Resumen

Los propósitos del algoritmo presentado en este artículo son seleccionar características con la mayor separabilidad promedio utilizando el método de bosque aleatorio para distinguir categorías fáciles de distinguir y seleccionar las características más divisibles de las categorías más difíciles utilizando el algoritmo de entropía ponderada. El marco está compuesto por cinco partes: selección de muestras aleatorias con salida probabilística, procesamiento de clasificación inicial de bosque aleatorio basado en el número de votos; clasificación semisupervisada, que es una mejora de la clasificación de supervisión de bosque aleatorio basada en el algoritmo de entropía ponderada; evaluación de precisión; y una comparación con la clasificación tradicional de distancia mínima y la clasificación de máquina de vectores de soporte (SVM). Para verificar la universalidad del algoritmo propuesto, se prueban dos fuentes de datos diferentes, que son los datos de AVIRIS y Hyperion. Los resultados muestran que la precisión general de clasificación de los datos de AVIRIS es de hasta el 87.36%, el coef

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Algoritmo; Características; Bosque aleatorio; Entropía ponderada; Precisión de clasificación; Tiempo de clasificación
• Keywords:Algorithm; Features; Random forest; Weighted entropy; Classification accuracy; Classification time