پروپوزال طبقه بندي تصاوير ماهواره اي با استفاده از تركيب روش يادگيري عميق کانولوشن و يادگيري تقويتي

این پروپوزال با موضوع "طبقه بندي تصاوير ماهواره اي با استفاده از تركيب روش يادگيري عميق کانولوشن و يادگيري تقويتي" می باشد. فایل  Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 20 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پروپوزال پس از خرید عبارتند از:
- امکان دانلود فایل Word پروپوزال
- امکان دانلود فایل Pdf پروپوزال

توجه : در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید کافی است با تیم پشتیبانی "ناب تزیز" از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

سنجش از راه دور را می توان تکنولوژی کسب اطلاعات و تصویربرداری از زمین با استفاده از تجهیزات هوانوردی مثل هواپیما، بالن یا تجهیزات فضایی مثل ماهواره نامید. به عبارت دیگر سنجش از راه دور علم و هنر بدست آوردن اطلاعات در مورد هر موضوع تحت بررسی به وسیله ابزاری است که در تماس فیزیکی با آن نباشد. مزیت برتر اطلاعات ماهواره ای نسبت به سایر منابع اطلاعاتی، پوشش تکراری آنها از نواحی معین با فاصله زمانی مشخص است. در سنجش از راه دور، انتقال اطلاعات با استفاده از تشعشعات الکترومغناطیسی انجام می گیرد.
بسیاری از کشورهای جهان با درک اهمیت دستیابی به تکنولوژی های فضایی جهت بهره برداری صلح آمیز از منابع زمین و حفظ امنیت ملی خود به طرق گوناگون اقدام نموده و به موفقیت های مهمی نیز دست یافته اند. حاصل پرتاب این ماهواره ها، تهیه میلیون ها تصویر از زمین بوده است که در اختیار هزاران محقق و موسسه تحقیقاتی قرار گرفته و با پردازش و تعبیر و تفسیر آنها، اهمیت و کاربردهای علوم و تکنولوژی فضایی آشکار شده است. این علوم قادر به پیش بینی بروز حوادث غیرمترقبه و هشدارهای لازم، آشکارسازی فعالیت های مخاطره آمیز زیست محیطی و کاهش اثرات ناشی از آنها، مدیریت فرسایش ساحلی، پیش بینی فصلی و سالانه آب و هوا و بررسی اثر آنها بر کشاورزی، خشکسالی و پیشروی کویر، برنامه ریزی و مدیریت منابع طبیعی نظیر معادن، جنگل، مراتع، ماهیگیری، وحوش و حوادث مخاطره آمیز، مدیریت آب آشامیدنی، آشکارسازی آلودگی آب و جلوگیری از امراض، تهیه انواع نقشه های موضوعی و کارتوگرافی در مقیاس های گوناگون می باشند.
افزایش رو به رشد تصاویر ماهواره ای و محدودیت های طبقه بندی این تصاویر از مهمترین چالش های موجود در این زمینه است. الگوریتم های مختلفی جهت استخراج ویژگی از تصاویر مورد استفاده قرار می گیرند که یکی از جدیدترین روشها که از دقت مطلوبی برخوردار است، الگوریتم یادگیری عمیق کانولوشن یا CNN  است. یادگیری عمیق یک روش یادگیری ماشین است که به شبکه های چندلایه ای معروف است این الگوریتم در زمینه یادگیری و استخراج ویژگی ها مورد استفاده قرار گیرد با توجه به محبوبیت این الگوریتم، در پژوهش فعلی از یادگیری عمیق به منظور استخراج ویژگی ها از تصاویر استفاده می شود.
همچنین در پژوهش های مختلفی از الگوریتم های طبقه بندی معروفی همچون درخت تصمیم، شبکه عصبی، نزدیکترین همسایه، بیزین، ماشین بردار پشتیبان و غیره به منظور طبقه بندی تصاویر استفاده شده است. اما هر کدام از این روشها خود دارای محدودیت ها و مشکلاتی هستند که با دقت قابل قبولی نمی توانند تصاویر را طبقه بندی نمایند. از این رو در این تحقیق از ترکیب دو مورد از مهمترین الگوریتم های یادگیری ماشین مثل درخت تصمیم C4.5 و شبکه عصبی به صورت جمعی استفاده می شود. روال کار یادگیری جمع بدین صورت است که خروجی الگوریتم ها با هم ترکیب شده و یک پاسخ واحد انتخاب می گردد. با توجه به حجم عظیم داده ها و تصاویری که روزانه از طریق ماهواره ها از راه دور تهیه و به مراکز مربوطه ارسال می شود و امکان طبقه بندی دستی این تصاویر امری پیچیده، نسبتا غیره ممکن، زمانبر و پرخطایی است. از این رو، ارائه الگوریتم و روشهای بهینه با کمک علم داده کاوی و هوش مصنوعی بسیار لازم و ضروری به نظر می رسد. بنابراین با توجه به مطالب بررسی شده، میتوان اینگونه استدلال نمود که از این تحقیق به طور کلی می توان برای طبقه بندی تصاویر ماهواره ای و تصاویر نظامی و کلیه تصاویر در هر زمینه ای استفاده نمود. 

 اهداف مشخص تحقيق (شامل اهداف آرماني، کلی، اهداف ويژه و كاربردي): 
از جمله مهمترین اهداف این تحقیق عبارتند از:
1.استخراج ویژگی های بافتی و لبه ای تصاویر با استفاده از الگوریتم یادگیری عمیق کانولوشن
2.طبقه بندی تصاویر از راه دور ماهواری با استفاده از ترکیب الگوریتم های شبکه عصبی و درخت تصمیم C4.5 در قالب سیستم های یادگیری جمعی 
بهبود دقت طبقه بندی تصاویر راه دور مقاله با استفاده از روش پیشنهادی که تلفیقی از تکنیک های یادگیری عمیق و تکنیک یادگیری جمعی است.