UCI 資料集

表5-4 至 5-6 所呈現的實驗結果為本研究所提出之 CMFESC 與不同的特徵萃 取法PCA 及 ICA 分別搭配 KFCM 演算法搭配三種 UCI 資料集之後所得之最高分 類正確率。以下僅挑選每個特徵萃取法再搭配KFCM 演算法之後最高的分群正確 率來進行分析。

由表 5-4 的實驗結果可知：在 wine 資料集上，CMFESC 的最高分群正確率 為0.6916，標準差為 0.0017；PCA 最高分群正確率為 0.6854，標準差為 0；ICA 最高分群正確率為 0.6854，標準差為 0.0。由此實驗中可看出相較於其他的特徵 萃取法，本研究中提出之方法與 PCA 及 ICA 之特徵萃取法比較之下，有較好的 的分群效果。

表5-4 wine 資料集分類正確率

特徵萃取 正確率 標準差 維度數

CMFESC 0.6916 0.0017 5

PCA 0.6854 0 2

ICA 0.6854 0 2

表5-5 的實驗結果可知：在 pima 資料集上，CMFESC 的最高分群正確率為 0.6826，標準差為 0.0033；PCA 最高分群正確率為 0.6602，標準差為 0；ICA 最 高分群正確率為 0.6589，標準差為 1.1110^-16。由此實驗中可看出相較於其他的 特徵萃取法，本研究中提出之方法與 PCA 及 ICA 之特徵萃取法比較之下，有較 好的的分群效果。

表5-5 pima 資料集分類正確率

特徵萃取 正確率 標準差 維度數

CMFESC 0.6826 0.0033 8

PCA 0.6602 0 3

ICA 0.6589 1.1110^-16 6

表5-6 的實驗結果可知：在 breast tissue 資料集上，CMFESC 的最高分群正 確率為0.5198，標準差為 0.0130；PCA 最高分群正確率為 0.4981，標準差為 0.0226；

ICA 最高分群正確率為 0.5000，標準差為 0.0277。由此實驗中可看出相較於其他 的特徵萃取法，本研究中提出之方法與PCA 及 ICA 之特徵萃取法比較之下，有 較好的的分群效果。

表5-6 breast tissue 分類正確率

特徵萃取 正確率 標準差 維度數

CMFESC 0.5198 0.0130 2

PCA 0.4981 0.0226 4 ICA 0.5000 0.0277 5

 

第六章 結論與未來發展

在 本 研 究 中 提 出 了 一 個 方 法 為 基 於 譜 聚 類 之 相 關 矩 陣 特 徵 萃 取 法

（CMFESC），且將基於模糊分群演算法之譜聚類應用至相關矩陣的頻譜值裡。

此外，對應的隸屬度值也能夠當做轉換矩陣來使用。基於譜聚類之相關矩陣特徵 萃取法不僅能解決頻譜分群的問題也能從本研究中的實驗改善分群的正確率。從 實驗中可看出Indian Pine Site 之子資料集、Washington DC Mall 資料集、教育測 驗資料集使用基於譜聚類之相關矩陣特徵萃取法搭配核化模糊演算法之分群結 果可以達到最佳的分群正確率。

在未來將嘗試使用一些用在確定endmembers 的數目方法（Chang & Du, 2004;

Bioucas-Dias & Nascimento, 2008），讓 CMFESC 演算法能自動決定特徵萃取的數 量。也嘗試將本研究提出之 CMFESC 應用在監督式分類上，如於執行 support vector machine（SVM）（Melgani & Bruzzone, 2004）之前，先使用本研究提出之 CMFESC 進行維度萃取。另外，也將仿照針對 SVM 之自動核函數參數選取法（Li, Lin, Kuo, & Chu, 2010），找出針對 KFCM 之自動核函數參數選取法。

參考文獻

中文部分

黃文俊（2009）。模糊權重分群演算法。國立臺中教育大學，台中市。

英文部分

Acito, N., Corsini, G., & Diani, M. (2003). An unsupervised algorithm for hyperspectral image segmentation based on the Gaussian mixture model, IEEE Geoscience and Remote Sensing Symposium IGARSS, 6, 3745-3747. 

Bach, F. & Jordan, M. (2004). Learning spectral clustering, in S. Thrun, L. Saul, and B.

Schölkopf (Eds.), Advances in Neural Information Processing Systems, vol. 16 (NIPS), 305-312, Cambridge, MA: MIT Press.

Bezdek, J. C. (1973). Fuzzy mathematics in pattern classfication. PhD thesis, Applied Math. Center, Cornell University, Ithaca.

Bioucas-Dias, J. M. & Nascimento, J. M. P. (2008). Hyperspectral subspace identification. IEEE Transactions on Geoscience and Remote Sensing, 46(8), 2435-2445.

Bruzzone, L. & Persello, C. (2009). A novel context-sensitive semisupervised SVM classifier robust to mislabeled training samples. IEEE Transactions on

Camps-Valls, G., Gomez-Chova, L., Munoz-Mari, J., Vila-Frances, J., &

Calpe-Maravilla, J. (2006). Composite kernels for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing Letters, 3(1), 93-97.

Camps-Valls, G., Marsheva, T. V. B., & Zhou, D.Y. (2007). Semi-supervised graph-based hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 45(10), 3044-3054.

Cariou, C. Chehdi, K., & Moan, S. L. (2011). BandClust: an unsupervised band reduction method for hyperspectral remote sensing. IEEE Geoscience and Remote Sensing Letters, 8(3), 565-569.

Chang, C. I. & Du, Q. (2004). Estimation of number of spectrally distinct signal sources in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 42(3), 608-619.

Chatzis, S. & Varvarigou, T. (2009). Factor analysis latent subspace modeling and robust fuzzy clustering using t-distributions. IEEE Transactions on Fuzzy Systems, 17(3), 505-517.

Fukunaga, K. (1990). Introduction to Statistical Pattern Recognition. Academic Press, San Diego, CA, 2nd edition.

Gittins, C., Konno, D., Hoke, M., & Ratkowski, A. (2008). Some effects of image segmentation on subspace-based and covariance-based detection of anomalous sub-pixel materials, International Journal of High Speed Electronics and Systems, 18(2), 349 - 367.

Goetz, A. F. H. (2009). Three decades of hyperspectral remote sensing of the earth: a personal view. Remote Sensing of Environment, 113, 5-16.

Grahn, H. & Geladi, P. (2007). Techniques and Applications of Hyperspectral Image Analysis. Chichester, U.K.: Wiley.

Gualtieri, J. A., Chettri, S. R., Cromp, R. F., & Johnson, L. F. (1999). Support vector machine classifiers as applied to AVIRIS data. presented at the 1999 Airborne Geoscience Workshop.

Frank, A. & Asunction, A. (2010).  UCI Machine Learning Repository, from http://archive.ics.uci.edu/ml

Hughes, G. F. (1968). On the mean accuracy of statistical pattern recognizers. IEEE Transactions Information Theory, 14(1), 55-63.

Honda, K., Notsu, A., & Ichihashi, H. (2010). Fuzzy PCA-guided robust k-means clustering. IEEE Transactions on Fuzzy Systems, 18(1), 67-79.

Hyvrinen, A., Karhunen, J., & Oja, E. (2001). Independent copmonent analysis, John Wiley and Sons, New York.

Jain, A. & Zongker, D. (1997). Feature selection: evaluation, application, and small sample performance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(2), 153-158.

Jia, X. & Richards, J. A. (1994). Efficient maximum likelihood classification for imaging spectrometer data sets. IEEE Transaction on Geoscience and Remote Sensing, 32, 274-281.

Jlliffe, I. (1986) Principal Component Analysis. New York: Springer-Verlag.

Kuo, B. C. & Chang, K. Y. (2007). Feature extractions for small sample size classification problem. IEEE Transactions on Geoscience and Remote, 45(3), 756-764.

Kuo, B. C., Li, C. H., & Yang J. M. (2009). Kernel nonparametric weighted feature extraction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 47(4), 1139-1155.

Landgrebe, D. A. (2003). Signal Theory Methods in Multispectral Remote Sensing.

John Wiley and Sons, Hoboken, NJ: Chichester.

Lee, C. & Landgrebe, D. A. (1993). Analyzing high-dimensional multispectral data,”

IEEE Transactions on Geoscience and Remote Sensing, 31(4), 792-800.

Li, C. H., Lin, C. T., Kuo, B. C., & Chu, H. S. (2010). An automatic method for selecting the parameter of the RBF kernel function to support vector machines.Proceedings of International Geosciences and RemoteSensing Symposium, 836-839.

Lin, C. T. & George Lee, C. S. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Prentice Hall.

Melgani, F. & Bruzzone, L. (2004). Classification of Hyperspectral Remote Sensing Images With Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8), 1778-1790.

Nasser, A. & Hamad, D. (2006). K-means clustering algorithm in projected spaces. in Proc. 9th Int. Conf. Inf. Fusion, 1–6.

Ng, A. Y., Jordan, M. I., & Weiss, Y. (2002). On spectral clustering: analysis and an algorithm. in Proc. NIPS, vol. 14, Vancouver, BC, Canada: MIT Press.

Sebastiano, B.S. & Gabriele, M. (2007). Extraction of spectral channels from hyperspectral images for classification purposes. IEEE Transactions on Geoscience and Remote, 45(2), 484-495.

Shi, J. & Malik, J. (2000). Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine, 22(8), 888-905.

Theodoridis, S. & Koutroumbas, K. (2006). Pattern Recognition. Academic Press, 3rd edition, Inc. Orlando, FL, USA.

Weike, K., Azad, P., & Dillmann, R. (2006). Fast and robust feature-based recognition of multiple objects. in Proc. 6th IEEE-RAS Int. Conf. Humanoid Robots, 264–

269.

Wu, Z. D., Xie, W. X., & Yu, J. P. (2003). Fuzzy C-means clustering algorithm based on kernel method. proceedings. Fifth International Conference on Computational Intelligence and Multimedia Applications, 49-54.

Zubko, V., Kaufman, Y. J., Burg R. I., & Martins, J. V. (2007). Principal component analysis of remote sensing of aerosols over oceans. IEEE Transactions on Geoscience and Remote Sensing, 45(3), 730-745.

附錄一 微分四則運算專家知識結構

附錄二 教育測驗資料試題

1. ^′

（A） 7 （B） 6 （C） （D） 7 2. ^′

（A） （B） （C） （D）

3. ^{√ ′}

（A） √3 ^√ （B） √3 ^√ （C） √3x^√ （D） √3 4. 5 ^′

（A） 3‧5 （B） （C） 0 （D） 125 5. ^′

（A） （B） （C） （D）

6. 若已知 與 均為可微函數，則 ^′

（A） ^′ ‧ ^′

（B） ^{′ ′}

（C） ^′ ‧ ‧ ^′

（D） ^{′ ′}

7. 若已知 為可微函數且 ，則 ^′

（A） ^′ ‧ ^′ （B） ^{′ ′}

（C） ^′ ‧ （D） ^′ ‧ ‧2

8. 若已知 與 均為可微函數，則 ^′

（A） ^{′ ′} （B） ^′_′

（C） ^{′ ′} （D） ^{′ ′}

9. 若已知 為可微函數且 ，則 ^′

（此題為建構反應題）

10. 若已知 與 均為可微函數，則 ^′

（A） ^{′ ′} （B） ^′ ‧ ^′

（C） ^′‧ ‧ ^′ （D） ‧ ^′

11. 若已知 為可微函數且 ，則 ^′

（此題為建構反應題）

12. 若已知 ， ， 均為可微函數，則 ‧ ^′

（A） ^{′ ′} ‧ ^′

（B） ^′ ‧ ‧ ^′

（C） ^{′ ′} ‧ ‧ ^′

（D） ^{′ ′ ′}

13. 若已知 ， ， 均為可微函數，則 ^{‧ ′}

（A） ^{′ ′ ′}

（B）

′ ‧ ^′ ‧ ^′

（C） ^{′ ′}

（D） ^{′ ′}

14. ^′

（A） 4

（B） 2 2 4

（C） 2 2 4

（D） 2 2 4

15. （此題為建構反應題）

16.

（A） 3 2 （B） 3 2

（C） 3 （D） 3 2

17. 1

（A） 2 1 ‧2 （B） 1 2 1 ‧2

（C） 1 ‧2

（D） 1 2 1 1 ‧2

18. ‧ 1

（A） 4 ‧10 1

（B） ‧ 1 10 ‧ 1

（C） 2 ‧ 1 20 ‧ 1

（D） 2 ‧ 1 10 ‧ 2

19. （此題為建構反應題）

20. 1

（A） 10 1 （B） 20 1

（C） 10 2 （D） 20 ‧ 1

21. 若已知 ，則 ‧

（A） ‧2 （B） ‧ 2

（C） ^{‧ ‧} （D） ‧ ‧2

22. 若已知 ，則 ^‧ （此題為建構反應題）

23. 若已知 3 4， 3 2， 3 5， 3 3，且 ‧ ，則

3

（A） 15 （B） （C） 22 （D） 23

在文檔中 一個基於相關矩陣之特徵萃取法 (頁 44-57)