Advances in Possibilistic Clustering with Application to Hyperspectral Image Processing

Διδακτορική Διατριβή uoadl:1518963 24 Αναγνώσεις

Μονάδα:
Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Πληροφορική
Ημερομηνία κατάθεσης:
2017-05-18
Έτος εκπόνησης:
2017
Συγγραφέας:
Ξενάκη Σπυριδούλα-Ίριδα
Στοιχεία επταμελούς επιτροπής:
Σέργιος Θεοδωρίδης - Καθηγητής - Πληροφορικής και Τηελεπικοινωνιών - ΕΚΠΑ,
Κωνσταντίνος Κουτρούμπας - Κύριος Ερευνητής - ΙΑΑΔΕΤ - ΕΑΑ,
Αθανάσιος Ροντογιάννης - Διευθυντής Ερευνών - ΙΑΑΔΕΤ - ΕΑΑ,
Κωνσταντίνος Μπερμπερίδης - Καθηγητής - Μηχανικών Η/Υ & Πληροφορικής - Παν. Πάτρας,
Δημήτριος Μαρούλης - Καθηγητής - Πληροφορικής και Τηελεπικοινωνιών - ΕΚΠΑ,
Δημήτριος Γουνόπουλος - Καθηγητής - Πληροφορικής και Τηελεπικοινωνιών - ΕΚΠΑ,
Ηλίας Μανωλάκος - Καθηγητής - Πληροφορικής και Τηελεπικοινωνιών - ΕΚΠΑ,
Πρωτότυπος Τίτλος:
Advances in Possibilistic Clustering with Application to Hyperspectral Image Processing
Γλώσσες διατριβής:
Αγγλικά
Μεταφρασμένος τίτλος:
Προηγμένες Τεχνικές Ομαδοποίησης Δεδομένων με
Βάση τα Ενδεχόμενα με Εφαρμογή στην Επεξεργασία
Υπερφασματικών Εικόνων
Περίληψη:
Η ομαδοποίηση δεδομένων είναι μια εδραιωμένη μεθοδολογία ανάλυσης δεδομένων που έχει χρησιμοποιηθεί εκτενώς σε διάφορα πεδία εφαρμογών κατά τη διάρκεια των τελευταίων δεκαετιών. Η παρούσα διατριβή εστιάζει κυρίως στην ευρύτερη οικογένεια των αλγορίθμων βελτιστοποίησης κόστους και πιο συγκεκριμένα στους αλγόριθμους ομαδοποίησης με βάση τα ενδεχόμενα (Possibilistic c-Means, PCM). Συγκεκριμένα, αφού εκτίθενται τα αδύνατα σημεία τους, προτείνονται νέοι (batch και online) PCM αλγόριθμοι που αποτελούν επεκτάσεις των προηγουμένων και αντιμετωπίζουν τα αδύνατα σημεία των πρώτων. Οι προτεινόμενοι αλγόριθμοι ομαδοποίησης βασίζονται κυρίως στην υιοθέτηση των εννοιών (α) της προσαρμοστικότητας παραμέτρων (parameter adaptivity), οι οποίες στους κλασσικούς PCM αλγορίθμους παραμένουν σταθερές κατά την εκτέλεσή τους και (β) της αραιότητας (sparsity). Αυτά τα χαρακτηριστικά προσδίδουν νέα δυναμική στους προτεινόμενους αλγορίθμους οι οποίοι πλέον: (α) είναι (κατ' αρχήν) σε θέση να προσδιορίσουν τον πραγματικό αριθμό των φυσικών ομάδων που σχηματίζονται από τα δεδομένα, (β) είναι ικανοί να αποκαλύψουν την υποκείμενη δομή ομαδοποίησης, ακόμη και σε δύσκολες περιπτώσεις, όπου οι φυσικές ομάδες βρίσκονται κοντά η μία στην άλλη ή/και έχουν σημαντικές διαφορές στις διακυμάνσεις ή/και στις πυκνότητές τους και (γ) είναι εύρωστοι στην παρουσία θορύβου και ακραίων σημείων. Επίσης, δίνονται θεωρητικά αποτελέσματα σχετικά με τη σύγκλιση των προτεινόμενων αλγορίθμων, τα οποία βρίσκουν επίσης εφαρμογή και στους κλασσικούς PCM αλγορίθμους. Η δυναμική των προτεινόμενων αλγορίθμων αναδεικνύεται μέσω εκτεταμένων πειραμάτων, τόσο σε συνθετικά όσο και σε πραγματικά δεδομένα. Επιπλέον, οι αλγόριθμοι αυτοί έχουν εφαρμοστεί με επιτυχία στο ιδιαίτερα απαιτητικό πρόβλημα της ομαδοποίησης σε υπερφασματικές εικόνες. Τέλος, αναπτύχθηκε και μια μέθοδος επιλογής χαρακτηριστικών κατάλληλη για υπερφασματικές εικόνες.
Κύρια θεματική κατηγορία:
Επεξεργασία Σήματος και Εικόνας
Λοιπές θεματικές κατηγορίες:
Πληροφορική
Λέξεις-κλειδιά:
ομαδοποίηση με βάση τα ενδεχόμενα, προσαρμογή παραμέτρων, αραιότητα, εξάλειψη ομάδας, ανάλυση σύγκλισης, online ομαδοποίηση, επιλογή χαρακτηριστικών, επεξεργασία υπερφασματικής εικόνας
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
4
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
96
Αριθμός σελίδων:
202
latex_pdf_xenaki_opt.pdf (9 MB) Άνοιγμα σε νέο παράθυρο

 


Xenaki_abstract_12_pages.pdf
1 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο.