آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,550 |
| تعداد مقالات | 18,890 |
| تعداد مشاهده مقاله | 63,339,935 |
| تعداد دریافت فایل اصل مقاله | 23,091,958 |
Seismic Event Analysis Using Fuzzy Support Vector Machines: A Robust Approach for Uncertain Data Classification | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 شهریور 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2026.73605.1168 | ||
| نویسندگان | ||
| ریاض احمد التمیمی1؛ خلیل ولیزاده کامران* 2؛ بهنام خرّمی3 | ||
| 1گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز | ||
| 2گروه سنجش از دورو GIS دانشگاه تبریز | ||
| 3گروه سنجش از دور و GIS دانشگاه تبریز | ||
| چکیده | ||
| این مقاله رویکردی مبتنی بر ماشین بردار پشتیبان فازی (FSVM) برای طبقه‌بندی رویدادهای لرزه‌ای ارائه می‌دهد که محدودیت SVM سنتی در برابر نویز و عدم‌قطعیت داده‌ها را برطرف می‌کند. روش‌شناسی شامل حذف نویز موجکی (دابیشز-۴) با آستانه‌گذاری نرم تطبیقی و افزایش داده از طریق تزریق نویز گاوسی (نسبت سیگنال به نویز ۱۰-۲۵ دسی‌بل) است. شکل‌موج‌ها به اعداد فازی مثلثی (TFN) شامل مقادیر حداقل، میانه و حداکثر تبدیل می‌شوند و مدل FSVM با تخصیص مقادیر عضویت فازی، تأثیر نمونه‌های نویزی را کاهش می‌دهد. آزمایش‌ها بر روی داده‌های IRIS کالیفرنیا نشان داد که FSVM با دقت ۹۵.۵٪ عملکردی بهتر از SVM (۸۶.۲٪)، k-NN (۸۴.۷٪)، جنگل تصادفی (۸۸.۵٪) و CNN (۹۱.۸٪) دارد. امتیازات F1 برای کلاس‌های عادی، پیش‌از-رویداد و رویداد به ترتیب ۹۶.۰٪، ۹۳.۱٪ و ۹۵.۴٪ بود. ترکیب حذف نویز و افزایش داده، دقت را ۵.۵٪ بهبود بخشید. ارزیابی در ۱۳ ایستگاه، عملکردی پایدار بین ۹۲ تا ۹۶.۵٪ را نشان داد. چارچوب FSVM سبک و قابل‌تفسیر با هزینه محاسباتی کم، برای استقرار بر روی دستگاه‌های لبه مناسب است. کارهای آینده شامل پنجره‌بندی تطبیقی و همبستگی چند-ایستگاهی است. | ||
| کلیدواژه‌ها | ||
| Seismic events؛ Fuzzy Support Vector Machines؛ Machine Learning؛ Uncertainty؛ Classification | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 71 |
||