ল্যান্ড কভার শ্রেণীবিভাগের জন্য একটি দ্বি-পদক্ষেপের এনসেম্বল-ভিত্তিক জেনেটিক অ্যালগরিদম

বিমূর্ত— সঠিক ভূমি ব্যবহার এবং ভূমি আচ্ছাদন (LULC) মানচিত্রগুলি সুষ্ঠু নগর পরিকল্পনা এবং নির্ভুল কৃষি অর্জনে সহায়তা করার জন্য কার্যকর হাতিয়ার। একটি বুদ্ধিমান অপ্টিমাইজেশান প্রযুক্তি হিসাবে, সাম্প্রতিক বছরগুলিতে বিভিন্ন চিত্র শ্রেণীবিভাগের কাজে জেনেটিক অ্যালগরিদম (GA) সফলভাবে প্রয়োগ করা হয়েছে। যাইহোক, সাধারণ GA চ্যালেঞ্জের সম্মুখীন হয়, যেমন জটিল গণনা, দুর্বল শব্দ প্রতিরোধ ক্ষমতা, এবং ধীর অভিন্নতা। এই গবেষণাটি গ্রেস্কেল-স্থানিক-ভিত্তিক GA মডেল ব্যবহার করে LULC শ্রেণীবিভাগের জন্য একটি দ্বি-পদক্ষেপের সংমিশ্রণ প্রোটোকল প্রস্তাব করে। প্রথম এনসেম্বল ফ্রেমওয়ার্কটি পিক্সেলগুলিকে ক্লাস্টার করা কঠিন এবং যেগুলি ক্লাস্টার করা সহজ তাদের মধ্যে শ্রেণীবদ্ধ করতে অস্পষ্ট সি-মান ব্যবহার করে, যা বিবর্তনীয় গণনার জন্য অনুসন্ধানের স্থান হ্রাস করতে সহায়তা করে। দ্বিতীয় সংমিশ্রণ কাঠামোটি GA-এর উদ্দেশ্যমূলক কাজ এবং মিউটেশন সম্ভাবনাকে অভিযোজিতভাবে পরিবর্তন করতে হিউরিস্টিক তথ্য হিসাবে আশেপাশের উইন্ডোগুলি ব্যবহার করে, যা GA-এর বৈষম্য এবং সিদ্ধান্তে মূল্যবান সুবিধা নিয়ে আসে। এই গবেষণায়, প্রস্তাবিত পদ্ধতির কার্যকারিতা যাচাই করার জন্য চীনের ডাংইয়াং-এর তিনটি গবেষণা ক্ষেত্র ব্যবহার করা হয়েছে। পরীক্ষাগুলি দেখায় যে প্রস্তাবিত পদ্ধতিটি কার্যকরভাবে চিত্রের বিশদ বজায় রাখতে পারে, গোলমাল নিয়ন্ত্রণ করতে পারে এবং দ্রুত অ্যালগরিদম কনভারজেন্স অর্জন করতে পারে। রেফারেন্স পদ্ধতির সাথে তুলনা করে, প্রস্তাবিত অ্যালগরিদম দ্বারা প্রাপ্ত সর্বোত্তম সামগ্রিক নির্ভুলতা হল 88.72%। সূচক শর্তাদি-জেনেটিক অ্যালগরিদম (GA), জমির ব্যবহার এবং জমির আবরণ (LULC), পাড়ার জানালা, রিমোট সেন্সিং ইমেজ শ্রেণীবিভাগ, দ্বি-পদক্ষেপের সংমিশ্রণ।

cistanche tubulosa- ইমিউন সিস্টেম উন্নত

সূচনা

L AND ব্যবহার এবং জমির আবরণ (LULC) বাস্তুতন্ত্র, এবং নগর পরিকল্পনা সহ বিভিন্ন দিকগুলিতে একটি অপরিহার্য ভূমিকা পালন করে, পাণ্ডুলিপি 18 এপ্রিল 2022 প্রাপ্ত হয়েছিল; সংশোধিত 2 সেপ্টেম্বর 2022; গৃহীত 16 নভেম্বর 2022। প্রকাশের তারিখ 30 নভেম্বর 2022; বর্তমান সংস্করণের তারিখ 15 ডিসেম্বর 2022। এই কাজটি আংশিকভাবে অনুদান 62201438, অনুদান 61772397, এবং অনুদান 12005159 এর অধীনে চীনের ন্যাশনাল ন্যাচারাল সায়েন্স ফাউন্ডেশন দ্বারা সমর্থিত ছিল, আংশিকভাবে অনুদান SXLK এর অধীনে শানসি বনবিদ্যা বিজ্ঞান ও প্রযুক্তি উদ্ভাবন কী বিশেষ দ্বারা{{{ 13}}, অনুদান 2021JC-23 এর অধীনে শানসির প্রাকৃতিক বিজ্ঞান বেসিক রিসার্চ প্রোগ্রামের দ্বারা এবং আংশিকভাবে অনুদান CXY-2020-094 এর অধীনে ইউলিন বিজ্ঞান ও প্রযুক্তি ব্যুরোর বিজ্ঞান প্রযুক্তি এবং উন্নয়ন প্রকল্প দ্বারা। (ইয়াং কাও এবং ওয়েই ফেং এই কাজে সমানভাবে অবদান রেখেছেন।) (সংশ্লিষ্ট লেখক: ওয়েই ফেং; এবং ইংহুই কোয়ান।) ইয়াং কাও, ওয়েই ফেং, ইংহুই কোয়ান, ইজিয়া সং, এবং আইফেং রেন রিমোট সেন্সিং বিজ্ঞান ও প্রযুক্তি বিভাগের সাথে আছেন , স্কুল অফ ইলেকট্রনিক ইঞ্জিনিয়ারিং, জিডিয়ান ইউনিভার্সিটি, জিয়ান 710071, চীন (ই-মেইল: 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 স্কুল অফ কম্পিউটার সায়েন্স অ্যান্ড ইঞ্জিনিয়ারিং, নর্থ মিনজু ইউনিভার্সিটি, Yinchuan 750021, China এর সাথে আছেন (ই-মেইল: baowenxing@nun.edu.cn)। গ্যাব্রিয়েল ডাউফিন ল্যাবরেটরি অফ ইনফরমেশন প্রসেসিং অ্যান্ড ট্রান্সমিশনের সাথে আছেন, ইনস্টিটিউট গ্যালিলি, ইউনিভার্সিটি প্যারিস XIII, 93430 ভিলেটানিউজ, ফ্রান্স (ই-মেইল: gabriel.dauphin@univ-paris13.fr)। মেংদাও জিং একাডেমি অফ অ্যাডভান্সড ইন্টারডিসিপ্লিনারি রিসার্চ, জিডিয়ান ইউনিভার্সিটি, জিয়ান 710071, চীন (ই-মেইল: xmd@xidian.edu.cn) এর সাথে আছেন। ডিজিটাল অবজেক্ট আইডেন্টিফায়ার 10.1109/JSTARS.2022.3225665 এবং সামাজিক অর্থনীতি, আর্থ সিস্টেমে গভীর গুরুত্ব [1], [2], [3], [4]। ক্ষেত্র-ভিত্তিক অধ্যয়ন, ম্যানুয়াল ব্যাখ্যার উপর নির্ভর করে, সময়সাপেক্ষ এবং শ্রম-নিবিড় আচরণ যা সময়মত ভূমি-ব্যবহারের অবস্থাকে শ্রেণীবদ্ধ করতে পারে না [5], [6], [7]। বিপরীতে, স্যাটেলাইট প্রযুক্তির সাম্প্রতিক অগ্রগতি বিভিন্ন ভূমি বৈশিষ্ট্যের মধ্যে সঠিকভাবে পার্থক্য করার জন্য এবং বিস্তীর্ণ অঞ্চলের দ্রুত LULC মানচিত্র তৈরি করার জন্য চমৎকার সম্ভাবনা প্রদান করে [8], [9], [10]। রিমোট সেন্সিং ইমেজ শ্রেণীবিভাগ মোটামুটিভাবে তত্ত্বাবধান করা এবং অ-তদারকি করা পদ্ধতিতে বিভক্ত [১১], [১২], [১৩], [১৪]। তত্ত্বাবধানে ক্লাসিফায়ারগুলির উচ্চতর কর্মক্ষমতা যথেষ্ট পরিমাণে উচ্চ-মূল্যের লেবেলযুক্ত ডেটার উপর নির্ভর করে, যা প্রাপ্ত করা কঠিন [15]। তত্ত্বাবধানহীন ক্লাসিফায়াররা চিত্রটিকে পিক্সেল গ্রুপে বিভক্ত করে একটি ডেটা বন্টন পায়, যেমন K-মান [16], ISODATA [17], এবং অস্পষ্ট সি-মিনস (FCM) [18], যা সফলভাবে ব্যবহার করা হয়েছে LULC শ্রেণিবিন্যাস ডোমেন। উদাহরণস্বরূপ, ডাং এট আল। [১৯] একটি ওজনযুক্ত সুপার-পিক্সেল গ্রানুলেশন কৌশল সহ একাধিক কার্নেল সহযোগী এফসিএম ক্লাস্টারিং প্রস্তাব করেছেন, যা ল্যান্ড-কভার শ্রেণীবিভাগের বিবেচিত বস্তুগুলিকে বৃহৎ সংখ্যক পিক্সেল থেকে বিবেচিত বস্তুর মাত্র কয়েকশ সুপার-পিক্সেল পরিমাণে হ্রাস করতে পারে। প্যারাডিস স্ট্যান্ডার্ড কে-মিন্স অ্যালগরিদমে সমজাতীয় বৈচিত্র্যের অনুমানকে শিথিল করেছে এবং সম্ভাব্য কে-মিনস (পি-কেমেনস) নামে একটি অভিনব ভূমি কভার শ্রেণীবিভাগের পদ্ধতি উপস্থাপন করেছে, এই পদ্ধতিটি নয়েজ মাল্টিস্পেকট্রাল ডেটাতে ভাল কাজ করে এবং এর যথেষ্ট উন্নতি হয়েছে। সাধারণ কে-মানসের তুলনায় সামগ্রিক নির্ভুলতা (OA)। দুর্ভাগ্যবশত, এই শ্রেণীবিভাগের ভবিষ্যদ্বাণী শুধুমাত্র বর্ণালী বৈশিষ্ট্য বিবেচনা করে এবং তাদের স্থানিক পারস্পরিক সম্পর্ককে উপেক্ষা করে, যার ফলে দুর্বল দৃঢ়তা দেখা দেয়। যৌথ স্থানিক-বর্ণালী বৈশিষ্ট্য উপস্থাপনা অ্যালগরিদম শব্দ প্রতিরোধ ক্ষমতা উন্নত করতে এবং অনেক বিদ্যমান শ্রেণীবিভাগ মডেল [২১], বিশেষ করে অস্পষ্ট ক্লাস্টারিং অ্যালগরিদম [২২], [২৩], [২৪] শ্রেণীবিভাগ ত্রুটি কমাতে পাওয়া গেছে। FLICM [25] শব্দ সংবেদনশীলতা নিশ্চিত করার সময় চিত্রের বিশদ ধারণকে উন্নত করতে অস্পষ্ট স্থান এবং গ্রেস্কেল সাদৃশ্য পরিমাপ ব্যবহার করে। ঝাং এট আল। [26] একটি অভিনব পিক্সেল স্থানিক আকর্ষণ মডেলের উপর ভিত্তি করে প্রতিবেশী পিক্সেল প্রভাবগুলির জন্য অভিযোজিত ওজনের কারণগুলি ব্যবহার করে প্রচলিত FCM অ্যালগরিদমকে উন্নত করেছে। লেই এট আল। [২৭] রূপগত পুনর্গঠন অপারেশন এবং স্থানীয় সদস্যপদ ফিল্টারিং প্রবর্তন করে সহজ এবং উল্লেখযোগ্যভাবে দ্রুত FRFCM প্রস্তাবিত। ওয়াং এট আল। [28] উপস্থাপিত FCM_এসআইসিএম অভিযোজিত স্থানিক তীব্রতা সীমাবদ্ধতা এবং সদস্যতা লিঙ্কিং, O(n4) থেকে উদ্দেশ্যমূলক ফাংশনের সময় জটিলতা হ্রাস করে। যাইহোক, উন্নত এফসিএম অ্যালগরিদম এখনও শব্দ হস্তক্ষেপ হ্রাসের ক্ষেত্রে চ্যালেঞ্জগুলি উপস্থাপন করে।

cistanche tubulosa এর উপকারিতা- ইমিউন সিস্টেমকে শক্তিশালী করা

এটি দেখানো হয়েছে যে ভূমি শ্রেণীবিভাগ সমস্যা একাধিক বাইনারি শ্রেণীবিভাগের কাজগুলিতে পচে যেতে পারে [২৯]। একটি সর্বোত্তম শ্রেণীবিভাগ খোঁজা, তাই, একটি সমন্বিত অপ্টিমাইজেশান সমস্যা হিসাবে বিবেচিত হয়। গত দশকে, বিবর্তনীয় গণনার উপর ভিত্তি করে ভূমি ব্যবহারের শ্রেণীবিভাগের গবেষণায় একটি উল্লেখযোগ্য অগ্রগতি হয়েছে [৩০], [৩১]। উদাহরণস্বরূপ, ইয়াং এট আল। একটি কণা ঝাঁক অপ্টিমাইজেশান (পিএসও)-ভিত্তিক কৌশল উপস্থাপন করেছে এবং ভূমি আবরণ [৩২] সনাক্ত করার জন্য একটি মানদণ্ড ফাংশন ডিজাইন করেছে। সরকার প্রমুখ। [৩৩] ডিফারেনশিয়াল ইভোলিউশন (ডিই) এর উপর ভিত্তি করে ভূমি আবরণের তত্ত্বাবধানহীন শ্রেণীবিভাগের জন্য একটি পদ্ধতির বিকাশের জন্য সর্বাধিক Rènyi এনট্রপি (MRE) ব্যবহার করা হয়েছে, যা দুটি বহুল ব্যবহৃত হাইপারস্পেকট্রাল ইমেজ ডেটাতে ভাল কাজ করে। জেনেটিক অ্যালগরিদম (GAs), কার্যকর গ্লোবাল অপ্টিমাইজেশান অ্যালগরিদম, বিশ্বব্যাপী সর্বোত্তম সমাধান নির্ধারণের জন্য প্রাকৃতিক নির্বাচন প্রক্রিয়ায় জৈবিক জেনেটিক প্রক্রিয়া অনুকরণ করে [৩৪], [৩৫], [৩৬], [৩৭]। স্ট্যান্ডার্ড GA একটি স্ট্রিং আকারে একটি প্রার্থী সমাধান প্রতিনিধিত্ব করার জন্য একটি বাইনারি এনকোডিং অপারেশন প্রয়োজন [৩৮], [৩৯], [৪০]। প্রতিটি পুনরাবৃত্তিতে, ক্রসওভার অপারেটর এলোমেলোভাবে দুটি প্রার্থী সমাধান (যেমন, পিতামাতা) নির্বাচন করে এবং নতুন সমাধান (যেমন, সন্তানসন্ততি) তৈরি করতে তাদের তথ্যের অংশ বিনিময় করে, যা জনসংখ্যার অন্বেষণ ক্ষমতা বাড়ায় [41]। প্রকৃতিতে জিন মিউটেশনের মতো, মিউটেশন অপারেটরটি GA-তে প্রয়োগ করা হয় বংশধর সমাধানগুলিতে তথ্যের অংশ পরিবর্তন করতে এবং স্থানীয় অনুসন্ধানযোগ্যতা [42] উন্নত করতে। নির্বাচন অপারেটর জনসংখ্যার প্রতিটি সদস্যের ফিটনেসের উপর ভিত্তি করে প্রার্থীর সমাধানগুলি নির্বাচন করে - ভাল বংশধরদের সংরক্ষণ করা এবং খারাপ সন্তানদের নির্মূল করা। এই প্রক্রিয়াটি, ঘুরে, শোষণ এবং অন্বেষণের মধ্যে ভারসাম্য বাড়ায় [43]। উপরে উল্লিখিত জেনেটিক অপারেটরদের দ্বারা, এই ব্যক্তিদের একত্রিত করা হয় একটি নতুন প্রজন্মের প্রার্থী সমাধান গোষ্ঠী তৈরি করতে, এবং প্রক্রিয়াটি পুনরাবৃত্তি করা হয় যতক্ষণ না কিছু কনভারজেন্স সূচক সন্তুষ্ট হয়। GA অনুসন্ধান প্রক্রিয়া চলাকালীন অনুসন্ধানের দিক সম্পর্কে জ্ঞান অর্জন করে এবং সঞ্চয় করে এবং এইভাবে, সর্বোত্তম সমাধান [৪৪] তৈরি করতে স্বয়ংক্রিয়ভাবে অনুসন্ধানের দিক নিয়ন্ত্রণ করে, যা সফলভাবে রিমোট সেন্সিং ইমেজ শ্রেণীবিভাগে প্রয়োগ করা হয়েছে এবং ভাল ফলাফল অর্জন করেছে। সাম্প্রতিক বছরগুলিতে অনেক উন্নত GA আবির্ভূত হয়েছে [45]। যাইহোক, এখনও অমীমাংসিত সমস্যা আছে. 1) ব্যাপক গণনা। ডেটাসেট বড় হয়ে গেলে GA-এর কনভারজেন্সের অবনতি হয়। 2) বর্ণালী বৈশিষ্ট্যগুলিতে ফোকাস করে সাধারণ GA এর দুর্বল অ্যান্টিনয়েজ কার্যকারিতা সাধারণত চিত্রের শব্দের প্রতি সংবেদনশীল। 3) অকাল অভিসারণ। নতুন স্থানের জন্য GA-এর সীমিত অনুসন্ধান ক্ষমতা রয়েছে এবং স্থানীয় সর্বোত্তম স্থানের মধ্যে পড়ার প্রবণতা রয়েছে। যেহেতু দূরবর্তীভাবে সংবেদিত ডেটা ভিন্নতা দ্বারা চিহ্নিত করা হয়, আমরা এনসেম্বল ক্লাসিফায়ারগুলিতে ফোকাস করি, যা বিভিন্ন শ্রেণিবিন্যাস বৈশিষ্ট্যগুলির মধ্যে পরিপূরকতার উপর জোর দেয় [৪৬], [৪৭], [৪৮]। সংমিশ্রণ কৌশলের সমালোচনামূলক ধারণা হল বিভিন্ন শ্রেণিবিন্যাস নিয়ম [৪৯], [৫০] থেকে ভবিষ্যদ্বাণীগুলিকে মিশ্রিত করা এবং একত্রিত করা। [51]-এর গবেষণায়, বিভিন্ন বৈশিষ্ট্য বর্ণনাকারীদের দ্বারা একাধিক স্বাধীন শ্রেণিবিন্যাস মানচিত্র প্রদানের জন্য একটি অত্যন্ত নির্ভুল সংমিশ্রণ শ্রেণীবিভাগ মডেলের প্রস্তাব করা হয়েছে। [52] এর অধ্যয়নটি ইঙ্গিত করে যে একটি দ্বি-পদক্ষেপ ভোটিং প্রক্রিয়ার সমন্বয়ে গঠিত এনসেম্বল ফ্রেমওয়ার্ক মূল চিত্র ডেটার গোলমালকে দমন করতে পারে এবং কিছু পরিমাণে সমুদ্রের বরফের শ্রেণিবিন্যাসকে পরিমার্জন করতে পারে।

cistanche সম্পূরক উপকারিতা-অনাক্রম্যতা বৃদ্ধি

Cistanche Enhance Immunity পণ্য দেখতে এখানে ক্লিক করুন

【আরো জন্য জিজ্ঞাসা করুন】 ইমেল:cindy.xue@wecistanche.com / Whats অ্যাপ: 0086 18599088692 / Wechat: 18599088692

এই প্রবন্ধে, মাল্টিস্পেকট্রাল ইমেজের ল্যান্ড কভার শ্রেণীবিভাগের জন্য একটি দ্বি-পদক্ষেপ এনসেম্বল কৌশল-ভিত্তিক উন্নত GA মডেল (TE-nGA) প্রস্তাব করা হয়েছে। GA-এর ঘাটতিগুলির জন্য, আমাদের সমাধান হল অ্যান্টিনয়েজ কর্মক্ষমতা, শ্রেণিবিন্যাস নির্ভুলতা এবং অভিসারী গতি উন্নত করতে একটি ক্লাসিক্যাল GA-এর উপরে এনসেম্বল কৌশল এবং স্থানিক উইন্ডো ব্যবহার করা। এই নিবন্ধের প্রধান অবদান নিম্নরূপ. 1) এফসিএম অ্যালগরিদম পিক্সেলগুলিকে ক্লাস্টার করা কঠিন এবং যেগুলি ক্লাস্টার করা সহজ, যা গণনাগত জটিলতাকে সংকুচিত করতে ব্যবহৃত হয়। 2) একটি গ্রেস্কেল-স্থানিক-ভিত্তিক GA অকাল অভিসারণ এবং শব্দ সংবেদনশীলতা প্রতিরোধ করার জন্য হিউরিস্টিক প্যারামিটার-মেকিং-এ স্থানিক প্রতিবেশী উইন্ডো বিবেচনা করে প্রস্তাব করা হয়েছে। 3) একটি মাল্টিব্যান্ড ক্লাসিফিকেশন মেকানিজম সহ একটি অভিনব দ্বি-পদক্ষেপ এনসেম্বল ফ্রেমওয়ার্ক সমাধানের অস্থিরতা এবং শ্রেণীবিভাগ ত্রুটি কমাতে ব্যবহৃত হয়।

২. প্রস্তাবিত শ্রেণিবিন্যাস পদ্ধতি

প্রস্তাবিত অ্যালগরিদমের ফ্লোচার্ট চিত্র 1-এ দেখানো হয়েছে। এবং অ্যালগরিদম প্রধানত নিম্নলিখিত তিনটি ধাপ নিয়ে গঠিত: ইমেজ ডিনোইসিং, ভোটিং কৌশল ব্যবহার করে পিক্সেলগুলিকে ক্লাস্টারে কঠিন খুঁজে বের করা, এবং এনসেম্বল মডেল এবং বর্ণালী-স্থানিক-এর উপর ভিত্তি করে উন্নত GA দ্বারা পুনঃশ্রেণীকরণ। একীকরণ. উল্লেখ্য যে, দ্বিতীয় এবং তৃতীয় ধাপ হল প্রস্তাবিত অ্যালগরিদমের গুরুত্বপূর্ণ অংশ। প্রস্তাবিত পদ্ধতিটি অ্যালগরিদম 1 এ স্কেচ করা হয়েছে।

উ: ইমেজ ডিনোইসিং

দৃশ্যের গুণমানকে প্রভাবিত করে এমন ইমেজ সেন্সর নয়েজ থেকে ইমেজ আর্টিফ্যাক্ট এড়াতে, অ্যালগরিদম প্রথমে ব্লক-ম্যাচিং এবং 3-ডি ফিল্টারিং প্রয়োগ করে, একটি বিদ্যমান জনপ্রিয় এবং কার্যকর ডিনোইসিং অ্যালগরিদম [53]। এই ফিল্টারিংয়ের বৈশিষ্ট্যগুলি এই সাধারণ তথ্যের উপর ভিত্তি করে বেছে নেওয়া হয়েছে, এটি সংশোধন করা চিত্রের অবশিষ্ট গোলমাল হ্রাস করা এবং বিভিন্ন ক্লাস্টারের অন্তর্গত প্রতিবেশী পিক্সেলগুলির মধ্যে তীব্রতার পরিবর্তনগুলি সংরক্ষণ করার মধ্যে একটি লেনদেন। অ্যালগরিদম চিত্রের গুণমান উন্নত করার ক্ষেত্রে অন্যান্য ফিল্টারিং অ্যালগরিদমকে ছাড়িয়ে গেছে বলে প্রমাণিত হয়েছে।

B. প্রথম এনসেম্বল স্টেজ—ক্লাস্টারে পিক্সেল খুঁজে পাওয়া কঠিন

চিত্র 1-এর বাম দিকের ব্লক ডায়াগ্রামে D তরঙ্গদৈর্ঘ্যের একটি মাল্টিস্পেকট্রাল ইমেজ দেখানো হয়েছে, যেখান থেকে H × W এর আকারের D-নির্দিষ্ট ছবিগুলিকে বের করতে পারে, I1, I2,..., ID হিসাবে চিহ্নিত। প্রথম ধাপ, পার্টিশন পিক্সেলগুলির মধ্যে যেগুলি ক্লাস্টার করা কঠিন এবং যেগুলিকে ক্লাস্টার করা সহজ অন্তত একটি বর্ণালী চিত্রের জন্য, তাদের সদস্যতা খুব সম্ভবত। তাই, পিক্সেলগুলিকে N বিভাগে শ্রেণীবদ্ধ করার জন্য FCMs ক্লাস্টারিং প্রতিটি বর্ণালী ছবিতে আলাদাভাবে প্রয়োগ করা হচ্ছে, যেখানে N একটি ভিজ্যুয়াল ব্যাখ্যার মাধ্যমে আগে থেকেই সেট করা আছে। এটি প্রতিটি পিক্সেল, প্রতিটি তরঙ্গদৈর্ঘ্য এবং প্রতিটি ক্লাস্টার সদস্যতার জন্য উত্পাদন করে।

চিত্র 1. প্রস্তাবিত পদ্ধতির উপর ভিত্তি করে LULC শ্রেণীবিভাগ ফ্লোচার্ট।

যেখানে Id(i, j) হল dth তরঙ্গদৈর্ঘ্যে পিক্সেল (i, j) এর তীব্রতা, un d (i, j) হল dth তরঙ্গদৈর্ঘ্যে পিক্সেলের (i, j) তম ক্লাস্টারের সদস্যপদ, 1 এর থেকে কম বা d এর সমান D এর থেকে কম বা সমান, 1 এর থেকে কম বা n এর থেকে কম বা N এর সমান। dth তরঙ্গদৈর্ঘ্যের জন্য, প্রতিটি পিক্সেলকে একটি বিভাগ লেবেল cd(i, j) দিয়ে চিহ্নিত করা হয়েছে, যেমন

সদস্যতার উপর ভিত্তি করে, পিক্সেলগুলিকে সহজে ক্লাস্টারড Ke এবং ক্লাস্টার করা কঠিন Kd হিসাবে শ্রেণীবদ্ধ করা হয়। পিক্সেল (i, j) ∈ কে ক্লাস্টারে সহজ বলে বিবেচিত হয় তা নিশ্চিত করার জন্য থ্রেশহোল্ড τ ব্যবহৃত একটি প্যারামিটার হল প্রাসঙ্গিক ক্লাস্টার কেন্দ্রের সাথে উচ্চ স্তরের সদস্যপদ। (N + 1) তম ক্লাস্টারে পিক্সেলগুলি রয়েছে যা ক্লাস্টার করা কঠিন বলে বিবেচিত এবং Kd নির্দেশিত। ভোট-ভিত্তিক পন্থা একাধিক শ্রেণিবিন্যাস নিয়ম দ্বারা উত্পন্ন বিভিন্ন সিদ্ধান্তের মধ্যে দ্বন্দ্ব সমাধান করতে পারে। তদনুসারে, FCM দ্বারা প্রাপ্ত প্রতিটি তরঙ্গদৈর্ঘ্যের শ্রেণীবিন্যাস ফলাফল সংখ্যাগরিষ্ঠ ভোটের নীতির উপর ভিত্তি করে এনসেম্বল শ্রেণীবিভাগ মানচিত্র সি-তে একীভূত হয়। সি-তে পিক্সেল লেবেলটি ফিল্টার করা মাল্টিস্পেকট্রাল ইমেজের অনুরূপ অবস্থানে পুনঃম্যাপ করা হয় এবং চূড়ান্ত পুনঃশ্রেণীবিন্যাস মানচিত্র প্রাপ্ত হয়, I1, I2, হিসাবে চিহ্নিত করা হয়। . ., আইডি, চিত্রের মাঝখানে দেখানো ফ্রেম হিসাবে। 1। পিক্সেলগুলিকে ক্লাস্টারে সহজ এবং কঠিন হিসাবে পুনরায় শ্রেণীবদ্ধ করার জন্য FCM অ্যালগরিদম প্রয়োগ করার পরে, সম্পূর্ণ আসল চিত্র বিশ্লেষণ করার বিষয়টি, এইভাবে, শ্রেণীবিভাগে রূপান্তরিত হয় কঠিন পিক্সেল।

C. দ্বিতীয় এনসেম্বল পর্যায়- উন্নতGA প্রতিবেশী পিক্সেল বিবেচনা করে

ফ্লোচার্টের ডানদিকে, "দ্য সেকেন্ড রাউন্ড এনসেম্বল" শিরোনামের একটি ফ্রেম দুটি কাজকে চিত্রিত করে: বর্ণালী-স্পেস জয়েন্ট ফ্যাক্টরের উপর ভিত্তি করে GA শ্রেণিবিন্যাস এবং মাল্টিব্যান্ড শ্রেণিবিন্যাসের জন্য সিদ্ধান্তের সমন্বয়। যেহেতু LULC শ্রেণীবিন্যাস সমস্যাটি একাধিক বাইনারি শ্রেণীবিভাগের কাজগুলির মধ্যে পচনশীল, তাই আমাদের প্রতিটি তরঙ্গদৈর্ঘ্যের জন্য সিরিজ উপ-সমস্যাগুলি সমাধান করা উচিত: পিক্সেল (i, j) ∈ Kd xth বিভাগের অন্তর্গত কিনা। 1 x এর থেকে কম বা সমান N এর থেকে কম বা সমান। অবশেষে, সমস্ত N বাইনারি শ্রেণীবিন্যাস মানচিত্রের সিদ্ধান্তের ফলাফল N ল্যান্ড কভারের ধরন সমন্বিত একটি শ্রেণীবিভাগ মানচিত্র পেতে একত্রিত হয়। প্রতিটি বাইনারি শ্রেণিবিন্যাসের সমস্যার জন্য, উন্নত বর্ণালী-স্পেস-ভিত্তিক GA (N + 1)ম শ্রেণি হিসাবে চিহ্নিত পিক্সেলগুলিতে প্রয়োগ করা হয় যাতে অস্পষ্ট বিভাগ লেবেলগুলিকে আরও অপ্টিমাইজ করা যায়, চিত্র 1-এর ড্যাশযুক্ত ফ্রেমে চিত্রিত করা হয়েছে। এই উন্নত বর্ণালী-স্পেস-ভিত্তিক GA-এর ব্যাখ্যা নিম্নরূপ। 1) দ্বি-মাত্রিক বাইনারি ক্রোমোজোম এনকোডিং: ইমেজ আইডির জন্য, N বাইনারি মানচিত্রগুলি N শ্রেণীবিভাগের কাজগুলি থেকে বের করা যেতে পারে। দ্বি-মাত্রিক বাইনারি এনকোডিং বিবর্তিত ব্যক্তিদের স্থানিক কাঠামোগত বৈশিষ্ট্য বজায় রাখতে ব্যবহার করা হয় (এক ব্যক্তি একটি সম্ভাব্য সিদ্ধান্তের প্রতিনিধিত্ব করে)। এনকোডিং ম্যাট্রিক্সের আকার তরঙ্গদৈর্ঘ্যের চিত্রের সমান, যেটি হল H × W। পিক্সেল (i, j) ∈ Kd xth বিভাগের অন্তর্গত কিনা তা অনুমান করার জন্য, 1 এর থেকে কম বা সমান x এর থেকে কম বা N এর সমান প্রতিটি তরঙ্গদৈর্ঘ্য, আমরা পিক্সেল (i, j) ∈ Ke কে এনকোড করি x ক্লাসে এফসিএম দ্বারা ক্লাস্টার করা 1 হিসাবে এবং অশ্রেণি x কে 0 হিসাবে, যেখানে আর কোন বিবর্তন অপ্টিমাইজেশান অপারেশন করা হয় না। এই পয়েন্টগুলি(i, j) ∈ Kd এলোমেলোভাবে 0 বা 1 হিসাবে এনকোড করা হয়েছে৷ Kd-এ প্রয়োগ করা বিবর্তনীয় অপ্টিমাইজেশান সমস্ত সম্ভাব্য সমাধানগুলি অন্বেষণ করবে৷ 2) আশেপাশের উইন্ডোর উপর ভিত্তি করে ফিটনেস ফাংশন: ফিটনেস ফাংশন হল জনসংখ্যার ব্যক্তিদের গুণমান মূল্যায়নের জন্য সবচেয়ে গুরুত্বপূর্ণ সূচক, যা ব্যক্তি নির্বাচন এবং জেনেটিক অপারেটরদের সম্পাদনের সাথে সম্পর্কিত। সংলগ্ন পিক্সেলগুলি গ্রেস্কেল এবং টেক্সচারের ক্ষেত্রে অত্যন্ত পারস্পরিক সম্পর্কযুক্ত। ফলস্বরূপ, স্পেকট্রা এবং স্থানের পরিপূরক তথ্য একটি যৌগিক ফিটনেস ফাংশন বিকাশের জন্য গৃহীত হয়, যা অ্যালগরিদম শব্দ প্রতিরোধ ক্ষমতা উন্নত করার জন্য একটি অভিনব ধারণা প্রদান করে। dth তরঙ্গদৈর্ঘ্যে nম ক্লাস্টারিং টাস্কের জন্য, ধরুন জনসংখ্যার ব্যক্তির সংখ্যা P, CIp,n,d হল পথ ব্যক্তি, 1 এর থেকে কম বা p এর সমান P এর থেকে কম বা সমান, 1 এর চেয়ে কম বা সমান n এর থেকে কম বা N এর সমান, 1 এর থেকে কম বা d এর থেকে কম বা D এর সমান। CIp,n,d এর ফিটনেস ফাংশন হল ফিটনেস=1 OF, OF সূত্র (3) দ্বারা গণনা করা হয়

যেখানে r ∈ {{0}}, 1}, Rr 0 বা 1 হিসাবে এনকোড করা পিক্সেলগুলিকে নির্দেশ করে এবং তাদের পরিমাণের পরিসংখ্যানগুলিকে Nr হিসাবে উপস্থাপন করা হয়। Rth ক্লাস্টার কেন্দ্র vr Rr-এর অন্তর্গত সমস্ত পয়েন্টের পিক্সেল গড় দ্বারা গণনা করা হয়। I d(i, j) হল FCM ক্লাস্টারিং অ্যালগরিদম প্রয়োগ করার পর dth তরঙ্গদৈর্ঘ্যে পিক্সেলের (i, j) তীব্রতা। আশেপাশের ফাংশন Wr(i, j), পাড়ার win dows বর্গাকার এবং তাদের পাশের দৈর্ঘ্য বিজোড় পূর্ণসংখ্যা বলে ধরে নেওয়া হয়। N(i, j, s) সূচীকৃত অবস্থানে (i, j) s × s আশেপাশের উইন্ডোকে উপস্থাপন করে। Nt(i, j, s) হল আশেপাশের N(i, j, s) এর tth পিক্সেলের তীব্রতা। rth ক্লাস্টারের অন্তর্গত N(i, j, s) তে tth পিক্সেলের সদস্যপদ ডিগ্রীকে utr(i, j, s) হিসাবে চিহ্নিত করা হয়। lt(i, j, s) tth প্রতিবেশী পিক্সেল এবং কেন্দ্র বিন্দু (i, j) এর মধ্যে স্থানিক দূরত্বকে প্রতিনিধিত্ব করে। L হল কেন্দ্র বিন্দু এবং এর আশেপাশের পিক্সেলের মধ্যে স্থানিক দূরত্বের ওজন। 3) প্রতিবেশী তথ্য ব্যবহার করে মিউটেশন অপারেটর: নতুন প্রজন্মগুলি পৃথক নির্বাচন, অভিন্ন ক্রসওভার এবং জেনেটিক মিউটেশনের মাধ্যমে পুনরাবৃত্তিমূলকভাবে তৈরি হচ্ছে, যেমনটি চিত্র 1-এর ড্যাশযুক্ত ফ্রেমে চিত্রিত হয়েছে। বেশিরভাগ GA এলোমেলোভাবে লেবেল পরিবর্তন বাস্তবায়নের জন্য একটি বিশ্বব্যাপী মিউটেশন সম্ভাবনা ব্যবহার করে। একই সম্ভাব্যতার সাথে নির্বাচিত পিক্সেল, যা অদৃশ্যভাবে GA এর অভিসরণ হারকে ধীর করে দেয়। ক্রিটিকাল টেকনিক্যাল অপারেটর হিসেবে, আশেপাশের তথ্যের সাথে একত্রে একটি উন্নত হিউরিস্টিক মিউটেশন সম্ভাবনা তৈরি করা হয়, যাতে প্রতিটি জিনের উপযুক্ত মিউটেশন সম্ভাবনা স্বয়ংক্রিয়ভাবে গণনা করা যায়। নিম্নলিখিত সূত্রগুলি এই অভিনব মিউটেশন সম্ভাবনাকে সংজ্ঞায়িত করে:

কেন্দ্র পিক্সেল (i, j) এর জন্য, uht(i, j, s) ক্লাস্টারিং কেন্দ্র vh, h ∈ {{0} এর অন্তর্গত আশেপাশের পয়েন্ট Nt(i, j, s) এর সদস্যপদ ডিগ্রী নির্দেশ করে }, 1}। ফলস্বরূপ, পৃথক CIp,n,d-এর অভিযোজিত মিউটেশন সম্ভাবনা Pm(i, j) সূত্র 8 হিসাবে প্রকাশ করা হয়, যেখানে P0 হল মৌলিক মিউটেশন সম্ভাবনা, এছাড়াও ক্লাসিক্যাল GA-তে বিশ্বব্যাপী মিউটেশন সম্ভাবনা; σ, S-এর সূচক, কেন্দ্রীয় পিক্সেলের মিউটেশন সম্ভাবনার উপর আশেপাশের তথ্যের প্রভাব ওজনকে বোঝায়। CIp,n,d(i, j) হল dth তরঙ্গ দৈর্ঘ্যে nম ক্লাস্টারিং টাস্কের জন্য পৃথক পাথের বাইনারি এনকোডিং। lt(i, j, s) কেন্দ্র পিক্সেল(i, j) এবং N(i, j, s) তে tth পিক্সেলের মধ্যে স্থানিক দূরত্ব নির্দেশ করে। Nt(i, j, s) এর লেবেলটি Ct হিসাবে চিহ্নিত করা হয়, যদি u1t u0t থেকে বড় হয়, তাহলে Ct=1; অন্যভাবে, Ct=0। বিভিন্ন আশেপাশের জানালা বিবেচনা করে, যখন s=3, তখন এটি গণনা করা যেতে পারে যে S ∈ [0, 4+2√2]; যখন s=5, S ∈ [0, 6+3√2+1.6 √5]। উপরে উল্লিখিত প্রক্রিয়ার মাধ্যমে, পয়েন্ট (i, j) ∈ Kd অভিযোজিতভাবে প্রতিবেশী পিক্সেলের বিভাগের উপর ভিত্তি করে উপযুক্ত মিউটেশন সম্ভাবনা অর্জন করতে পারে। যখন আনুমানিক লেবেল CIp,n,d(i,j) আশেপাশের পিক্সেলগুলির বেশিরভাগ বিভাগের সাথে একমত হয়, তখন মূল আঞ্চলিক একজাতীয়তা বজায় রাখার জন্য একটি ছোট মিউটেশন সম্ভাবনার প্রয়োজন হয়। অন্যথায়, CIp,n,d(i, j) আশেপাশের N(i, j, s) এর অধিকাংশ বিভাগের দিকে ঝোঁক তৈরি করতে মিউটেশনের সম্ভাবনা বেড়ে যায়। উপরে উল্লিখিত জেনেটিক অপারেটরদের দ্বারা, নতুন সন্তানসন্ততি পুনরাবৃত্তিমূলকভাবে তৈরি করা হচ্ছে। অ্যালগরিদম 1-এর 10-16 ধাপে দেখানো হয়েছে যখন পুনরাবৃত্তির অবস্থা সন্তুষ্ট না হয় তখন সর্বোচ্চ ফিটনেস সহ ব্যক্তি আউটপুট হয়। LULC শ্রেণীবিভাগের ক্ষেত্রে এই প্রস্তাবিত পদ্ধতির একটি অস্বাভাবিক শ্রেণিবিন্যাস নিয়ম নোট করুন। প্রস্তাবিত বর্ণালী-স্পেসভিত্তিক GA প্রতিটি তরঙ্গ দৈর্ঘ্যের চিত্রে শুধুমাত্র বাইনারি শ্রেণীবিভাগ সম্পাদন করে। এইভাবে, যখন সমস্ত N ভূমি ব্যবহারের ধরন বৈষম্য করা হয়েছে এবং N বাইনারি চিত্রগুলি, শ্রেণীবিভাগের ফলাফলগুলি একটি সম্পূর্ণ শ্রেণিবিন্যাসের মানচিত্রে মিশে গেছে। সহজ কথায়, পিক্সেল(i, j) সেই বিভাগের অন্তর্গত যা এটিকে বাইনারি শ্রেণিবিন্যাস মানচিত্রে 1 হিসাবে চিহ্নিত করে। যখন দুই বা ততোধিক বাইনারি মানচিত্র পিক্সেলকে 1 হিসাবে চিহ্নিত করে, তখন পিক্সেলটিকে বৃহত্তর ফিটনেস মান সহ একটি হিসাবে শ্রেণীবদ্ধ করা হয়, যেমনটি চিত্র 2 এবং অ্যালগরিদম 1 এর ধাপ 19 এ দেখানো হয়েছে।

অ্যালগরিদম 1: প্রস্তাবিত দ্বি-পদক্ষেপ এনসেম্বল মডেলের পদ্ধতি।

চিত্র 2. চারটি বাইনারি শ্রেণিবিন্যাস ফলাফল মানচিত্রের সমন্বয়।

অবশেষে, দ্বিতীয় এনসেম্বল মডেলটি ডি শ্রেণীবিভাগ মানচিত্রগুলিতে প্রয়োগ করা হয়, যার লক্ষ্য সমস্ত তরঙ্গদৈর্ঘ্যের শ্রেণীবিভাগ মানচিত্রগুলিকে চূড়ান্ত LULC মানচিত্রে একত্রিত করা। এনসেম্বল নিয়মগুলি নিম্নরূপ: ধরুন যে পিক্সেল (i, j) কে kth শ্রেণী হিসাবে শ্রেণীবদ্ধ করে nk শ্রেণীবিভাগ মানচিত্র রয়েছে এবং চূড়ান্ত বিভাগ CI(i, j)=k, যদি nk > nx, যেখানে x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. মনে রাখবেন যে ইন্টিগ্রেশন ফ্রেমওয়ার্কের মধ্যে, আমরা সর্বদা বেছে বেছে শ্রেণীবিভাগ সরিয়ে ফেলি NIR ব্যান্ডে ফলাফল কারণ এর শ্রেণীবিভাগ ফলাফল প্রায়ই অবিশ্বাস্য হয়।

III. পরীক্ষামূলক ফলাফল

A. তথ্যের ভূমিকা

বেইজিং 2 স্যাটেলাইট দ্বারা অর্জিত রিমোট সেন্সিং ইমেজের তিনটি ডেটাসেট প্রস্তাবিত অ্যালগরিদমের যথার্থতা এবং কার্যকারিতা যাচাই করতে ব্যবহৃত হয়। বেইজিং-2 হল একটি সিভিল কমার্শিয়াল রিমোট সেন্সিং স্যাটেলাইট নক্ষত্রপুঞ্জ (DMC3) যা তিনটি উচ্চ-রেজোলিউশন স্যাটেলাইট নিয়ে গঠিত। এটি 11 জুলাই, 2{10}}15 তারিখে ভারত থেকে চালু করা হয়েছিল এবং 651 কিমি সূর্য-সিঙ্ক্রোনাসে বিতরণ করা হয়েছিল। বেইজিং-2 নক্ষত্রমণ্ডলী কক্ষপথে প্রায় 24 কিমি চওড়া, 0.8 মিটার রেজোলিউশন প্যানক্রোম্যাটিক এবং 3.2 মিটার রেজোলিউশনের নীল, সবুজ, লাল এবং কাছাকাছি-ইনফ্রারেড মাল্টিস্পেকট্রাল ছবি সরবরাহ করে, যা দূরবর্তী সংবেদনশীল উপগ্রহ ডেটা এবং স্থানিক তথ্য পণ্য সরবরাহ করতে পারে গ্লোবাল কভারেজ এবং চমৎকার স্থানিক এবং অস্থায়ী রেজোলিউশন সহ, এক বা দুই দিনের জন্য পৃথিবীর যেকোন অবস্থান পুনর্বিবেচনা করতে সক্ষম। পরীক্ষামূলক ছবি 2018 সালে প্রাপ্ত হয়েছিল। পরীক্ষার সাইটটি চীনের হুবেই প্রদেশের ডাংইয়াং শহরের তিনটি ভিন্ন অংশ। এই নিবন্ধে, শুধুমাত্র মাল্টিস্পেকট্রাল ইমেজ বিবেচনা করা হয়. আমরা ENVI(5.3) এর মাধ্যমে এই চিত্র ডেটাতে বায়ুমণ্ডলীয় সংশোধন করেছি। বায়ুমণ্ডলীয় মডেলটি সাবর্কটিক শীতকালীন এবং এরোসল মডেলটি গ্রামীণ। তাছাড়া, আমরা যে অ্যারোসল পুনরুদ্ধারটি নির্বাচন করেছি তা হল 2-ব্যান্ড (KT)। অন্যান্য পরামিতিগুলি ডিফল্টরূপে সেট করা হয়েছিল। সমস্ত ছবি কোরেজিস্ট্রেশনের মাধ্যমে প্রিপ্রসেস করা হয়। এছাড়াও, আমাদের চার বা পাঁচটি শ্রেণীর সমস্ত চিত্রের ইতিমধ্যেই লেবেলযুক্ত শ্রেণীবিভাগ দেওয়া হয়েছে। এটি মূল চিত্রটি পর্যবেক্ষণ করে একটি সম্পূর্ণ চাক্ষুষ পরিদর্শনের উপর ভিত্তি করে এবং স্থল সত্য হিসাবে একটি ভূ-উপযুক্ত মানচিত্রে রেকর্ড করা হয়েছে।

cistanche tubulosa- ইমিউন সিস্টেম উন্নত

B. প্যারামিটার কনফিগারেশন

এই পরীক্ষায়, FCM এর থ্রেশহোল্ড τ হল 0.8, জনসংখ্যার আকার সেট করা হয়েছে 40, ক্রসওভার সম্ভাব্যতা Pc=0.8, বেস মিউটেশন সম্ভাবনা P0=0.001 , এক্সপোনেন্ট σ 2, আশেপাশের উইন্ডোর আকার s 3 পিক্সেলে সেট করা হয়েছে, কম্পিউটার প্রক্রিয়াকরণের সময় এবং অভিসারী দিককে অপ্টিমাইজ করার পাশাপাশি ছবির বিবরণ বজায় রাখার লক্ষ্য। FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} সহ প্রস্তাবিত পদ্ধতির কার্যকারিতা যাচাই করার জন্য বিদ্যমান নয়টি ভূমি কভার শ্রেণীবিন্যাস পদ্ধতির প্রয়োজন। }SICM [২৮], MRE-DE [33], এবং P-Kmeans [20]। পরামিতি সেটিংস মূল সাহিত্যের সাথে অভিন্ন, এখানে পুনরাবৃত্তি করা হয়নি। তদ্ব্যতীত, সাধারণ GA-তে এই নিবন্ধে প্রস্তাবিত অ্যালগরিদমের মতো একই প্যারামিটার জনসংখ্যার আকার H এবং ক্রসওভার সম্ভাব্যতা Pc রয়েছে, মিউটেশন সম্ভাবনা Pm=0.01, কিন্তু আশেপাশের তথ্য ছাড়াই পাঠক বুঝতে পারেন যে প্রতিবেশী উইন্ডোর আকার 1. বিশেষ করে, এনজিএ আশেপাশের তথ্য ব্যবহার করে জেনেটিক অপারেটরকে ধরে রাখে কিন্তু টিই-এনজিএ-তে বিদ্যমান এনসেম্বল অপারেশনটি মুছে দেয়।

C. শ্রেণীবিভাগের ফলাফল

ডুমুর। 3-5 প্রতিটি ডেটাসেটে পরীক্ষা করার সময় বিভিন্ন মডেলের সাথে সঙ্গতিপূর্ণ রঙের মানচিত্রে LULC শ্রেণীবিভাগের ফলাফল দেখায়। যেহেতু তিনটি দূর থেকে সংবেদিত ছবিতে বিভিন্ন ধরনের ভূমি ব্যবহার রয়েছে, তাই শ্রেণিবিন্যাস চার্টের রঙের উপস্থাপনা অভিন্ন নয়। এই শ্রেণীবিভাগের ফলাফল অনুসারে, তিনটি পরিসংখ্যানের জন্য, প্রস্তাবিত পদ্ধতি দ্বারা প্রাপ্ত রঙের মানচিত্রগুলি আরও স্পষ্ট এবং মসৃণ। সারণী I 12টি মডেল দ্বারা অর্জিত সময় (চলমান সময়) এবং OA দেখায় এবং বিভিন্ন পদ্ধতির সাথে শ্রেণিবিন্যাস কর্মক্ষমতা তুলনা করার জন্য গবেষণার ক্ষেত্রে পরীক্ষা করা হয়। সর্বোত্তম পরীক্ষামূলক ফলাফল গাঢ়ভাবে দেখানো হয়। কেউ উপসংহারে আসতে পারে যে প্রস্তাবিত পদ্ধতিটি সর্বোত্তম সামগ্রিক ফলাফল উপস্থাপন করেছে, সর্বোচ্চ OA 88.72% এবং তুলনামূলকভাবে কিছু ভুল পিক্সেল। এলাকা 3-এর জন্য, আশেপাশের জানালা ব্যবহার করার সময়, LULC-এর শ্রেণিবিন্যাস নির্ভুলতা 28.35% বৃদ্ধি পায়; আরও গুরুত্বপূর্ণ, সাধারণ GA-এর তুলনায় TE-nGA গণনাগত সময়কে 9257.56 সেকেন্ডে কমাতে পারে। এর কারণ হল TE-nGA-এর হিউরিস্টিক মিউটেশন অপারেটর অ্যালগরিদমের একত্রীকরণকে ত্বরান্বিত করার জন্য অনুসন্ধানের দিকটিকে অভিযোজিতভাবে নিয়ন্ত্রণ করতে পারে, প্রমাণ করে যে প্রস্তাবিত পদ্ধতিটি ব্যবহারিক পরিস্থিতির জন্য আরও উপযুক্ত। উপরন্তু, এনজিএ টিই-এনজিএ রিমুভিং এনসেম্বল অপারেশনের সমতুল্য, তাই পাঠক বুঝতে পারেন যে টিই-এনজিএ শুধুমাত্র একক-ব্যান্ড(ব্যান্ড1) চিত্রে চলে। এরিয়া 3-এর জন্য, যখন এনসেম্বল ফ্রেমওয়ার্ক চালু করা হয়, তখন শ্রেণীবিন্যাস নির্ভুলতা আরও উন্নত হয় 0.72%, যা এনসেম্বল কৌশলের কার্যকারিতা প্রদর্শন করে।

D. প্যারামিটার বিশ্লেষণ

প্রস্তাবিত পদ্ধতির একটি অপরিহার্য বিষয় হল স্থানিক আশেপাশের তথ্যকে হিউরিস্টিক তথ্য হিসাবে গণ্য করা যাতে উদ্দেশ্যমূলক ফাংশন এবং মিউটেশন সম্ভাবনাকে অভিযোজিতভাবে পরিবর্তন করা যায়, এইভাবে শব্দ প্রতিরোধ ক্ষমতা এবং শ্রেণিবিন্যাস নির্ভুলতা, সেইসাথে অভিসারী গতির উন্নতি হয়। যাইহোক, এর মানে এই নয় যে উইন্ডোর আকার যত বড় হবে, শ্রেণিবিন্যাস প্রভাব তত ভাল। সারণি II-এর সাপেক্ষে, বর্ধিত কর্মক্ষমতা পরিলক্ষিত হয় যখন স্থানিক আশেপাশের তথ্য বিবেচনা করা হয়, যখন একটি উপযুক্ত প্রান্তিক পর্যন্ত উইন্ডোর আকার বৃদ্ধি করা হয় এবং তারপরে হ্রাস করা হয়। কেন্দ্রীয় পিক্সেল থেকে অনেক দূরে নমুনাগুলি কেন্দ্রীয় পিক্সেলের বিভাগ বিভাজনে সামান্য অবদান রাখে এবং এমনকি ভুল শ্রেণীবিভাগকে আরও বাড়িয়ে তোলে। বিভিন্ন ভৌগোলিক অবস্থানের বস্তুর কারণে উজ্জ্বলতা এবং টেক্সচারে বিদ্যমান পার্থক্যের কারণে, সর্বোত্তম উইন্ডোর আকার ক্ষেত্র 1 এবং এলাকা 2-এর জন্য 5 × 5, তবুও এলাকা 3-এর জন্য 3 × 3 বলে মনে হচ্ছে। এই ফলাফলটি সারণি II-তে গাঢ়ভাবে লক্ষ্য করা যেতে পারে, সেরা নির্ভুলতা এবং দ্রুততম অভিসারন সময় প্রতিনিধিত্ব করে। উপরন্তু, আমরা দেখতে পেয়েছি যে বেস মিউটেশন সম্ভাব্যতাP0 এবং সূচক σও শ্রেণীবিভাগের কার্যকারিতাকে প্রভাবিত করে এমন গুরুত্বপূর্ণ কারণ। আমাদের গবেষণায়, বিভিন্ন P0 এবং σ ব্যবহার করা হয় LULC-এর ব্যাখ্যা এবং শ্রেণীবিভাগ যাচাই করতে। চিত্র 6 P{{10}} এবং σ বৃদ্ধির সাথে সাথে OA এর বৈচিত্র্য বক্ররেখা আঁকে। দেখা গেল যে, একটি স্থির σ-এর জন্য, P0 বাড়ার সাথে সাথে সামগ্রিক শ্রেণিবিন্যাস নির্ভুলতা প্রথমে বৃদ্ধি পায় এবং তারপর হ্রাস পায়। এই ফলাফলটি প্রত্যাশিত কারণ একটি ছোট P0 অনুসন্ধানকে মূল বিবর্তনীয় দিকনির্দেশের মধ্যে সীমাবদ্ধ করবে এবং এইভাবে, একটি স্থানীয় সর্বোত্তম মধ্যে পড়ে; বিপরীতভাবে, একটি বড় P0 ভাল বিবর্তনীয় প্যাটার্নকে ভেঙে দেবে এবং সর্বোত্তম সমাধান থেকে ফলাফলগুলিকে বিচ্যুত করবে। অন্যদিকে, σ বৃদ্ধির সাথে সাথে আশেপাশের তথ্যের প্রভাব আরও তাৎপর্যপূর্ণ হয় এবং সর্বোত্তম মৌলিক সম্ভাব্যতার মান ধীরে ধীরে উচ্চ থেকে নিম্নে পরিবর্তিত হয়। উপযুক্ত আশেপাশের ওজন সর্বোত্তম শ্রেণীবিভাগের ফলাফল পাওয়ার জন্য আরও উপযোগী। আমাদের গবেষণার ক্ষেত্রে, সর্বোত্তম সূচকটি হল σ ∈ {2, 3}, এবং P0-এর সর্বাধিক সমতুল্য পরিসর হল [10−5, 10−2]।

চিত্র 3. এলাকা 1 শ্রেণীবিভাগের ফলাফল। (ক) স্থল সত্য। (b) FCM (c) ENFCM (d) FGFCM (ঙ) FLICM (f) ADFLICM (g) FRFCM। (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

সারণী I তিনটি অধ্যয়নের ক্ষেত্রে আটটি ভিন্ন শ্রেণীবিন্যাস পদ্ধতির ফলাফলের মূল্যায়ন

চিত্র 4. এলাকা 2 শ্রেণীবিভাগের ফলাফল। (ক) স্থল সত্য। (b) FCM (c) ENFCM (d) FGFCM (ঙ) FLICM (f) ADFLICM (g) FRFCM। (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

চিত্র 5. এলাকা 3 শ্রেণীবিভাগের ফলাফল। (ক) স্থল সত্য। (b) FCM (c) ENFCM (d) FGFCM (ঙ) FLICM (f) ADFLICM (g) FRFCM। (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (i) nGA. (m) TE-nGA.

তিনটি অধ্যয়নের ক্ষেত্রে ভিন্ন ভিন্ন আকারের জানালা ব্যবহার করে প্রস্তাবিত TE-NGA-এর সারণী II মূল্যায়নের ফলাফল

চিত্র 6. হিউরিস্টিক মিউটেশন সম্ভাবনার মধ্যে বেস মিউটেশন সম্ভাব্যতা P0 এবং সূচক σ বিশ্লেষণ।

IV উপসংহার

এই অধ্যয়নের প্রধান অবদান হল মাল্টিস্পেকট্রাল চিত্রের LULC শ্রেণীবিভাগের জন্য একটি উচ্চতর দ্বি-পদক্ষেপের সংমিশ্রণ কৌশল এবং বর্ণালী-স্থানিক-ভিত্তিক GA প্রস্তাব করা। প্রথম এনসেম্বল মডেল মাল্টি-ব্যান্ড ইমেজগুলিতে FCM সঞ্চালন করে, দূরবর্তীভাবে সংবেদিত চিত্রগুলির শ্রেণীবিভাগের কাজকে পিক্সেলের ক্লাস্টারে কঠিন নির্ণয়ের জন্য কমিয়ে দেয়। দ্বিতীয় এনসেম্বল প্রক্রিয়াকরণে দুটি কাজ রয়েছে। প্রথমত, বর্ণালী এবং স্থানিক তথ্যের সমন্বয়ে উন্নত GA তৈরি করা হয়েছিল ধাঁধার জন্য উদ্ভাবনী সমাধান প্রদানের জন্য, যেমন ধীর অভিসারণ এবং দুর্বল অ্যান্টিনয়েজ। সঠিকভাবে, একটি উপযুক্ত আশেপাশের উইন্ডো ব্যবহার করে এই উন্নতিটি অভিনব ফিটনেস ফাংশন এবং মিউটেশন সম্ভাবনা থেকে উপকৃত হয়। তারপর, একাধিক ব্যান্ড ইমেজ থেকে প্রাপ্ত শ্রেণীবিভাগের ফলাফলগুলিকে একীভূত করার জন্য ensemble মডেলটি গৃহীত হয়, যা ভুল শ্রেণীবিভাগের ঝুঁকি কমাতে ব্যবহৃত হয়। ফলাফলগুলি প্রমাণ করে যে প্রস্তাবিত TE-nGA-তে সাধারণ GA-এর তুলনায় অগ্রাধিকারযোগ্য শ্রেণীবিভাগ কর্মক্ষমতা এবং দ্রুত অভিসারণ রয়েছে। ভবিষ্যতে, আমরা প্রস্তাবিত কৌশলটির প্রয়োগ অন্যান্য ক্ষেত্রে প্রসারিত করার আশা করি, যেমন ফসলের শ্রেণীবিভাগ, লক্ষ্য সনাক্তকরণ, এবং হাইপারস্পেকট্রাল চিত্র শ্রেণীবিভাগ।

cistanche tubulosa এর উপকারিতা- ইমিউন সিস্টেমকে শক্তিশালী করা

তথ্যসূত্র

[১] টি. হারমোসিলা, এমএ ওয়াল্ডার, জেসি হোয়াইট, এবং এনসি কোপস, "বড় এবং উন্মুক্ত ডেটার যুগে ভূমি কভার শ্রেণিবিন্যাস: ম্যাপিং ফলাফলগুলিকে উন্নত করতে স্থানীয়করণ বাস্তবায়ন এবং প্রশিক্ষণ ডেটা নির্বাচন অপ্টিমাইজ করা," রিমোট সেন্স। এনভায়রন। . 268, 2022, আর্ট। না 112780।

[২] P. Helber, B. Bischke, A. Dengel, এবং D. Borth, "EuroSAT: A novel dataset and deep learning benchmark for land use and land cover classification," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 12, না। 7, পৃ. 2217–2226, জুলাই 2019।

[৩] C. Li, G. Xian, Q. Zhou, এবং BW Pengra, "টাইম-সিরিজ ল্যান্ড কভার ম্যাপিংয়ের জন্য একাধিক ডেটাসেট ব্যবহার করে প্রশিক্ষণের নমুনা নির্বাচনের একটি অভিনব স্বয়ংক্রিয় ফেনোলজি লার্নিং (APL) পদ্ধতি," রিমোট সেন্স. এনভায়রন। , ভলিউম। 266, 2021, আর্ট। না 112670।

[৪] এস. জি, ডি. ওয়াং, এবং এম. লুও, "মাল্টিপল সোর্স রিমোট সেন্সিং ইমেজ থেকে ল্যান্ড কভার শ্রেণীবিভাগের জন্য জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক-ভিত্তিক ফুল স্পেস ডোমেন অভিযোজন," IEEE ট্রান্স। জিওসি। রিমোট সেন্স।, ভলিউম। 59, না। 5, পৃ. 3816–3828, মে 2021।

[৫] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, এবং M. Xing, "ভূমি আবরণ শ্রেণীবিভাগের জন্য মাল্টি-স্পেকট্রাল এবং SAR ইমেজের একটি অভিনব ইমেজ ফিউশন পদ্ধতি," রিমোট সেন্স। , ভলিউম। 12, না। 22, 2020, আর্ট। না 3801।

[৬] বি. ইকবাল এবং এম. আলী, "উত্তর পশ্চিম পাকিস্তানের পেশোয়ার অববাহিকায় আধা-শুষ্ক থেকে শুষ্ক পরিবেশের অধীনে স্যাটেলাইট-ভিত্তিক স্থান-কালের বায়ুর তাপমাত্রার অনুমান," অ্যাডভ. স্পেস রেস., ভলিউম। 70, না। 4, পৃ. 961-975, 2022।

[৭] H.-c. Shih, DA Stow, JR Weeks, এবং LL Coulter, "ঘন ল্যান্ডস্যাট ইমেজ টাইম সিরিজের বিচ্ছিন্ন বিশ্লেষণের ভিত্তিতে দক্ষিণ ঘানায় ভূমি আচ্ছাদন এবং ভূমি ব্যবহারের পরিবর্তনের ধরন এবং শুরুর সময় নির্ধারণ করা," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 9, না। 5, পৃ. 2064–2073, মে 2016।

[৮] এ. জামিল এবং বি. বায়রাম, "উচ্চ-রেজোলিউশন ডিজিটাল অর্থোফটো মানচিত্র থেকে গাছের প্রজাতি নিষ্কাশন এবং জমির ব্যবহার/কভার শ্রেণীবিভাগ," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 11, না। 1, পৃ. 89-94, জানুয়ারী 2018।

[৯] জেড. জু, পি. ডু, এবং এল. ফেং, "ফেনলজি-চালিত ভূমি কভার শ্রেণীবিভাগ এবং প্রবণতা বিশ্লেষণ দীর্ঘমেয়াদী রিমোট সেন্সিং ইমেজ সিরিজের উপর ভিত্তি করে," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 7, না। 4, পৃ. 1142-1156, এপ্রিল 2014।

[১০] প্র. ঝু এট আল।, "উচ্চ স্থানিক রেজোলিউশন রিমোট সেন্সিং ইমেজের জন্য একটি সিয়ামিজ গ্লোবাল লার্নিং ফ্রেমওয়ার্কের উপর ভিত্তি করে ভূমি-ব্যবহার/ভূমি-কভার পরিবর্তন সনাক্তকরণ," ISPRS J. Photogrammetry Remote Sens., vol. 184, পৃ. 63-78, 2022।

[১১] ডব্লিউ. ফেং, জি. ডাউফিন, ডব্লিউ হুয়াং, ওয়াই কোয়ান, এবং ডব্লিউ. লিয়াও, "শ্রেণীবিভাগের জন্য পরিবর্তিত র্যান্ডম ফরেস্টে নতুন মার্জিন-ভিত্তিক সাবস্যাম্পলিং পুনরাবৃত্তিমূলক কৌশল," Knowl.-based Syst., vol. 182, 2019, আর্ট। না 104845।

[১২] ডব্লিউ. ফেং এট আল।, "ভারসাম্যহীন হাইপারস্পেকট্রাল ডেটার শ্রেণীবিভাগের জন্য গতিশীল কৃত্রিম সংখ্যালঘু ওভার-স্যাম্পলিং টেকনিক ভিত্তিক রোটেশন ফরেস্ট," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 12, না। 7, পৃষ্ঠা 2159–2169, জুলাই 2019।

[১৩] Y. Sun, L. Mou, Y. Wang, S. Montazeri, এবং XX Zhu, "বাউন্ডিং বক্স রিগ্রেশন নেটওয়ার্কের উপর ভিত্তি করে একক SAR চিত্র থেকে বড় আকারের বিল্ডিং উচ্চতা পুনরুদ্ধার," ISPRS J. Photogrammetry Remote Sens., ভলিউম 184, পৃ. 79-95, 2022।

[১৪] আর. ইয়াং, এক্স. জু, জেড. জু, এইচ. ডং, আর. গুই, এবং এফ. পু, "পোলসার ল্যান্ড কভার শ্রেণীবিভাগের জন্য গতিশীল ফ্র্যাক্টাল টেক্সচার বিশ্লেষণ," IEEE ট্রান্স। জিওসি। রিমোট সেন্স।, ভলিউম। 57, না। 8, পৃ. 5991–6002, আগস্ট 2019

[১৫] এস. সাহা, এফ. বোভোলো, এবং এল. ব্রুজজোন, "ভিএইচআর এসএআর ইমেজে পরিবর্তন শনাক্তকরণ অত্যাধিক গভীর ট্রান্সকোডিংয়ের মাধ্যমে," IEEE ট্রান্স। জিওসি। রিমোট সেন্স।, ভলিউম। 59, না। 3, পৃ. 1917-1929, মার্চ 2021।

[১৬] এম কে ইসলাম, এম এস আলী, এম এস মিয়া, এম এম রহমান, এম এস আলম, এবং এম এ হোসেন, "সুপারপিক্সেল ব্যবহার করে এমআর ইমেজে ব্রেন টিউমার সনাক্তকরণ, প্রধান উপাদান বিশ্লেষণ এবং টেমপ্লেট ভিত্তিক k- মানে ক্লাস্টারিং অ্যালগরিদম," ম্যাক। শিখুন। Appl., vol. 5, 2021, আর্ট। না 100044।

[১৭] Q. Wang, Q. Li, H. Liu, Y. Wang, এবং J. Zhu, "হাইপারস্পেকট্রাল ইমেজ শ্রেণীবিভাগের জন্য একটি উন্নত ISODATA অ্যালগরিদম," Proc. 7ম int. কংগ্রেস ইমেজ সিগন্যাল প্রসেস।, 2014, পিপি। 660–664।

[১৮] এস. গাফফারিয়ান এবং এস. গাফফারিয়ান, "স্বয়ংক্রিয় হিস্টোগ্রাম-ভিত্তিক অস্পষ্ট সিমেনস ক্লাস্টারিং ফর রিমোট সেন্সিং ইমেজ," ISPRS J. Photogrammetry Remote Sens., vol. 97, পৃ. 46-57, 2014।

[১৯] TH Dang, DS Mai, এবং LT Ngo, "স্যাটেলাইট ইমেজ ল্যান্ডকভার শ্রেণীবিভাগের জন্য ওজনযুক্ত সুপার-পিক্সেল সহ একাধিক কার্নেল সহযোগী অস্পষ্ট ক্লাস্টারিং অ্যালগরিদম," ইঞ্জি. আবেদন আর্টিফ। ইন্টেল।, ভলিউম। 85, পৃ. 85-98, 2019।

[২০] ই. প্যারাডিস, "স্পেকট্রাল ইমেজিং ডেটার বৃহৎ-স্কেল বিশ্লেষণের জন্য সম্ভাব্য অনিয়ন্ত্রিত শ্রেণীবিভাগ, "Int. জে অ্যাপল আর্থ অবজারভেশন জিওইনফরমেশন, ভলিউম। 107, 2022, আর্ট। না 102675।

[২১] X. Hu, X. Wang, Y. Zhong, এবং L. Zhang, "S3aNet: UAVborne H2 চিত্রের উপর ভিত্তি করে এন্ড-টু-এন্ড সুনির্দিষ্ট ফসল শ্রেণীবিভাগের জন্য স্পেকট্রাল-স্পেশিয়াল-স্কেল মনোযোগ নেটওয়ার্ক," ISPRS J. Photogrammetry রিমোট সেন্স।, ভলিউম। 183, পৃ. 147-163, 2022।

[২২] এল. সিলাগি, জেড. বেনিও, এস. সিলাগি, এবং এইচ. অ্যাডাম, প্রোক-এ "মিস্টার ব্রেইন ইমেজ সেগমেন্টেশন একটি বর্ধিত ফাজি সি-মিন অ্যালগরিদম ব্যবহার করে"। 25তম আনু। int. কনফ. আইইইই ইঞ্জি. মেড. বায়োল Soc., 2003, vol. 1, পৃ. 724-726।

[২৩] ডব্লিউ. কাই, এস. চেন, এবং ডি. ঝাং, "দ্রুত এবং মজবুত অস্পষ্ট সি- মানে ক্লাস্টারিং অ্যালগরিদম যা ইমেজ সেগমেন্টেশনের জন্য স্থানীয় তথ্য অন্তর্ভুক্ত করে," প্যাটার্ন রিকগনিট।, ভলিউম। 40, না। 3, পৃ. 825-838, 2007।

[২৪] Y. Zhang, X. Bai, R. Fan, এবং Z. Wang, "বিচ্যুতি-স্পর্শ ফাজি সি-মানে প্রতিবেশী তথ্য সীমাবদ্ধতার সাথে," IEEE ট্রান্স। ফাজি সিস্টেম, ভলিউম। 27, না। 1, পৃ. 185-199, জানুয়ারী 2019।

[২৫] এস. ক্রিনিডিস এবং ভি. চ্যাটজিস, "একটি শক্তিশালী অস্পষ্ট স্থানীয় তথ্য C- মানে ক্লাস্টারিং অ্যালগরিদম," IEEE ট্রান্স। চিত্র প্রক্রিয়া।, ভলিউম। 19, না। 5, পৃ. 1328-1337, মে 2010।

[২৬] এইচ. ঝাং, কিউ. ওয়াং, ডব্লিউ শি, এবং এম. হাও, "একটি উপন্যাস অভিযোজিত অস্পষ্ট স্থানীয় তথ্য সি - মানে দূরবর্তী সংবেদিত চিত্রের শ্রেণীবিভাগের জন্য ক্লাস্টারিং অ্যালগরিদম," IEEE ট্রান্স৷ জিওসি। রিমোট সেন্স।, ভলিউম। 55, না। 9, পৃ. 5057–5068, সেপ্টেম্বর 2017।

[২৭] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, এবং AK Nandi, "উল্লেখযোগ্যভাবে দ্রুত এবং মজবুত অস্পষ্ট সি-মানে আকারগত পুনর্গঠন এবং সদস্যপদ ফিল্টারিং এর উপর ভিত্তি করে ক্লাস্টারিং অ্যালগরিদম," IEEE ট্রান্স। ফাজি সিস্টেম, ভলিউম। 26, না। 5, পৃষ্ঠা 3027–3041, অক্টোবর 2018।

[২৮] Q. Wang, X. Wang, C. Fang, এবং W. Yang, "Robust fazy C- মানে ক্লাস্টারিং অ্যালগরিদম সহ অভিযোজিত স্থানিক এবং তীব্রতা সীমাবদ্ধতা এবং নয়েজ ইমেজ বিভাজনের জন্য সদস্যতা লিঙ্ক করা," অ্যাপল। সফট কম্পিউট।, ভলিউম। 92, 2020, আর্ট। না 106318।

[২৯] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, এবং Z. Luyan, "ভূমি ব্যবহারের পরিবর্তনগুলি পর্যবেক্ষণে বিশৃঙ্খলা জেনেটিক অ্যালগরিদম দ্বারা রিমোট সেন্সিং ইমেজ শ্রেণীবিভাগ," গণিত। কম্পিউট মডেল।, ভলিউম। 51, না। 11, পৃ. 1408-1416, 2010।

[৩০] এম. ইকবাল, বি. জু, এইচ. আল-সাহাফ, এবং এম. ঝাং, "চিত্র শ্রেণীবিভাগের জন্য জেনেটিক প্রোগ্রামিং-এ নিষ্কাশিত জ্ঞানের ক্রস-ডোমেন পুনঃব্যবহার," IEEE ট্রান্স। ইভোল কম্পিউট।, ভলিউম। 21, না। 4, পৃ. 569–587, আগস্ট 2017।

[৩১] আর. হামাদ, ইরাকি কুর্দিস্তানের সোরান জেলার আরবান স্প্রল-এর রিমোট সেন্সিং এবং জিআইএস-ভিত্তিক বিশ্লেষণ, এসএন অ্যাপল। বিজ্ঞান, ভলিউম। 2, না। 1, পৃ. 1-9, 2019।

[৩২] এইচ. ইয়াং, কিউ. ডু, এবং জি. চেন, "শহুরে ভূমি কভার শ্রেণীবিভাগের জন্য কণা ঝাঁক অপ্টিমাইজেশান-ভিত্তিক হাইপারস্পেকট্রাল ডাইমেনশ্যালিটি হ্রাস," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 5, না। 2, পৃ. 544–554, এপ্রিল 2012।

[৩৩] এস. সরকার, এস. দাস, এবং এসএস চৌধুরী, "রেনি এনট্রপি ভিত্তিক মাল্টি-লেভেল থ্রেশহোল্ডিং ব্যবহার করে ডিফারেনশিয়াল বিবর্তনের সাহায্যে হাইপার-স্পেকট্রাল ইমেজ সেগমেন্টেশন," বিশেষজ্ঞ সিস্ট। Appl., vol. 50, পৃ. 120-129, 2016।

[৩৪] এস. সেন গুপ্ত, এস. হোসেন, এবং কে.-ডি. কিম, "সিউডোএক্সপোজার ইমেজ ফিউশন থেকে HDR-এর মতো চিত্র: একটি জেনেটিক অ্যালগরিদম পদ্ধতি," IEEE ট্রান্স। ভোগ ইলেক্ট্রন।, ভলিউম। 67, না। 2, পৃ. 119-128, মে 2021।

[৩৫] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang, এবং Y. Li, "MGRFE: ক্যান্সার শ্রেণীবিভাগের জন্য এমবেডেড জেনেটিক অ্যালগরিদমের উপর ভিত্তি করে মাল্টিলেয়ার পুনরাবৃত্ত বৈশিষ্ট্য নির্মূল," IEEE/ACM ট্রান্স . কম্পিউট বায়োল বায়োইনফ।, ভলিউম। 18, না। 2, পৃ. 621–632, মার্চ/এপ্রিল 2021।

[৩৬] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang, এবং GM Shi, "গভীর জেনেটিক অ্যালগরিদমের সাথে সংকেত অখণ্ডতার জন্য উচ্চ-গতির চ্যানেলের অপ্টিমাইজেশন," IEEE ট্রান্স। ইলেক্ট্রোম্যাগন। Compat., vol. 64, না। 4, পৃ. 1270-1274, আগস্ট 2022।

[৩৭] Z. Huang, W. Wu, H. Liu, W. Zhang, এবং J. Hu, "জেনেটিক অ্যালগরিদম এবং মেশিন লার্নিং কৌশলগুলির উপর ভিত্তি করে সেন্টিনেল-1 ডেটা ব্যবহার করে জলের পৃষ্ঠের গতিশীল পরিবর্তনগুলি সনাক্ত করা," রিমোট সেন্স।, ভলিউম। 13, না। 18, 2021, আর্ট। না 3745।

[৩৮] F. Ye, C. Doerr, H. Wang, এবং T. Bäck, "যেকোনো সময় পারফরম্যান্সের জন্য টিউনিং করে জেনেটিক অ্যালগরিদমের স্বয়ংক্রিয় কনফিগারেশন," IEEE ট্রান্স। ইভোল কম্পিউট।, ভলিউম। 26, না। 6, পৃ. 1526-1538, ডিসেম্বর 2022।

[৩৯] MG Souza, EE Vallejo, এবং K. Estrada, "জেনেটিক অ্যালগরিদম ব্যবহার করে ক্লাস্টারড স্বাধীন বিরল বৈকল্পিক সমিতি সনাক্ত করা," IEEE/ACM ট্রান্স। কম্পিউট বায়োল বায়োইনফ।, ভলিউম। 18, না। 3, পৃ. 932-939, মে/জুন। 2021।

[৪০] টি. দত্ত, এস. দে, এস. ভট্টাচার্য, এস. মুখোপাধ্যায়, এবং পি. চক্রবর্তী, "কুট্রিট জেনেটিক অ্যালগরিদম ব্যবহার করে হাইপারস্পেকট্রাল মাল্টি-লেভেল ইমেজ থ্রেশহোল্ডিং," বিশেষজ্ঞ সিস্ট। Appl., vol. 181, 2021, আর্ট। না 115107।

[৪১] ওয়াই.-আর. চেন, জে.-ডব্লিউ। চেন, এস.-সি. Hsieh, এবং P.-N. নি, "জেনেটিক অ্যালগরিদম এবং কৃত্রিম নিউরাল নেটওয়ার্কের উপর ভিত্তি করে বৃষ্টিপাত-প্ররোচিত ভূমিধসের জন্য ভূমি ব্যবহারের ব্যাখ্যায় রিমোট সেন্সিং প্রযুক্তির প্রয়োগ," IEEE J. Sel. বিষয় Appl. পৃথিবী পর্যবেক্ষণ। রিমোট সেন্স।, ভলিউম। 2, না। 2, পৃ. 87-95, জুন 2009।

[৪২] ডি. কোরাস এবং পিএস অলিভেটো, "স্ট্যান্ডার্ড স্থির অবস্থা জেনেটিক অ্যালগরিদমগুলি মিউটেশন-কেবল বিবর্তনীয় অ্যালগরিদমের চেয়ে দ্রুত পাহাড়ে উঠতে পারে," IEEE ট্রান্স৷ ইভোল কম্পিউট।, ভলিউম। 22, না। 5, পৃ. 720–732, অক্টোবর 2018।

[৪৩] TL Cerqueira, FC Bertoni, এবং MG Pires, "অস্পষ্ট নিয়ম-ভিত্তিক সিস্টেম অপ্টিমাইজেশানের জন্য মতামত শ্রেণীবিভাগের জন্য উদাহরণ জেনেটিক নির্বাচন," IEEE ল্যাটিন আমের। ট্রান্স।, ভলিউম। 18, না। 7, পৃ. 1215-1221, জুলাই 2020।

[৪৪] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, এবং S. Silva, "ফিচার নির্মাণের জন্য জেনেটিক প্রোগ্রামিং ব্যবহার করে ভূমি কভার শ্রেণীবিভাগের উন্নতি করা," Remote Sens., vol. 13, না। 9, 2021, আর্ট। না 1623।

[৪৫] এ. মোহাম্মদী, এইচ. আসাদি, এস. মোহাম্মদ, কে. নেলসন, এবং এস. নাহাভান্দি, "একটি মডেল ভবিষ্যদ্বাণীমূলক নিয়ন্ত্রণ-ভিত্তিক গতি কিউইং অ্যালগরিদমের ওজন টিউনিংয়ের জন্য বহু উদ্দেশ্যমূলক এবং ইন্টারেক্টিভ জেনেটিক অ্যালগরিদম," IEEE ট্রান্স৷ সাইবারন।, ভলিউম। 49, না। 9, পৃ. 3471–3481, সেপ্টেম্বর 2019।

[৪৬] এ. খোদার এবং এফ. ডোরনাইকা, "বিশিষ্ট নির্বাচন এবং একাধিক রূপান্তরিত উপসেটগুলির মাধ্যমে শিক্ষার সমন্বয়: চিত্র শ্রেণীবিভাগের জন্য আবেদন," অ্যাপল। নরম। কম্পিউট।, ভলিউম। 113, 2021, আর্ট। না 108006।

[৪৭] ডব্লিউ. ফেং, ডব্লিউ. হুয়াং এবং ডব্লিউ বাও, "এসএমওটিই এবং ডিফারেনসিয়েটেড স্যাম্পলিং রেট সহ রোটেশন ফরেস্টের উপর ভিত্তি করে একটি অভিযোজিত এনসেম্বল পদ্ধতির সাথে ভারসাম্যহীন হাইপারস্পেকট্রাল ইমেজ শ্রেণীবিভাগ," IEEE Geosci। Remote Sens. Lett., vol. 16, না। 12, পৃ. 1879-1883, ডিসেম্বর 2019।

[৪৮] ডব্লিউ. ফেং এট আল।, "সীমিত প্রশিক্ষণ ডেটা সহ হাইপারস্পেকট্রাল চিত্রের শ্রেণীবিভাগের জন্য এনসেম্বল মার্জিন তত্ত্বের উপর ভিত্তি করে আধা-তত্ত্বাবধানে ঘূর্ণন বন," ইনফ। বিজ্ঞান, ভলিউম। 575, পৃ. 611-638, 2021।

[৪৯] জেড ঝু, জেড ওয়াং, ডি লি, ওয়াই ঝু এবং ডব্লিউ। Du, "ভারসাম্যহীন সমস্যার জন্য জ্যামিতিক কাঠামোগত এনসেম্বল লার্নিং," IEEE ট্রান্স। সাইবারন।, ভলিউম। 50, না। 4, পৃ. 1617-1629, এপ্রিল 2020।

[৫০] প্র. সান এবং জেড. জি, "ইন্ডাস্ট্রিয়াল কেপিআই ভবিষ্যদ্বাণীর জন্য গভীর শিক্ষা: যখন এনসেম্বল লার্নিং আধা-তত্ত্বাবধানে থাকা ডেটা পূরণ করে," IEEE ট্রান্স। Ind. তথ্য., vol. 17, না। 1, পৃষ্ঠা 260-269, জানুয়ারী 2021।

[৫১] এক্স. গু, সি. ঝাং, কিউ. শেন, জে. হান, পিপি অ্যাঞ্জেলভ, এবং পিএম অ্যাটকিনসন, "রিমোট সেন্সিং দৃশ্যের শ্রেণিবিন্যাসের জন্য একটি স্ব-প্রশিক্ষণের হায়ারার্কিক্যাল প্রোটোটাইপ-ভিত্তিক এনসেম্বল ফ্রেমওয়ার্ক," ইনফ। ফিউশন, ভলিউম। 80, পৃ. 179-204, 2022।

[৫২] B. Wang, L. Xia, D. Song, Z. Li, এবং N. Wang, "একটি দুই-রাউন্ড ওজন ভোটিং কৌশল-ভিত্তিক এনসেম্বল শেখার পদ্ধতি যা সেন্টিনেল-1 চিত্রের সমুদ্রের বরফ শ্রেণীবিভাগের জন্য, "রিমোট সেন্স।, ভলিউম। 13, না। 19, 2021, আর্ট। না 3945।

[৫৩] কে. ড্যাবভ, এ. ফোই, ভি. কাটকোভনিক, এবং কে. ইজিজারিয়ান, "স্পার্স 3-ডি ট্রান্সফর্ম-ডোমেন সহযোগী ফিল্টারিং দ্বারা ইমেজ ডিনোইসিং," IEEE ট্রান্স। চিত্র প্রক্রিয়া।, ভলিউম। 16, না। 8, পৃ. 2080-2095, আগস্ট 2007।