عنوان پایان‌نامه
داده مکانی با استفاده از سیستم ایمنی مصنوعی
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1910;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48085
- تاریخ دفاع
- ۲۷ بهمن ۱۳۸۹
- دانشجو
- شاهین رحمت اللهی نمین
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- به دلیل رشد روزافزون انواع تکنولوژی ها، همه روزه حجم بالایی از انواع داده ها از جمله داده های مکانی با سرعت بالاتر و ارزان تر از قبل در حال جمع آوری است. به همین دلیل، انواع داده ها با حجم بسیار بالا که به مقاصد مختلف جمع آوری شده اند در دسترس بوده، نیاز به روش هایی که از داده های موجود به انواع الگو ها و اطلاعات مفید و مورد نیاز می رسند را ضروری می نمایند. این روش ها با نام داده کاوی شناخته می شوند. پیچیدگی های موجود در انواع داده های مکانی، مستلزم استفاده از روش های جدیدتر و پیچیده تر در داده کاوی مکانی هستند. در میان این روش ها، روش هایی ابتکاری مبتنی بر طبیعت وجود دارند که با مدل سازی نحوه عملکرد موجودات و طبیعت به حل مسائل می پردازند. یکی از این روش های محاسباتی سیستم ایمنی مصنوعی است که با الهام از نحوه عملکرد سیستم دفاعی بدن، به حل مسائل پیچیده می پردازد. این سیستم از تئوری‌‌های موجود در علم ایمنی شناسی و نحوه عملکرد ومکانیزم‌های بدن در مقابله با انواع بیماری‌ها و مواد مضر بهره می‌جوید و روش های موجود در آن دارای کاربرد های داده کاوی مختلف هستند. با وجود پتانسیل بالای سیستم ایمنی مصنوعی در حل مسائل داده کاوی، تحقیقات محدودی به بررسی پتانسیل آن در داده کاوی مکانی پرداخته اند. در راستای بررسی توان این الگوریتم ها در این تحقیق با بیان یک روش پیشنهادی مبتنی بر الگوریتم های سیستم ایمنی مصنوعی که به صورت همزمان به انتخاب بهینه فضای ویژگی و پارامتر های بهینه الگوریتم طبقه بندی می پردازد، به حل مسئله داده کاوی مکانی بر روی تصاویر ماهواره ای فراطیفی می پردازیم. در این روش از روش های طبقه بندی و بهینه سازی سیستم ایمنی استفاده شده است. نتایج حاصل از این تحقیق نشان دهنده توان الگوریتم های طبقه بندی و بهینه سازی سیستم ایمنی مصنوعی برای داده کاوی مکانی است. روش طبقه‌بندی سیستم تشخیص ایمنی مصنوعیدر صورت انتخاب پارامتر های مناسب، به دقت بالاتر از شبکه عصبی منجر شده است. همچنین در مقایسه با روش ژنتیک، الگوریتم بهینه سازی مبتنی بر سیستم ایمنی مصنوعی به انتخاب باند های بهینه بهتر و دقت نهایی بالاتری رسیده است. علاوه بر این نتایج، بهینه سازی همزمان فضای ویژگی و پارامتر های الگوریتم طبقه بندی دارای نتایج بهتری نسبت به حل هر یک از این موارد به صورت مجزا است.
- Abstract
- The recent advancements in technology, allows fast and cheap collection of vast amount of data, including spatial data every day. As a result, different kinds of data collected for various purposes and in large volume are easily accessible nowadays. The existence of these available data necessitates utilizing methods that can yield useful patterns and information from the existing data. These methods are called Data Mining methods. The inherent complexity of spatial data requires applying novel and complex methods in data mining. Among these methods are the heuristic methods that are built upon the distinct aspects of nature. These methods can solve mathematical problems with the aid of modeling the behavior of creatures, animals and humans. One of these computational methods is Artificial Immune Systems, which is inspired by functionalities of defensive mechanism of the body. These systems are based on the immunological theories and utilize the protecting mechanism of the body to preserve it from any infection or disease, and have diverse applications in data mining. In spite of the high potential of Artificial Immune Systems to solve data mining problems, the number of investigations in spatial data mining is virtually scarce. In order to evaluate these systems potential in spatial and Geomatics science, an algorithm that optimizes simultaneously the feature selection and classification algorithm parameters, based on Artificial Immune Systems to solve spatial data mining in hyperspectral images is proposed. In this algorithm, the Artificial Immune classification and optimization algorithms are used. The obtained results represent the great power of immune optimization and classification algorithms in spatial data mining. The Artificial Immune Recognition classification algorithm with optimum parameters, yields better results in comparison with the Artificial Neural Networks. Also the comparison of the immune optimization algorithm with genetic algorithm reache better classification accuracy and number of selected features. Moreover, the simultaneous feature selection and parameter optimization of classification causes better results than separate optimization of each one of them.
