflandırıcı geliştirilmesi
Developing a statistical learning based modified classifier for remote sensing purposes
- Tez No: 386835
- Danışmanlar: PROF. DR. ALPER ÇABUK
- Tez Türü: Doktora
- Konular: Astronomi ve Uzay Bilimleri, Matematik, İstatistik, Astronomy and Space Sciences, Mathematics, Statistics
- Anahtar Kelimeler: Uzaktan Algılama, İstatistiksel Öğrenme, EM Algoritması, Modifiye EM Algoritması, Görüntü Sınıflandırması
- Yıl: 2015
- Dil: Türkçe
- Üniversite: Anadolu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 258
Özet
Öğrenme bilimi; istatistik, veri madenciliği, yapay zeka, mühendislik ve diğer disiplin alanları ile kesişen alanlarda anahtar bir rol oynar. Bilimin, finansın ve endüstrinin bir çok alanında etkili olarak kullanılan istatistiksel öğrenme alanında etkili analiz tekniklerinden birisi olan EM algoritması zor olan en çok olabilirlik problemlerini basitleştirmek için popüler bir araçtır. İlk tahmin değerlerine duyarlılık, yerel minimum yakınsama, hızlı yakınsama ve de varyans kovaryans matrislerinin tekil olması gibi durumlar, EM algoritmasının parametre tahminlerini yapamaması ya da doğru yapamamasına yol açan eksikliklerdir. Bu tezde EM algoritmasının teorik yapısı incelenerek, bu doğrultuda geliştirilen matlab kodu ile çeşitli özelliklerdeki uzaktan algılama verilerindeki sınıflara ait, parametrelerin tahmin edilmesi ve elde edilen parametre tahminleri yardımıyla görüntü sınıflandırması gerçekleştirilmiştir. Bazı durumlarda varyans kovaryans matris ya da matrislerinin tekillik tuzağına yakalandığı gözlemlenmiş, buna karşın EM algoritması modifiye edilerek, tekillik tuzağından kurtulması sağlanarak görüntü sınıflandırmaları başarı ile tamamlanmıştır. Son olarak ilgili veriler için uzaktan algılamada bilinen bazı klasik sınıflandırıcılar ile modifiyesiz ve modifiyeli EM algoritması yardımı ile elde edilen görüntü sınıflama sonuçları karşılaştırılmış ve EM algoritması yardımı ile elde edilen modifiyeli ve modifiyesiz görüntü sınıflandırma sonuçlarının daha güvenilir olduğu görülmüştür. Bu tezin temel amacı, ön bilgilendirmesiz ve ön bilgilendirmeli uzaklık esaslı ve olasılık dağılımı kullanmayan sınıflandırıcılara göre daha güvenilir sonuçlara ulaşmayı sağlayacak, istatistiksel öğrenme temelli yeni modifiye sınıflandırıcı geliştirmek olup; bu tezde, yukarıda bahsi geçen sorunların çözümlerini sağlayacak algoritmalar üzerinde çalışılmıştır.
Özet (Çeviri)
The sicience of learning plays a key of role in the fields of statistics, data mining and artificial intelligence, intersecting areas of engineering and other disciplines. EM algorithm is an effective analysis technique in the field of statistical learning, a type of learning which is effectively used in many fields of science, finance and industry. It is also a popular tool for simplifying difficult maximum likelihood problems. The situations such as sensitivity to initial estimation values, local minima problem, faster convergence, and singularity of variance covariance matrices are certain problem leading to the consequences that EM algorithm cannot make parameter estimates or make inaccurate ones. In this dissertation, theoretical structure of EM algorithm was examined and a matlab code was developed accordingly. Later, this code was used to make parameter estimates for various classes available in remote sensing data and image classification field with the help of these parameter estimates. It was observed that variance covariance matrix or matrices had singularity trap problems; however, image classifications were successfully completed after EM algorithm was modified to solve these singularity trap problems. Finally, image classification results obtained by using several classical classifiers available in the field of remote sensing were compared with those obtained through unmodified and modified EM algorithm. It was observed that image classifications obtained through unmodified and modified EM algorithm were more reliable. The main objective of this dissertation is to develop a new statistical learning based modified classifier that will provide more reliable results than supervised and unsupervised and distance based classifiers that do not use probability distribution. It also deals with algorithms that will provide solutions to the problems mentioned above. Keywords : Remote Sensing, Statistical Learning, EM Algorithm, Modified EM Algorithm, Image Classification
Benzer Tezler
- Determination of spatial distributions of greenhouses using satellite images and object-based image analysis approach
Nesne tabanlı sınıflandırma yaklaşımı ve uydu görüntüleri kullanılarak seraların mekansal dağılımının belirlenmesi
GİZEM ŞENEL
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ÇİĞDEM GÖKSEL
PROF. DR. MANUEL ANGEL AGUILAR TORRES
- Ortofoto haritalardan ağaç türlerinin otomatik olarak bölütlenmesi
Tree species classification from high resolution digital orthophoto maps
AKHTAR JAMIL
Doktora
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Uzaktan algılanmış verilerin derin öğrenme yöntemiyle sınıflandırılması
Classification of remotely sensed data by deep learning method
ELİF ÖZLEM YILMAZ
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. TAŞKIN KAVZOĞLU
- Makine öğrenimi tabanlı sınıflandırma yöntemleri kullanılarak çay bahçelerinin belirlenmesi
Identifying tea gardens using machine learning based classification methods
BURCU SÜSLÜ ALGÜR
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Random forest classification of tomato fields with planet satellite image data and accuracy assessment
Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi
BETÜL ŞALLI
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR