Dự báo biến đổi ảnh viễn thám bằng hệ suy diễn mờ phức

Hò suy diòn mò

- Giao diòn mò húa: chuyòn òi cỏc lòp ¿u vào vòi cỏc biờn ò phự hÿp vòi cỏc giỏ trò ¿u vào. - Mò húa cỏc bi¿n ¿u vào: ta c¿n mò húa nhÿng giỏ trò rừ ò tham gia vào quỏ trỡnh suy diòn.

Hò suy diòn mò phÿc

Cỏc lu¿t mò phÿc úng vai trũ quan tròng trong viòc quy¿t ònh và mụ phòng cỏc quan hò phÿc t¿p giÿa dÿ liòu ¿u vào và ¿u ra. Gi¿i mò: Giai o¿n cuòi cựng cÿa quỏ trỡnh là gi¿i mò, trong ú CFIS/CFLS thÿc hiòn ỏnh x¿ t¿p dÿ liòu ¿u ra phÿc thành dÿ liòu ¿u ra rừ. Quỏ trỡnh xõy dÿng CFIS/CFLS ±ÿc thÿc hiòn b¿ng cỏch xõy dÿng cỏc t¿p mò phÿc và logic mò phÿc.

B±òc 1: Xõy dÿng cỏc vựng mò phÿc - Trong b±òc này, lu¿n vn t¿o ra cỏc vựng mò phÿc b¿ng cỏch chia dÿ liòu thành cỏc kho¿ng miòn, mòi miòn chÿa lòp giỏ trò mò phÿc cÿa hàm thuòc òi vòi ¿u vào ho¿c ¿u ra. Quỏ trỡnh này giỳp t¿o ra mòt biòu diòn ¿c tr±ng mò phÿc cÿa dÿ liòu. Mÿc tiờu là xỏc ònh ò thuòc giỏ trò phÿc tÿ mòi c¿p dÿ liòu cú tớnh chu kÿ và t¿o ra cỏc lu¿t ¿u vào-¿u ra ò mụ phòng quan hò giÿa chỳng.

Quỏ trỡnh này giỳp t¿o ra mòt biòu diòn rừ ràng và hiòu qu¿ cÿa mòi quan hò giÿa cỏc bi¿n ¿u vào và ¿u ra.

Tòng quan cỏc nghiờn cÿu xoay quanh hò suy diòn mò phÿc 1 Dÿ bỏo bi¿n òi ¿nh viòn thỏm dÿa trờn suy diòn mò

Giòi thiòu

Lu¿t gi¿i mò phÿc d¿ng tam giỏc sau ú ±ÿc ỏp dÿng ò gi¿i mò dÿ liòu khụng gian. Áp dÿng thu¿t toỏn FCM, ti¿n hành phõn cÿm òng thòi dÿ liòu ph¿n thÿc và pha nh¿m ¿m b¿o tớnh liờn k¿t cÿa dÿ liòu ¿u vào. K¿t qu¿ cÿa quỏ trỡnh này là vộc tĂ tõm cÿm và cỏc ma tr¿n ò thuòc cÿa cỏc iòm ¿nh vào cỏc tõm cÿm t±Ăng ÿng.

Sau khi thu ±ÿc các k¿t qu¿ phân cÿm, mô hình s¿ ti¿n hành sinh lu¿t tÿ thụng tin cÿm và cỏc hàm thuòc t±Ăng ÿng theo mụ hỡnh hò lu¿t suy diòn mò phÿc d¿ng tam giác. Lu¿n vn chòn h±òng ti¿p c¿n dÿa trờn hò suy diòn mò phÿc ò nghiờn cÿu ¿nh viòn thỏm. Do ú, viòc thi¿t l¿p dÿ liòu thÿc nghiòm ũi hòi sÿ dÿng ¿nh viòn thỏm và ph¿i ¿m b¿o tớnh chu kÿ và tớnh liờn tÿc cÿa dÿ liòu ò ph¿n ỏnh ỳng bài toán nghiên cÿu.

K¿t qu¿ thÿc nghiòm

Ph±Ăng phỏp ò xu¿t cing sÿ dÿng c¿ ph¿n thÿc và ph¿n pha cÿa hỡnh ¿nh hiòn t¿i ò t¿o ra cỏc bò lu¿t giỳp hò trÿ quỏ trỡnh dÿ oỏn cÿa mụ hỡnh, mang l¿i ò chớnh xỏc dÿ oỏn tòt hĂn. Trong khi ph±Ăng phỏp PFC-PFR chò sÿ dÿng sÿ trÿc ti¿p cỏc ¿nh ò xõy dÿng bò lu¿t và suy diòn hỡnh ¿nh ¿u ra. ¿t ò chớnh xỏc cao hĂn PFC-PFR và tòt hĂn mòt chỳt so vòi DSFA, ¿c biòt.

Tuy nhiờn, ò Vònh Mexico, k¿t qu¿ cÿa ph±Ăng phỏp ò xu¿t l¿i kộm hĂn so vòi DSFA. Viòc sÿ dÿng mòt sò l±ÿng lòn tham sò cú thò d¿n ¿n dÿ oỏn kộm trong tr±òng hÿp dÿ liòu bi¿n òng m¿nh, tuy nhiờn, l¿i giỳp c¿i thiòn sai sò tớch liy so vòi ph±Ăng phỏp ò xu¿t. Tòng thò, sÿ òn ònh cÿa cỏc ph±Ăng phỏp sÿ dÿng hòc mỏy so vòi cỏc nhúm ph±Ăng phỏp khỏc trò nờn rừ ràng tÿ k¿t qu¿.

- Chò ra ±ÿc cỏc nghiờn cÿu liờn quan ¿n phỏt hiòn bi¿n òi ¿nh viòn thỏm vòi nhiòu ph±Ăng phỏp khỏc nhau. - Nờu ra ±ÿc mòt sò ph±Ăng phỏp hò trÿ quỏ trỡnh phỏt hiòn bi¿n òi ¿nh viòn thám. - ±a ra ±ÿc mòt mụ hỡnh tÿ òng phỏt hiòn bi¿n òi ¿nh viòn thỏm sÿ hò trÿ cÿa máy tính nh¿m nâng cao kh¿ nng ÿng dÿng cÿa mô hình.

+ Hò lu¿t mò phÿc thi¿u kh¿ nng thớch nghi vòi cỏc bò dÿ liòu mòi do cỏc lu¿t khụng cú cĂ ch¿ hu¿n luyòn cÿ thò. + Mụ hỡnh cú sai sò tớch luÿ lòn theo thòi gian do ú khú cú thò sÿ dÿng ò dÿ bỏo t¿i cỏc thòi iòm xa sau này.

H±òng nghiờn cÿu ti¿p theo

Bambhori, <Study and review of fuzzy in- ference systems for decision making and control,= American International Journal of Research in Science, Technology, Engineering & Mathematics, vol. Sumathi, <Mamdani fuzzy inference system for breast cancer risk detection,= in 2015 IEEE international conference on computa- tional intelligence and computing research (ICCIC), pp. Raj, <Comparison of mamdani fuzzy inference sys- tem for multiple membership functions,= International Journal of Image, Graphics and Signal Processing, vol.

Neuro-Fuzzy, <Performance assessment of heat exchanger us- ing mamdani based adaptive neuro-fuzzy inference system (m-anfis) and dynamic fuzzy reliability modeling,= (. Zhang, <Mamdani model based adaptive neural fuzzy inference system and its application in traffic level of service evalua- tion,= in 2009 Sixth international conference on fuzzy systems and knowl- edge discovery, vol. Aryal, <A new gis-based data mining technique using an adaptive neuro- fuzzy inference system (anfis) and k-fold cross-validation approach for land subsidence susceptibility mapping,= Natural Hazards, vol.

Sara, <Performance eval- uation of adaptive neuro fuzzy system (anfis) over fuzzy inference system (fis) with optimization algorithm in de-noising of images from salt and pepper. Celik, <Unsupervised change detection in satellite images using principal component analysis and k-means clustering,= IEEE geoscience and remote sensing letters, vol. Single- temporal supervised object change detection in remote sensing imagery,= in Proceedings of the IEEE/CVF International Conference on Computer Vision, pp.

Zhu, <A recurrent convolutional neural network for land cover change detection in multispectral images,= in IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, pp. Li, <Sunet: Change detection for hetero- geneous remote sensing images from satellite and uav using a dual-channel fully convolution network,= Remote Sensing, vol. Jiao, <Change detection in syn- thetic aperture radar images based on deep neural networks,= IEEE trans- actions on neural networks and learning systems, vol.

Zhang, <Unsupervised deep slow feature analysis for change detection in multi-temporal remote sensing images,= IEEE Transactions on Geoscience and Remote Sensing, vol. Argu ello, <Stacked autoencoders for multiclass change detection in hyperspectral images,= in IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, pp.