برنامه نویسی 59719 /
سه سال پیش منتشر شده
تعداد بازدید: 308
کد پروژه: 425188
شرح پروژه
#کد_پروژه: 59719
موضوع: پروژه برنامه نویسی /
یه پروژه برنامه نویسی سنجش از دور دارم شما میتونید انجام بدید برای ما به نام خدا
تعریف پروژه درس تشخیص الگو برای دانشجویان سنجش از دور (ترم دوم سال 1401-1402)
1- هنگام ارائه پروژه ها، لازم است یک فایل پاورپوینت آماده شود و تمامی موارد انجام شده در فایل ارائه و به صورت اسلاید نشان داده شود.
2- پوشه ای حاوی تمامی اطلاعات (کدها، داده های استفاده شده، فایل ارائه، خروجی ها) به صورت زیپ شده با اسم دانشجو برای اینجانب ارسال می گردد.
4- لینک مجازی ارائه پروژه متعاقباً ارسال خواهد شد، لازم است دانشجویان با کامپیوتری که امکان اتصال دوربین، میکروفن و اینترنت داشته باشد، مجهز باشند.
تعریف پروژه:
پروژه قسمت (1):
هدف این قسمت تخمین و برآورد پوشش گیاهی با استفاده از داده های و باندهای مختلف سنجنده Hymap است.
1-1- داده Hymap_Berlin-B دانلود کنید، این داده و کد نمونه به پیوست آمده است. این داده ها را به دو قسمت تست (30%) و آموزش (70%) تقسیم بندی کرده و امور بعدی را با این داده های انجام دهید.
2-1- بهترین مدل رگرسیون با رویکرد خطی بدون انتخاب ویژگی را پیشنهاد دهید.
3-1- بهترین مدل رگرسیون با رویکرد خطی با انتخاب ویژگی را پیشنهاد دهید (حداقل دو روش انتخاب ویژگی استفاده کنید).
4-1- بهترین مدل رگرسیون با رویکرد هسته مبنا بدون انتخاب ویژگی را پیشنهاد دهید (هسته های مختلف بکار ببرید، روش انتخاب پارامترهای مناسب را بیان کنید).
5-1- بهترین مدل رگرسیون با رویکرد هسته مبنا با انتخاب ویژگی را پیشنهاد دهید(حداقل دو روش انتخاب ویژگی استفاده کنید، هسته های مختلف بکار ببرید، روش انتخاب پارامترهای مناسب را بیان کنید).
6-1- یک روش دیگر رگرسیون به انتخاب خود روی داده های پروژه اجرا نمایید.
7-1- تمامی خروجی ها لازم است، دقت قسمت آموزش و دقت قسمت تست نشان داده شود.
پروژه قسمت (2):
هدف از این قسمت، طبقه بندی تصویر با حجم و ابعاد زیاد با رویکردهای مختلف است.
1-2- داده ای به نام Urban را از وب سایت https://rslab.ut.ac.ir/data دانلود کنید، این داده شامل ماتریس های ذیل است.
داده واقعیت زمینی
https://rslab.ut.ac.ir/documents/81960329/82034926/groundTruth_Urban_end6.zip
داده اصلی
https://rslab.ut.ac.ir/documents/81960329/82034926/Urban_R162.mat
2-2- این تصویر شامل 162 باند و 307*307 می باشد. که شش کلاس دارد. داده های آموزشی را به دو قسمت تست (30%) و آموزش (70%) تقسیم بندی کرده و امور بعدی را با این داده های انجام دهید.
3-2- تصویر را با استفاده از روش KNN یا RF و با رویکرد انتخاب ویژگی طبقه بندی کنید (حداقل دو روش انتخاب ویژگی استفاده کنید).
4-2- تصویر را با استفاده از روش KNN یا RF و با رویکرد استخراج ویژگی طبقه بندی کنید (حداقل دو روش استخراج ویژگی استفاده کنید)
5-2- تصویر را با استفاده از روش SVC و با رویکرد انتخاب ویژگی طبقه بندی کنید (حداقل دو روش انتخاب ویژگی استفاده کنید، هسته های مختلف را آزمایش کنید، روش انتخاب بهینه پارامترها مشخص شود).
6-2- تصویر را با استفاده از روش SVC و با رویکرد استخراج ویژگی طبقه بندی کنید (حداقل دو روش استخراج ویژگی استفاده کنید، هسته های مختلف را آزمایش کنید، روش انتخاب بهینه پارامترها مشخص شود).
7-2- یک روش دیگر طبقه بندی به انتخاب خود روی داده های این قسمت اجرا نمایید.
8-2- تمامی خروجی ها لازم است، دقت قسمت آموزش، دقت قسمت تست و خروجی نهایی نشان داده شود.
پروژه قسمت (3):
هدف از این قسمت، آشکارسازی تغییرات با رویکردهای مختلف است.
1-2- داده ای به نام UAVSAR - San Francisco را از وب سایت https://rslab.ut.ac.ir/data دانلود کنید، این داده شامل دو داده با شماره های Dataset #1 و Dataset #2 می باشد.
2-2- هر یک از داده ها را با رویکرد روشهای Match Base با حداقل سه روش آشکارسازی تغییرات کنید.
3-2- هر یک از داده ها را با رویکرد روشهای Transformation Base با حداقل سه روش آشکارسازی تغییرات کنید (اگر لازم است از رویکردهای انتخاب و استخراج ویژگی استفاده کنید).
4-2- یک روش دیگر آشکارسازی تغییرات با رویکردی ابتکاری به انتخاب خود روی داده های این قسمت اجرا نمایید.
5-2- تمامی خروجی ها لازم است، نقشه تغییرات، به همراه خروجی های کمی جهت ارزیابی دقت آشکارسازی وجود داشته باشد.
موفق باشید. نهایتا پسفردا
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
3روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت چهار سال پیش
