[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
مدیریت دانشکده::
درباره دانشکده::
معرفی افراد::
امور آموزش ::
امور پژوهش::
اخبار دانشکده::
فضاهای آموزشی و تحقیقاتی::
تسهیلات پایگاه::
ارتباط با صنعت::
لینک های مفید::
تماس با ما::
گروه های دانشجویی::
::
مصاحبه تخصصی دکترای برق 98
98
..
مراکز تحقیقاتی و پزوهشی
مرکز تست و پایش ماشین های الکتریکی

مرکز تحقیقات نانوپترونیکس 

پژوهشکده سبز  

پژوهشکده الکترونیک 

آزمایشگاه تحقیقاتی الکترونیک قدرت 

قطب علمی اتوماسیون و بهره برداری از سیستمهای قدرت 

مجله مهندسی برق و الکترونیک 

پژوهشکده مهندسی و فناوری عصبی ایران  

آزمایشگاه تحقیقاتی آنتن 

مرکز مطالعات راهبردی وبین الملل فاوا

..
پیوند با سیستم های دانشگاه

AWT IMAGE
AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

..
گواهینامه HSE
..
جستجو در پایگاه

جستجوی پیشرفته
..
نظرسنجی
کدام بخش از سایت دانشکده مهندسی برق بیشتر مورد استفاده شما قرار می گیرد؟
آموزش و اطلاعیه های آموزشی
پژوهش و اطلاعیه های پژوهشی
اطلاعات دانشکده و اساتید
اخبار
اکثر موارد موجود در سایت
   
..
نظرسنجی
ارزیابی شما از سایت دانشکده مهندسی برق چیست؟
اطلاعات ارائه شده در حد کفایت است.
اطلاعات ارائه شده مطلوب است ولی نیاز به اطلاعات بیشتر می باشد.
اطلاعات ارائه شده کافی نیست.
   
..
درج نظر
به نظر شما کمبودهای سایت دانشکده برق چیست و برای رفع آن ها چه اقداماتی باید انجام شود؟ برای درج نظر کلیک نمایید.
..
:: دفاعیه خانم فهمیه امیری ::
 | تاریخ ارسال: ۱۳۹۸/۶/۲۷ | 
چکیده
یکی از بزرگترین کاربردهای تصاویر ابرطیفی، بکارگیری اطلاعات پاسخ فرکانسی برای شناسایی مواد می باشد. هدف جداسازی ابرطیفی، تجزیه پیکسل های تصویر ابرطیفی به مجموعه ای از مشخصه یا امضاهای طیفی با فراوانی متناظر می باشد. هدف این رساله ارائه روش ها و الگوریتم هایی است که با بکارگیری مدل های جدید آماری، عملکرد بهتری در دقت جداسازی ابرطیفی داشته باشد. یکی از ویژگی های تصویرابرطیفی، محدود بودن تعداد مواد موجود در هر پیکسل می باشد. در روش های پیشنهادی با توجه به این ویژگی، مدل های جدیدی مبتنی بر الگوریتم های بیزین ارائه گردیده و بر اساس این مدل ها، روش استنتاج مربوطه طراحی شده است. در اولین پیشنهاد از توزیع احتمال دیریکله تنک برای مدل سازی توزیع پیشین بردار فراوانی در مدل ترکیب نرمال استفاده شده است. سپس استنتاج MCMC بکار گرفته شد تا بردار فراوانی تخمین زده شود. روش دوم، اطلاعات مکانی را با استفاده از میدان تصادفی مارکف به روش اول افزوده تا بهبود دقت بیشتری برای جداسازی ابرطیفی در پی داشته باشد. در ادامه، برای واقعی تر کردن مدلسازی مساله، مدل ترکیب سیگنال به مدل غیرخطی PPNMM تغییر داده شد. برای حل مساله در کاربرد شبه نظارتی، توزیع پیشین دیریکله تنک پیشنهاد شد. در روش پیشنهادی چهارم، اطلاعات همبستگی مکانی پیکسل های مجاور با استفاده از میدان تصادفی مارکف مدل سازی شد و بدین ترتیب دقت جداسازی بهبود یافت. استفاده از تابع توزیع پیشین دیریکله در مدل غیرخطی و اطلاعات همبستگی مکانی کاهش نسبی ۱۷ درصدی خطا را در نتیجه داده است. سپس این الگوریتم برای کاربرد نظارتی ساده سازی شد. الگوریتم پیشنهادی آخر از مدل غیرخطی LQM استفاده نموده و با ادغام اطلاعات همبستگی مکانی، برای کاربرد نظارتی منجر به کاهش ۱۱ درصدی خطای جداسازی ابرطیفی شده است. براساس نتایج شبیه‌سازی‌ها، با استفاده از روش‌های پیشنهادی می‌توان خطای بازسازی سیگنال را کاهش داد و سرعت اجرای الگوریتم‌ها، با توجه به نوع استنتاج مورد استفاده تعیین می‌گردد.
دفعات مشاهده: 589 بار   |   دفعات چاپ: 18 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر

کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی برق دانشگاه علم و صنعت ایران می باشد . نقل هرگونه مطلب با ذکر منبع بلامانع می باشد .
Persian site map - English site map - Created in 0.13 seconds with 54 queries by YEKTAWEB 4054