Algoritma Genetik Berasaskan Ensembel Dua Langkah Untuk Pengelasan Litupan Tanah

Abstrak—Peta guna tanah dan tutupan tanah (LULC) yang tepat ialah alat yang berkesan untuk membantu mencapai perancangan bandar dan pertanian yang tepat. Sebagai teknologi pengoptimuman pintar, algoritma genetik (GA) telah berjaya digunakan untuk pelbagai tugas pengelasan imej dalam beberapa tahun kebelakangan ini. Walau bagaimanapun, GA mudah menghadapi cabaran, seperti pengiraan yang kompleks, imuniti hingar yang lemah dan penumpuan yang perlahan. Penyelidikan ini mencadangkan protokol ensembel dua langkah untuk klasifikasi LULC menggunakan model GA berasaskan ruang skala kelabu. Rangka kerja ensemble pertama menggunakan c-means kabur untuk mengklasifikasikan piksel kepada piksel yang sukar dikelompokkan dan yang mudah dikelompokkan, yang membantu dalam mengurangkan ruang carian untuk pengiraan evolusi. Rangka kerja ensemble kedua menggunakan tingkap kejiranan sebagai maklumat heuristik untuk mengubah suai secara adaptif fungsi objektif dan kebarangkalian mutasi GA, yang membawa faedah berharga kepada diskriminasi dan keputusan GA. Dalam kajian ini, tiga bidang penyelidikan di Dangyang, China, digunakan untuk mengesahkan keberkesanan kaedah yang dicadangkan. Eksperimen menunjukkan bahawa kaedah yang dicadangkan boleh mengekalkan butiran imej dengan berkesan, menahan hingar dan mencapai penumpuan algoritma yang cepat. Berbanding dengan kaedah rujukan, ketepatan keseluruhan terbaik yang diperolehi oleh algoritma yang dicadangkan ialah 88.72%. Istilah Indeks—Algoritma genetik (GA), guna tanah dan tutupan tanah (LULC), tingkap kejiranan, pengelasan imej penderiaan jauh, ensembel dua langkah.

cistanche tubulosa-meningkatkan sistem imun

I. PENGENALAN

L DAN penggunaan dan tutupan tanah (LULC) memainkan peranan penting dalam pelbagai aspek, termasuk ekosistem, dan perancangan bandar, Manuskrip diterima 18 April 2022; disemak pada 2 September 2022; diterima 16 November 2022. Tarikh penerbitan 30 November 2022; tarikh versi semasa 15 Disember 2022. Kerja ini sebahagiannya disokong oleh National Natural Science Foundation of China di bawah Geran 62201438, Geran 61772397 dan Geran 12005159, sebahagiannya oleh Shaanxi Forestry Science and Technology Innovation Key Special di bawah Geran SXLK{{ 13}}, sebahagiannya oleh Program Penyelidikan Asas Sains Asli Shaanxi di bawah Geran 2021JC-23, dan sebahagiannya oleh Projek Sains Teknologi dan Pembangunan Biro Sains dan Teknologi Yulin di bawah Geran CXY-2020-094. (Yang Cao dan Wei Feng menyumbang secara sama rata kepada karya ini.) (Pengarang yang sepadan: Wei Feng; dan Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song dan Aifeng Ren berada dengan Jabatan Sains dan Teknologi Penderiaan Jauh , Pusat Pengajian Kejuruteraan Elektronik, Universiti Xidian, Xi'an 710071, China (e-mel: 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 bersama Pusat Pengajian Sains Komputer dan Kejuruteraan, North Minzu University, Yinchuan 750021, China (e-mel: baowenxing@nun.edu.cn). Gabriel Dauphin sedang bersama Makmal Pemprosesan dan Penghantaran Maklumat, Institut Galilée, Universiti Paris XIII, 93430 Villetaneuse, Perancis (e-mel: gabriel.dauphin@univ-paris13.fr). Mengdao Xing bersama Akademi Penyelidikan Antara Disiplin Termaju, Universiti Xidian, Xi'an 710071, China (e-mel: xmd@xidian.edu.cn). Pengecam Objek Digital 10.1109/JSTARS.2022.3225665 dan ekonomi sosial, mempunyai kepentingan yang mendalam dalam sistem Bumi [1], [2], [3], [4]. Kajian berasaskan lapangan, bergantung pada tafsiran manual, adalah cara yang memakan masa dan intensif buruh yang tidak dapat mengklasifikasikan status guna tanah dalam masa [5], [6], [7]. Sebaliknya, kemajuan terkini dalam teknologi satelit memberikan potensi yang sangat baik untuk membezakan dengan tepat antara ciri ciri tanah yang pelbagai dan dengan cepat mencipta peta LULC bagi kawasan yang luas [8], [9], [10]. Klasifikasi imej penderiaan jauh secara kasar dibahagikan kepada pendekatan diselia dan tidak diselia [11], [12], [13], [14]. Prestasi unggul pengelas diselia banyak bergantung pada data berlabel kos tinggi, yang sukar diperoleh [15]. Pengelas tanpa pengawasan memperoleh pengedaran data dengan membahagikan imej kepada kumpulan piksel dengan ciri yang sama, seperti K-means [16], ISODATA [17], dan fuzzy c-means (FCM) [18], yang telah berjaya digunakan dalam Domain klasifikasi LULC. Sebagai contoh, Dang et al. [19] mencadangkan pengelompokan FCM kolaboratif berbilang kernel dengan teknik granulasi super-piksel berwajaran, yang boleh mengurangkan objek yang dipertimbangkan bagi pengelasan penutup tanah daripada bilangan piksel yang besar kepada hanya beberapa ratus jumlah piksel super bagi objek yang dipertimbangkan. Paradis melonggarkan andaian varians homogen dalam algoritma k-means piawai dan membentangkan kaedah klasifikasi penutup tanah baru yang dipanggil probabilistik k-means (P-Kmeans) [20], kaedah ini berfungsi dengan baik pada data multispektral hingar dan mempunyai peningkatan yang ketara dalam ketepatan keseluruhan (OA) berbanding dengan k-means yang mudah. Malangnya, ramalan pengelas ini hanya mempertimbangkan ciri spektrum dan mengabaikan korelasi spatialnya, yang membawa kepada keteguhan yang lemah. Perwakilan ciri spatial-spektrum bersama telah didapati untuk meningkatkan imuniti hingar algoritma dan mengurangkan ralat pengelasan dalam banyak model pengelasan sedia ada [21], terutamanya algoritma pengelompokan kabur [22], [23], [24]. FLICM [25] menggunakan ruang kabur dan ukuran persamaan skala kelabu untuk meningkatkan pengekalan butiran imej sambil memastikan ketidakpekaan hingar. Zhang et al. [26] mempertingkatkan algoritma FCM konvensional menggunakan faktor pemberat penyesuaian untuk kesan piksel jiran berdasarkan model tarikan spatial piksel baru. Lei et al. [27] mencadangkan FRFCM yang lebih ringkas dan ketara dengan memperkenalkan operasi pembinaan semula morfologi dan penapisan keahlian tempatan. Wang et al. [28] mempersembahkan FCM_SICM dengan kekangan intensiti spatial adaptif dan pemautan keahlian, mengurangkan kerumitan masa fungsi objektif daripada O(n4). Walau bagaimanapun, algoritma FCM yang dipertingkatkan masih memberikan cabaran dari segi pengurangan gangguan hingar.

Kebaikan cistanche tubulosa-menguatkan sistem imun

Telah ditunjukkan bahawa masalah klasifikasi tanah boleh diuraikan kepada beberapa tugas pengelasan binari [29]. Mencari klasifikasi optimum, oleh itu, dianggap sebagai masalah pengoptimuman gabungan. Sepanjang dekad yang lalu, terdapat satu kejayaan yang luar biasa dalam penyelidikan klasifikasi guna tanah berdasarkan pengiraan evolusi [30], [31]. Contohnya, Yang et al. mempersembahkan teknik berasaskan pengoptimuman kawanan zarah (PSO) dan mereka bentuk fungsi kriteria untuk mengenal pasti tutupan tanah [32]. Sarkar et al. [33] menggunakan entropi Rènyi maksimum (MRE) untuk membangunkan pendekatan untuk klasifikasi tutupan tanah tanpa pengawasan berdasarkan evolusi pembezaan (DE), yang berprestasi baik pada dua data imej hiperspektral yang digunakan secara meluas. Algoritma genetik (GA), algoritma pengoptimuman global yang berkesan, meniru mekanisme genetik biologi dalam proses pemilihan semula jadi untuk menentukan penyelesaian optimum global [34], [35], [36], [37]. GA standard memerlukan operasi pengekodan binari untuk mewakili penyelesaian calon dalam bentuk rentetan [38], [39], [40]. Dalam setiap lelaran, pengendali silang secara rawak memilih dua penyelesaian calon (iaitu, ibu bapa) dan menukar sebahagian daripada maklumat mereka untuk mencipta penyelesaian baharu (iaitu, keturunan), yang meningkatkan keupayaan penerokaan populasi [41]. Seperti mutasi gen dalam alam semula jadi, pengendali mutasi digunakan pada GA untuk menukar sebahagian daripada maklumat dalam penyelesaian anak dan meningkatkan kebolehcarian tempatan [42]. Operator pemilihan memilih penyelesaian calon berdasarkan kesesuaian setiap ahli populasi—menetapkan keturunan yang lebih baik dan menghapuskan keturunan yang buruk. Mekanisme ini, seterusnya, meningkatkan keseimbangan antara eksploitasi dan penerokaan [43]. Oleh pengendali genetik yang disebutkan di atas, individu-individu ini digabungkan untuk menghasilkan generasi baharu kumpulan penyelesaian calon, dan proses itu diulang sehingga beberapa indeks penumpuan dipenuhi. GA memperoleh dan mengumpul pengetahuan tentang arah carian semasa proses carian dan, dengan itu, mengawal arah carian secara automatik untuk menjana penyelesaian optimum [44], yang telah berjaya digunakan untuk pengelasan imej penderiaan jauh dan telah mencapai keputusan yang baik. Banyak GA yang lebih baik telah muncul dalam beberapa tahun kebelakangan ini [45]. Namun, masih terdapat isu yang tidak dapat diselesaikan. 1) Pengiraan yang meluas. Penumpuan GA semakin merosot apabila set data menjadi lebih besar. 2) Prestasi antinoise yang lemah bagi GA ringkas yang memfokuskan pada ciri spektrum biasanya sensitif kepada bunyi dalam imej. 3) Penumpuan pramatang. GA mempunyai keupayaan carian terhad untuk ruang baharu dan cenderung untuk jatuh ke dalam optimum tempatan. Memandangkan data deria jarak jauh dicirikan oleh heterogeniti, kami memberi tumpuan kepada pengelas ensemble, yang menekankan pelengkap antara pelbagai ciri pengelasan [46], [47], [48]. Idea kritikal strategi ensemble adalah untuk menggabungkan dan menggabungkan ramalan daripada peraturan klasifikasi yang berbeza [49], [50]. Dalam kajian [51], model klasifikasi ensemble yang sangat tepat dicadangkan untuk menyediakan pelbagai peta pengelasan bebas oleh deskriptor ciri yang berbeza. Kajian [52] menunjukkan bahawa rangka kerja ensemble yang terdiri daripada mekanisme pengundian dua langkah boleh menyekat hingar data imej asal dan memperhalusi klasifikasi ais laut sedikit sebanyak.

faedah tambahan cistanche-meningkatkan imuniti

Klik di sini untuk melihat produk Cistanche Enhance Immunity

【Minta lebih lanjut】 E-mel:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Dalam artikel ini, model GA dipertingkat (TE-nGA) berasaskan strategi ensemble dua langkah dicadangkan untuk klasifikasi penutup tanah bagi imej berbilang spektrum. Untuk kekurangan GA, penyelesaian kami ialah menggunakan strategi ensemble dan tingkap spatial di atas GA klasik untuk meningkatkan prestasi antinoise, ketepatan klasifikasi dan kelajuan penumpuan. Sumbangan utama artikel ini adalah seperti berikut. 1) Algoritma FCM digunakan untuk mengklasifikasikan piksel kepada yang sukar dikelompokkan dan yang mudah dikelompokkan, yang mengecilkan kerumitan pengiraan. 2) GA berasaskan ruang skala kelabu dicadangkan dengan mempertimbangkan tetingkap kejiranan spatial dalam pembuatan parameter heuristik untuk mengelakkan penumpuan pramatang dan sensitiviti hingar. 3) Rangka kerja ensembel dua langkah yang baru dengan mekanisme pengelasan berbilang jalur digunakan untuk mengurangkan ketidakstabilan penyelesaian dan ralat pengelasan.

II. CADANGAN KAEDAH KLASIFIKASI

Carta alir algoritma yang dicadangkan ditunjukkan dalam Rajah 1. Dan algoritma terutamanya terdiri daripada tiga langkah berikut: denoising imej, mencari piksel sukar untuk dikelompokkan menggunakan strategi pengundian dan pengelasan semula oleh GA yang dipertingkatkan berdasarkan model ensemble dan spektral-ruang gabungan. Ambil perhatian bahawa, langkah kedua dan ketiga adalah bahagian kritikal algoritma yang dicadangkan. Kaedah yang dicadangkan dilakarkan dalam Algoritma 1.

A. Menghilangkan Imej

Untuk mengelakkan artifak imej daripada hingar penderia imej yang menjejaskan kualiti pemandangan, algoritma terdiri daripada padanan blok dan 3-D tapisan yang digunakan, algoritma penyah bunyi yang popular dan berkesan sedia ada [53]. Ciri-ciri penapisan ini dipilih berdasarkan maklumat umum ini, ia adalah pertukaran antara mengurangkan bunyi bising yang tinggal dalam imej yang diperbetulkan dan mengekalkan perubahan keamatan di antara piksel jiran yang dimiliki oleh kelompok yang berbeza. Algoritma ini telah terbukti mengatasi algoritma penapisan lain dalam meningkatkan kualiti imej.

B. Peringkat Ensembel Pertama—Mencari Piksel Sukar untuk Dikelompokkan

Rajah blok di sebelah kiri Rajah 1 menunjukkan imej berbilang spektrum dengan panjang gelombang D, yang boleh mengekstrak imej khusus D dengan saiz H × W, dilambangkan sebagai I1, I2,..., ID. Langkah pertama, membahagikan piksel antara yang sukar dikelompokkan dan yang mudah dikelompokkan, sekurang-kurangnya untuk satu imej spektrum, keahlian mereka berkemungkinan besar. Oleh itu, pengelompokan FCM sedang digunakan secara berasingan pada setiap imej spektrum untuk mengklasifikasikan piksel ke dalam kategori N, di mana N ditetapkan terlebih dahulu oleh tafsiran visual. Ia menghasilkan untuk setiap piksel, setiap panjang gelombang, dan setiap keahlian kluster.

Rajah 1. Carta alir pengelasan LULC berdasarkan kaedah yang dicadangkan.

dengan Id(i, j) ialah keamatan piksel (i, j) pada panjang gelombang ke-d, un d (i, j) ialah keahlian kepada gugusan ke-n piksel (i, j) pada panjang gelombang ke-d, 1 Kurang daripada atau sama dengan d Kurang daripada atau sama dengan D, 1 Kurang daripada atau sama dengan n Kurang daripada atau sama dengan N. Untuk panjang gelombang ke-d, setiap piksel ditandakan dengan label kategori cd(i, j), sebagai

berdasarkan keahlian, piksel diklasifikasikan sebagai mudah dikelompokkan Ke dan sukar dikelompokkan Kd. Ambang τ yang digunakan adalah parameter untuk memastikan piksel (i, j) ∈ Ke yang dianggap mudah dikelompokkan mempunyai tahap keahlian yang tinggi dengan pusat kelompok yang berkaitan. Kelompok (N + 1)th mengandungi piksel yang dianggap sukar untuk dikelompokkan dan dilambangkan dengan Kd. Pendekatan berasaskan undian boleh menyelesaikan konflik antara keputusan berbeza yang dihasilkan oleh peraturan klasifikasi berbilang. Sehubungan itu, keputusan klasifikasi setiap panjang gelombang yang diperoleh oleh FCM disepadukan ke dalam peta klasifikasi ensemble C, berdasarkan prinsip pengundian majoriti. Label piksel dalam C dipetakan semula ke kedudukan sepadan imej berbilang spektrum yang ditapis, dan peta pengelasan semula akhir diperoleh, dilambangkan sebagai I1, I2, . . ., ID, seperti bingkai yang ditunjukkan di tengah-tengah Rajah 1. Selepas menggunakan algoritma FCM untuk mengklasifikasikan semula piksel sebagai mudah dan sukar untuk dikelompokkan, isu menganalisis keseluruhan imej asal, dengan itu, ditukar kepada klasifikasi piksel yang sukar.

C. Peringkat Ensembel Kedua—DiperbaikiGA Mengambil Kira Piksel Jiran

Di sebelah kanan carta alir, bingkai bertajuk "The Second Round Ensemble" menggambarkan dua tugas: Pengelasan GA berdasarkan faktor gabungan ruang spektrum dan ensembel keputusan untuk klasifikasi berbilang jalur. Memandangkan masalah pengelasan LULC diuraikan kepada beberapa tugas pengelasan binari, kita harus menangani submasalah siri untuk setiap panjang gelombang: sama ada piksel (i, j) ∈ Kd tergolong dalam kategori ke-x. 1 Kurang daripada atau sama dengan x Kurang daripada atau sama dengan N. Akhir sekali, keputusan keputusan semua peta klasifikasi binari N digabungkan untuk mendapatkan peta klasifikasi yang mengandungi N jenis tutupan tanah. Bagi setiap masalah pengelasan binari, GA berasaskan ruang spektrum yang dipertingkatkan digunakan pada piksel yang ditanda sebagai kelas (N + 1) untuk mengoptimumkan lagi label kategori samar-samar, digambarkan dalam bingkai putus-putus Rajah 1. tafsiran GA berasaskan ruang spektrum yang dipertingkatkan ini adalah seperti berikut. 1) Pengekodan Kromosom Perduaan Dua Dimensi: Untuk ID imej, peta binari N boleh diekstrak daripada tugas klasifikasi N. Pengekodan binari dua dimensi digunakan untuk mengekalkan sifat struktur spatial individu yang berkembang (satu individu mewakili satu keputusan yang berpotensi). Saiz matriks pengekodan adalah sama dengan imej panjang gelombang, iaitu H × W. Untuk menganggar sama ada piksel (i, j) ∈ Kd tergolong dalam kategori x, 1 Kurang daripada atau sama dengan x Kurang daripada atau sama dengan N, untuk setiap panjang gelombang, kami mengekod piksel (i, j) ∈ Ke dalam kelas x yang dikelompokkan oleh FCM sebagai 1 dan bukan kategori x sebagai 0, di mana tiada operasi pengoptimuman evolusi dilakukan selanjutnya. Titik(i, j) ∈ Kd tersebut dikodkan secara rawak sebagai 0 atau 1. Pengoptimuman evolusi yang dilaksanakan dalam Kd akan meneroka semua penyelesaian yang mungkin. 2) Fungsi Kecergasan Berdasarkan Tetingkap Kejiranan: Fungsi kecergasan adalah penunjuk paling kritikal untuk menilai kualiti individu dalam populasi, yang berkaitan dengan pemilihan individu dan pelaksanaan pengendali genetik. Piksel bersebelahan sangat berkorelasi dari segi skala kelabu dan tekstur. Akibatnya, maklumat pelengkap spektrum dan ruang diterima pakai untuk membangunkan fungsi kecergasan komposit, yang memberikan idea baru untuk meningkatkan imuniti hingar algoritma. Untuk tugas pengelompokan ke-n pada panjang gelombang ke-d, katakan bilangan individu dalam populasi ialah P, CIp,n,d ialah individu laluan, 1 Kurang daripada atau sama dengan p Kurang daripada atau sama dengan P, 1 Kurang daripada atau sama. kepada n Kurang daripada atau sama dengan N, 1 Kurang daripada atau sama dengan d Kurang daripada atau sama dengan D. Fungsi kecergasan CIp,n,d ialah Kecergasan=1 OF, OF dikira oleh formula (3)

dengan r ∈ {{{0}}, 1}, Rr menunjukkan piksel yang dikodkan sebagai 0 atau 1, dan statistik kuantitinya diwakili sebagai Nr. Pusat kluster rth vr dikira dengan min piksel semua titik kepunyaan Rr. I d(i, j) ialah keamatan piksel (i, j) pada panjang gelombang dth selepas menggunakan algoritma pengelompokan FCM. Dalam fungsi kejiranan Wr(i, j), tingkap kejiranan diandaikan sebagai segi empat sama, dan panjang sisinya s ialah integer ganjil. N(i, j, s) mewakili tetingkap kejiranan s × s di lokasi yang diindeks (i, j). Nt(i, j, s) bermaksud keamatan piksel t dalam kejiranan N(i, j, s). Darjah keahlian piksel tth dalam N(i, j, s) kepunyaan gugusan rth dilambangkan sebagai utr(i, j, s). lt(i, j, s) mewakili jarak spatial antara piksel kejiranan tth dan titik tengah (i, j). L ialah berat jarak spatial antara titik tengah dan piksel kejiranannya. 3) Pengendali Mutasi Menggunakan Maklumat Kejiranan: Generasi baharu dijana secara berulang melalui pemilihan individu, persilangan seragam dan mutasi genetik, seperti yang digambarkan dalam bingkai putus-putus Rajah 1. Kebanyakan GA menggunakan kebarangkalian mutasi global untuk melaksanakan pengubahsuaian label secara rawak piksel terpilih dengan kebarangkalian yang sama, yang secara tidak kelihatan memperlahankan kadar penumpuan GA. Sebagai pengendali teknikal kritikal, kebarangkalian mutasi heuristik yang dipertingkatkan, digabungkan dengan maklumat kejiranan, dicipta untuk mengira secara automatik kebarangkalian mutasi yang sesuai untuk setiap gen. Formula berikut mentakrifkan kebarangkalian mutasi novel ini:

untuk piksel tengah (i, j), uht(i, j, s) menandakan tahap keahlian titik kejiranan Nt(i, j, s) kepunyaan pusat pengelompokan vh, h ∈ {{{0} }, 1}. Akibatnya, kebarangkalian mutasi penyesuaian Pm(i, j) bagi individu CIp,n,d dinyatakan sebagai formula 8, dengan P0 ialah kebarangkalian mutasi asas, juga kebarangkalian mutasi global dalam GA klasik; σ, eksponen S, bermaksud berat pengaruh maklumat kejiranan pada kebarangkalian mutasi piksel pusat. CIp,n,d(i, j) ialah pengekodan binari bagi individu laluan, untuk tugas pengelompokan ke-n pada panjang gelombang ke-d. lt(i, j, s)menunjukkan jarak spatial antara piksel tengah(i, j) dan piksel ke-t dalam N(i, j, s). Label Nt(i, j, s) dilambangkan sebagai Ct, jika u1t lebih besar daripada u0t, maka Ct=1; yang lain, Ct=0. Memandangkan tingkap kejiranan yang berbeza, apabila s=3, ia boleh dikira bahawa S ∈ [0, 4+2√2]; apabila s=5, S ∈ [0, 6+3√2+1.6 √5]. Melalui mekanisme yang dinyatakan di atas, titik (i, j) ∈ Kd secara adaptif boleh memperoleh kebarangkalian mutasi yang sesuai berdasarkan kategori piksel jiran. Apabila label anggaran CIp,n,d(i, j) adalah selaras dengan kebanyakan kategori piksel sekeliling, kebarangkalian mutasi yang kecil diperlukan untuk mengekalkan kehomogenan serantau yang asal. Jika tidak, kebarangkalian mutasi meningkat untuk menjadikan CIp,n,d(i, j) cenderung kepada kebanyakan kategori dalam kejiranan N(i, j, s). Oleh pengendali genetik yang disebutkan di atas, anak-anak baru sedang dijana secara berulang. Individu yang mempunyai kecergasan tertinggi adalah output apabila keadaan lelaran tidak berpuas hati, seperti yang ditunjukkan dalam langkah 10–16 Algoritma 1. Perhatikan peraturan pengelasan yang luar biasa bagi kaedah yang dicadangkan ini dari segi pengelasan LULC. GA berasaskan ruang spektrum yang dicadangkan hanya melakukan klasifikasi binari pada setiap imej panjang gelombang. Oleh itu, apabila semua jenis guna tanah N telah didiskriminasi dan imej binari N, hasil pengelasan digabungkan menjadi peta pengelasan yang lengkap. Secara ringkasnya, piksel(i, j) tergolong dalam kategori yang menandakannya sebagai 1 dalam peta pengelasan binari. Apabila dua atau lebih peta binari menandakan piksel sebagai 1, piksel tersebut dikelaskan sebagai yang mempunyai nilai kecergasan yang lebih besar, seperti ditunjukkan dalam Rajah 2 dan langkah 19 Algoritma 1.

Algoritma 1: Prosedur Cadangan Model Ensembel Dua Langkah.

Rajah 2. Gabungan empat peta hasil klasifikasi binari.

Akhir sekali, model ensemble kedua digunakan pada peta klasifikasi D, bertujuan untuk menggabungkan peta klasifikasi daripada semua panjang gelombang ke dalam peta LULC akhir. Peraturan ensemble adalah seperti berikut: andaikan terdapat peta klasifikasi nk mengklasifikasikan piksel (i, j) sebagai kelas kth, dan kategori akhir CI(i, j)=k, jika nk > nx, di mana x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Ambil perhatian bahawa dalam rangka kerja penyepaduan, kami sentiasa mengalih keluar pengelasan secara terpilih menghasilkan jalur NIR kerana keputusan klasifikasinya selalunya luar biasa.

III. HASIL EKSPERIMEN

A. Pengenalan kepada Data

Tiga set data imej penderiaan jauh yang diperoleh oleh satelit Beijing 2 digunakan untuk mengesahkan ketepatan dan keberkesanan algoritma yang dicadangkan. Beijing-2 ialah buruj satelit penderiaan jauh komersial awam (DMC3) yang terdiri daripada tiga satelit resolusi tinggi. Ia telah dilancarkan pada 11 Julai, 2015, dari India dan dihantar ke matahari segerak sejauh 651 km. Sistem buruj Beijing-2 menyediakan kira-kira 24 km lebar, pankromatik resolusi 0.8 m dan 3.2 m resolusi 3.2 m imej berbilang spektrum biru, hijau, merah dan inframerah dekat dalam orbit, yang boleh menyediakan data satelit penderiaan jauh dan produk maklumat spatial dengan liputan global dan resolusi spatial dan temporal yang sangat baik, mampu melawat semula mana-mana lokasi di dunia untuk satu atau dua hari. Imej percubaan diperoleh pada tahun 2018. Tapak ujian ialah tiga bahagian berbeza di Bandar Dangyang, Wilayah Hubei, China. Dalam artikel ini, hanya imej berbilang spektrum dipertimbangkan. Kami melakukan pembetulan atmosfera pada data imej ini melalui ENVI(5.3). Model atmosfera adalah musim sejuk subartik dan model aerosol adalah luar bandar. Selain itu, pengambilan aerosol yang kami pilih ialah 2-jalur (KT). Parameter lain telah ditetapkan secara lalai. Semua imej dipraproses oleh pendaftaran bersama. Selain itu, kami telah dibekalkan dengan klasifikasi yang telah dilabelkan bagi semua imej dalam empat atau lima kelas. Ini berdasarkan pemeriksaan visual yang menyeluruh dengan memerhati imej asal dan direkodkan pada peta georujukan sebagai kebenaran tanah.

cistanche tubulosa-meningkatkan sistem imun

B. Konfigurasi Parameter

Dalam percubaan ini, ambang τ FCM ialah 0.8, saiz populasi ditetapkan kepada 40, kebarangkalian silang silang Pc=0.8, kebarangkalian mutasi asas P0=0.001 , eksponen σ ialah 2, saiz tetingkap kejiranan s ditetapkan pada 3 piksel, bertujuan untuk mengekalkan butiran imej sambil juga mengoptimumkan masa pemprosesan komputer dan arah penumpuan. Sembilan pendekatan klasifikasi tutupan tanah sedia ada diperlukan untuk mengesahkan keberkesanan kaedah yang dicadangkan, termasuk FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33] dan P-Kmeans [20]. Tetapan parameter adalah sama dengan literatur asal, tidak diulang di sini. Tambahan pula, GA ringkas mempunyai saiz populasi parameter yang sama H dan kebarangkalian silang silang Pc seperti algoritma yang dicadangkan dalam artikel ini, kebarangkalian mutasi Pm=0.01, tetapi tanpa maklumat kejiranan, pembaca boleh memahami bahawa saiz tetingkap kejiranan ialah 1. Khususnya, nGA mengekalkan pengendali genetik menggunakan maklumat kejiranan tetapi memadamkan operasi ensemble yang sedia ada dalam TE-nGA.

C. Keputusan Pengelasan

Ara. 3–5 menunjukkan keputusan klasifikasi LULC dalam peta warna yang sepadan dengan model yang berbeza apabila diuji pada setiap set data. Memandangkan tiga imej deria jauh mengandungi jenis penggunaan tanah yang berbeza, perwakilan warna carta pengelasan tidak seragam. Mengikut keputusan pengelasan ini, bagi tiga rajah, peta warna yang diperolehi dengan kaedah yang dicadangkan adalah lebih jelas dan licin. Jadual I menunjukkan masa (masa berjalan) dan OA yang dicapai oleh 12 model dan apabila diuji pada bidang penyelidikan untuk membandingkan prestasi pengelasan dengan kaedah yang berbeza. Keputusan percubaan terbaik ditunjukkan dalam huruf tebal. Orang boleh membuat kesimpulan bahawa kaedah yang dicadangkan membentangkan hasil keseluruhan yang terbaik, dengan OA tertinggi sebanyak 88.72% dan agak sedikit piksel yang salah. Untuk Kawasan 3, apabila menggunakan tingkap kejiranan, ketepatan klasifikasi LULC meningkat sebanyak 28.35%; Lebih penting lagi, TE-nGA boleh mengurangkan masa pengiraan kepada 9257.56 s, berbanding GA mudah. Ini kerana pengendali mutasi heuristik TE-nGA secara adaptif boleh mengawal arah carian untuk mempercepatkan penumpuan algoritma, membuktikan bahawa kaedah yang dicadangkan lebih sesuai untuk senario praktikal. Selain itu, nGA adalah bersamaan dengan operasi ensembel mengalih keluar TE-nGA, jadi pembaca boleh memahami bahawa TE-nGA berjalan hanya pada imej jalur tunggal(band1). Untuk Kawasan 3, apabila rangka kerja ensemble diperkenalkan, ketepatan klasifikasi dipertingkatkan lagi sebanyak 0.72%, menunjukkan keberkesanan strategi ensemble.

D. Analisis Parameter

Salah satu keperluan kaedah yang dicadangkan ialah menganggap maklumat kejiranan spatial sebagai maklumat heuristik untuk mengubah suai secara adaptif fungsi objektif dan kebarangkalian mutasi, dengan itu meningkatkan imuniti hingar dan ketepatan klasifikasi, serta kelajuan penumpuan. Walau bagaimanapun, ia tidak bermakna bahawa lebih besar saiz tetingkap, lebih baik kesan klasifikasi. Berkenaan dengan Jadual II, peningkatan prestasi diperhatikan apabila mempertimbangkan maklumat kejiranan spatial, apabila meningkatkan saiz tetingkap sehingga ambang yang sesuai, dan kemudian mengecil. Semuanya adalah untuk sampel yang lebih jauh dari piksel pusat menyumbang sedikit kepada pembahagian kategori piksel pusat dan malah memburukkan lagi salah klasifikasi. Disebabkan oleh objek di lokasi geografi yang pelbagai perbezaan yang sedia ada dalam kecerahan dan tekstur, saiz tetingkap optimum nampaknya adalah 5 × 5 untuk Kawasan 1 dan Kawasan 2, namun 3 × 3 untuk Kawasan 3. Keputusan ini boleh diperhatikan dalam huruf tebal dalam Jadual II, mewakili ketepatan terbaik dan masa penumpuan terpantas. Tambahan pula, kami telah mendapati bahawa kebarangkalian mutasi asasP0 dan eksponen σ juga merupakan faktor penting yang mempengaruhi prestasi pengelasan. Dalam kajian kami, P0 dan σ yang berbeza digunakan untuk mengesahkan tafsiran dan pengelasan LULC. Rajah 6 melukis lengkung variasi OA apabila P{{10}} dan σ meningkat. Ternyata, untuk σ tetap, apabila P0 meningkat, ketepatan pengelasan keseluruhan mula-mula meningkat dan kemudian menurun. Keputusan ini dijangka memandangkan P yang kecil0 akan menyebabkan carian terhad kepada arah evolusi asal dan, dengan itu, jatuh ke dalam optimum setempat; sebaliknya, P0 yang besar akan memecahkan corak evolusi yang baik dan menyimpang keputusan daripada penyelesaian optimum. Sebaliknya, apabila σ meningkat, kesan maklumat kejiranan adalah lebih ketara, dan nilai kebarangkalian asas terbaik secara beransur-ansur berubah dari tinggi ke rendah. Wajaran kejiranan yang sesuai adalah lebih kondusif untuk mendapatkan hasil pengelasan terbaik. Dalam bidang penyelidikan kami, eksponen terbaik ialah σ ∈ {2, 3}, dan julat paling sesuai bagi P0 ialah [10−5, 10−2].

Rajah 3. Keputusan pengelasan kawasan 1. (a) Kebenaran Dasar. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

JADUAL I KEPUTUSAN PENILAIAN LAPAN KAEDAH KLASIFIKASI BERBEZA DALAM TIGA BIDANG KAJIAN

Rajah 4. Keputusan pengelasan kawasan 2. (a) Kebenaran Dasar. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

Rajah 5. Keputusan pengelasan kawasan 3. (a) Kebenaran Dasar. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (i) nGA. (m) TE-nGA.

JADUAL II KEPUTUSAN PENILAIAN CADANGAN TE-NGA MENGGUNAKAN WINDOWS SAIZ BERBEZA DI TIGA BIDANG KAJIAN

Rajah 6. Analisis kebarangkalian mutasi asas P0 dan eksponen σ dalam kebarangkalian mutasi heuristik.

IV. KESIMPULAN

Sumbangan utama kajian ini adalah mencadangkan strategi ensembel dua langkah yang unggul dan GA berasaskan spektrum-spatial untuk klasifikasi LULC bagi imejan berbilang spektrum. Model ensemble pertama melakukan FCM pada imej berbilang jalur, mengurangkan tugas pengelasan imej deria jauh kepada penentuan kategori piksel yang sukar dikelompokkan. Pemprosesan ensemble kedua terdiri daripada dua tugas. Pertama, GA yang dipertingkatkan menggabungkan maklumat spektrum dan spatial telah dicipta untuk menawarkan penyelesaian inovatif kepada teka-teki, seperti penumpuan perlahan dan antinoise yang lemah. Tepat sekali, peningkatan ini mendapat manfaat daripada fungsi kecergasan baru dan kebarangkalian mutasi, menggunakan tetingkap kejiranan yang sesuai. Kemudian, model ensemble diguna pakai untuk menyepadukan hasil pengelasan yang diperoleh daripada berbilang imej jalur, yang digunakan untuk mengurangkan risiko salah klasifikasi. Keputusan membuktikan bahawa TE-nGA yang dicadangkan mempunyai prestasi klasifikasi yang lebih baik dan penumpuan yang lebih cepat daripada GA mudah. Pada masa hadapan, kami menjangkakan untuk melanjutkan aplikasi teknik yang dicadangkan kepada bidang lain, seperti klasifikasi tanaman, pengesanan sasaran dan klasifikasi imej hiperspektral.

Kebaikan cistanche tubulosa-menguatkan sistem imun

RUJUKAN

[1] T. Hermosilla, MA Wulder, JC White dan NC Coops, "Klasifikasi penutup tanah dalam era data besar dan terbuka: Mengoptimumkan pelaksanaan setempat dan pemilihan data latihan untuk meningkatkan hasil pemetaan," Remote Sens. Environ., vol . 268, 2022, Seni. tidak. 112780.

[2] P. Helber, B. Bischke, A. Dengel, dan D. Borth, "EuroSAT: Satu set data novel dan penanda aras pembelajaran mendalam untuk penggunaan tanah dan klasifikasi penutup tanah," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 12, tidak. 7, hlm. 2217–2226, Julai 2019.

[3] C. Li, G. Xian, Q. Zhou, dan BW Pengra, "Kaedah pembelajaran fenologi automatik (APL) novel bagi pemilihan sampel latihan menggunakan berbilang set data untuk pemetaan penutup tanah siri masa," Remote Sens. Environ. , jld. 266, 2021, Seni. tidak. 112670.

[4] S. Ji, D. Wang, dan M. Luo, "Penyesuaian domain ruang penuh berasaskan rangkaian permusuhan generatif untuk klasifikasi penutup tanah daripada imej penderiaan jauh berbilang sumber," IEEE Trans. Geosci. Sens Jauh, jld. 59, tidak. 5, hlm. 3816–3828, Mei 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, dan M. Xing, "Kaedah gabungan imej novel bagi imej berbilang spektrum dan SAR untuk klasifikasi penutup tanah," Remote Sens. , jld. 12, tidak. 22, 2020, Seni. tidak. 3801.

[6] B. Iqbal dan M. Ali, "Anggaran suhu udara spatio-temporal daripada berasaskan satelit di bawah persekitaran separa gersang kepada gersang di Lembangan Peshawar, Pakistan Barat Laut," Adv. Space Res., jld. 70, tidak. 4, hlm. 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks dan LL Coulter, "Menentukan jenis dan masa mula litupan tanah dan perubahan guna tanah di selatan Ghana berdasarkan analisis diskret siri masa imej Landsat yang padat," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 9, tidak. 5, ms. 2064–2073, Mei 2016.

[8] A. Jamil dan B. Bayram, "Pengestrakan spesies pokok dan klasifikasi penggunaan/litupan tanah daripada peta ortofoto digital resolusi tinggi," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 11, tidak. 1, ms. 89–94, Jan. 2018.

[9] Z. Xue, P. Du, dan L. Feng, "Klasifikasi tutupan tanah dipacu fenologi dan analisis trend berdasarkan siri imej penderiaan jauh jangka panjang," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 7, tidak. 4, hlm. 1142–1156, April 2014.

[10] Q. Zhu et al., "Pengesanan perubahan guna tanah/litupan tanah berdasarkan rangka kerja pembelajaran global siam untuk imejan penderiaan jauh resolusi spatial tinggi," ISPRS J. Photogrammetry Remote Sens., vol. 184, hlm. 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan, dan W. Liao, "Teknik lelaran subsampel berasaskan margin baharu dalam hutan rawak yang diubah suai untuk pengelasan," Knowl.-Based Syst., vol. 182, 2019, Seni. tidak. 104845.

[12] W. Feng et al., "Hutan putaran berasaskan teknik pensampelan berlebihan minoriti sintetik dinamik untuk klasifikasi data hiperspektral yang tidak seimbang," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 12, tidak. 7, hlm. 2159–2169, Julai 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri, dan XX Zhu, "Pendapatan ketinggian bangunan berskala besar daripada imejan SAR tunggal berdasarkan rangkaian regresi kotak sempadan," ISPRS J. Photogrammetry Remote Sens., jld. 184, hlm. 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui, dan F. Pu, "Analisis tekstur fraktal dinamik untuk klasifikasi penutup tanah PolSAR," IEEE Trans. Geosci. Sens Jauh, jld. 57, tidak. 8, hlm. 5991–6002, Ogos 2019

[15] S. Saha, F. Bovolo, dan L. Bruzzone, "Membina pengesanan perubahan dalam imej VHR SAR melalui transkod dalam tanpa pengawasan," IEEE Trans. Geosci. Sens Jauh, jld. 59, tidak. 3, hlm. 1917–1929, Mac. 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam, dan MA Hossain, "Pengesanan tumor otak dalam imej MR menggunakan superpixel, analisis komponen utama dan algoritma pengelompokan k-means berasaskan templat," Mach. Belajar. Appl., jld. 5, 2021, Seni. tidak. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang, dan J. Zhu, "Algoritma ISODATA yang dipertingkatkan untuk pengelasan imej hiperspektral," dalam Proc. 7th Int. Congr. Proses Isyarat Imej., 2014, ms 660–664.

[18] S. Ghaffarian dan S. Ghaffarian, "Pengkelompokan cmean kabur berasaskan histogram automatik untuk imejan penderiaan jauh," ISPRS J. Photogrammetry Remote Sens., vol. 97, hlm. 46–57, 2014.

[19] TH Dang, DS Mai, dan LT Ngo, "Algoritma pengelompokan kabur kolaboratif berbilang kernel dengan super-piksel berwajaran untuk pengelasan liputan bumi imej satelit," Eng. Appl. Artif. Intell., jld. 85, ms. 85–98, 2019.

[20] E. Paradis, "Kebarangkalian pengelasan tanpa pengawasan untuk analisis skala besar data pengimejan spektrum," Int. J. Appl. Geoinformation Pemerhatian Bumi, vol. 107, 2022, Seni. tidak. 102675.

[21] X. Hu, X. Wang, Y. Zhong, dan L. Zhang, "S3aNet: Rangkaian perhatian skala spektral-spatial untuk klasifikasi tanaman tepat hujung ke hujung berdasarkan imejan UAVborne H2," ISPRS J. Photogrammetry Sens Jauh, jld. 183, hlm. 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi, dan H. Adam, "Pembahagian imej otak Encik menggunakan algoritma c-means kabur yang dipertingkatkan," dalam Proc. Annu ke-25. Int. Conf. IEEE Eng. Med. biol. Soc., 2003, jld. 1, ms 724–726.

[23] W. Cai, S. Chen, dan D. Zhang, "Algoritma pengelompokan c-bermakna kabur yang cepat dan mantap yang menggabungkan maklumat tempatan untuk pembahagian imej," Pattern Recognit., vol. 40, tidak. 3, hlm. 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan, dan Z. Wang, "Penyimpangan-jarang kabur c-bermaksud dengan kekangan maklumat jiran," IEEE Trans. Fuzzy Syst., vol. 27, tidak. 1, ms. 185–199, Jan. 2019.

[25] S. Krinidis dan V. Chatzis, "Maklumat tempatan kabur yang teguh C-bermaksud algoritma pengelompokan," IEEE Trans. Proses Imej., jld. 19, tidak. 5, hlm. 1328–1337, Mei 2010.

[26] H. Zhang, Q. Wang, W. Shi, dan M. Hao, "Maklumat tempatan kabur adaptif novel C -bermaksud algoritma pengelompokan untuk pengelasan imejan deria jauh," IEEE Trans. Geosci. Sens Jauh, jld. 55, tidak. 9, hlm. 5057–5068, September 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, dan AK Nandi, "Algoritma pengelompokan C-bermakna kabur yang sangat pantas dan teguh berdasarkan pembinaan semula morfologi dan penapisan keahlian," IEEE Trans. Fuzzy Syst., vol. 26, tidak. 5, hlm. 3027–3041, Okt. 2018.

[28] Q. Wang, X. Wang, C. Fang, dan W. Yang, "Algoritma pengelompokan bermakna kabur teguh C dengan kekangan spatial & intensiti penyesuaian dan pemautan keahlian untuk pembahagian imej hingar," Appl. Soft Comput., jld. 92, 2020, Seni. tidak. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, dan Z. Luyan, "Pengkelasan imej penderiaan jauh oleh algoritma genetik huru-hara dalam memantau perubahan penggunaan tanah," Math. Pengiraan. Model., jld. 51, tidak. 11, hlm. 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf, dan M. Zhang, "Penggunaan semula merentas domain pengetahuan yang diekstrak dalam pengaturcaraan genetik untuk pengelasan imej," IEEE Trans. Evol. Pengiraan, jld. 21, tidak. 4, hlm. 569–587, Ogos 2017.

[31] R. Hamad, "Analisis penderiaan jauh dan berasaskan GIS bagi Urban Sprawl di daerah Soran, Kurdistan Iraq," SN Appl. Sci., jld. 2, tidak. 1, ms. 1–9, 2019.

[32] H. Yang, Q. Du, dan G. Chen, "Pengurangan dimensi hiperspektral berasaskan pengoptimuman zarah untuk klasifikasi tutupan tanah bandar," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 5, tidak. 2, hlm. 544–554, April 2012.

[33] S. Sarkar, S. Das, dan SS Chaudhuri, "Segmentasi imej hiperspektral menggunakan ambang berbilang peringkat berasaskan entropi Rényi dibantu dengan evolusi pembezaan," Pakar Syst. Appl., jld. 50, hlm. 120–129, 2016.

[34] S. Sen Gupta, S. Hossain, dan K.-D. Kim, "Imej seperti HDR daripada gabungan imej pseudoexposure: Pendekatan algoritma genetik," IEEE Trans. Makan. Elektron., jld. 67, tidak. 2, ms. 119–128, Mei 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang, dan Y. Li, "MGRFE: Penghapusan ciri rekursif berbilang lapisan berdasarkan algoritma genetik terbenam untuk klasifikasi kanser," IEEE/ACM Trans . Pengiraan. biol. Bioinf., jld. 18, tidak. 2, ms 621–632, Mac/Apr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang, dan GM Shi, "Pengoptimuman saluran berkelajuan tinggi untuk integriti isyarat dengan algoritma genetik mendalam," IEEE Trans. Elektromagn. Compat., jld. 64, tidak. 4, hlm. 1270–1274, Ogos 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang, dan J. Hu, "Mengenal pasti perubahan dinamik dalam permukaan air menggunakan data sentinel-1 berdasarkan algoritma genetik dan teknik pembelajaran mesin," Jauh Sens., jld. 13, tidak. 18, 2021, Seni. tidak. 3745.

[38] F. Ye, C. Doerr, H. Wang, dan T. Bäck, "Konfigurasi automatik algoritma genetik dengan menala untuk prestasi bila-bila masa," IEEE Trans. Evol. Pengiraan, jld. 26, tidak. 6, hlm. 1526–1538, Dis. 2022.

[39] MG Souza, EE Vallejo, dan K. Estrada, "Mengesan persatuan varian jarang bebas berkumpulan menggunakan algoritma genetik," IEEE/ACM Trans. Pengiraan. biol. Bioinf., jld. 18, tidak. 3, ms 932–939, Mei/Jun. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay, dan P. Chakrabarti, "Ambang imej berbilang peringkat hiperspektral menggunakan algoritma genetik quritt," Syst Pakar. Appl., jld. 181, 2021, Seni. tidak. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh, dan P.-N. Ni, "Aplikasi teknologi penderiaan jauh untuk tafsiran penggunaan tanah untuk tanah runtuh akibat hujan berdasarkan algoritma genetik dan rangkaian saraf tiruan," IEEE J. Sel. Topik Appl. Pemerhatian Bumi. Sens Jauh, jld. 2, tidak. 2, ms 87–95, Jun 2009.

[42] D. Corus dan PS Oliveto, "Algoritma genetik keadaan mantap piawai boleh mendaki bukit lebih cepat daripada algoritma evolusi mutasi sahaja," IEEE Trans. Evol. Pengiraan, jld. 22, tidak. 5, hlm. 720–732, Okt. 2018.

[43] TL Cerqueira, FC Bertoni, dan MG Pires, "Pemilihan genetik contoh untuk pengoptimuman sistem berasaskan peraturan kabur kepada klasifikasi pendapat," IEEE Latin Amer. Trans., jld. 18, tidak. 7, hlm. 1215–1221, Julai 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, dan S. Silva, "Memperbaiki klasifikasi penutup tanah menggunakan pengaturcaraan genetik untuk pembinaan ciri," Remote Sens., vol. 13, tidak. 9, 2021, Seni. tidak. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson, dan S. Nahavandi, "Algoritma genetik berbilang objektif dan interaktif untuk penalaan berat bagi algoritma isyarat gerakan berasaskan kawalan ramalan model," IEEE Trans. Cybern., jld. 49, tidak. 9, hlm. 3471–3481, Sep. 2019.

[46] A. Khoder dan F. Dornaika, "Pembelajaran ensemble melalui pemilihan ciri dan pelbagai subset yang diubah: Aplikasi untuk pengelasan imej," Appl. Lembut. Pengiraan, jld. 113, 2021, Seni. tidak. 108006.

[47] W. Feng, W. Huang, dan W. Bao, "Klasifikasi imej hiperspektral yang tidak seimbang dengan kaedah ensemble adaptif berdasarkan SMOTE dan hutan putaran dengan kadar pensampelan yang berbeza," IEEE Geosci. Sens Jauh Lett., jld. 16, tidak. 12, hlm. 1879–1883, Dis. 2019.

[48] ​​W. Feng et al., "Hutan putaran separuh diselia berdasarkan teori margin ensemble untuk klasifikasi imej hiperspektral dengan data latihan terhad," Inf. Sci., jld. 575, hlm. 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu, danW. Du, "Pembelajaran ensembel struktur geometri untuk masalah tidak seimbang," IEEE Trans. Cybern., jld. 50, tidak. 4, hlm. 1617–1629, April 2020.

[50] Q. Sun dan Z. Ge, "Pembelajaran mendalam untuk ramalan KPI industri: Apabila pembelajaran ensemble memenuhi data separa diselia," IEEE Trans. Ind. Informat., jld. 17, tidak. 1, ms. 260–269, Jan. 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov, dan PM Atkinson, "Rangka kerja ensembel berasaskan prototaip hierarki latihan kendiri untuk pengelasan pemandangan penderiaan jauh," Inf. Gabungan, jld. 80, hlm. 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li, dan N. Wang, "Kaedah pembelajaran ensemble berasaskan strategi undian berat dua pusingan untuk pengelasan ais laut bagi imejan sentinel-1, " Sens Jauh, jld. 13, tidak. 19, 2021, Seni. tidak. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik, dan K. Egiazarian, "Penyingkiran imej dengan penapisan kolaboratif domain transformasi 3-D yang jarang," IEEE Trans. Proses Imej., jld. 16, tidak. 8, hlm. 2080–2095, Ogos 2007.