prior knowledge, more suitability t

prior knowledge, more suitability to small size of samples [8], more robustness
to noises [10], and higher learning efficiency and more powerful
generalization capacity [2]. So it can be used to spatial data processing
and analysis including hyperspectral RS image classification [20], spatial
fitting and regression [1], data mining [14], and object detection [16].
SVM is originally designed for binary class classification. However,
it can be extended to multi-class problem as applied to RS which is
such a process on most occasions. Usually there are two strategies
to obtain a multi-class pattern recognition system [13]. Several common
multi-class methods for SVM based on these schemes have been
proposed: 1-against-all (1-a-a) [13,17], 1-against-1 (1-a-1) [13], decision
directed acyclic graph (DDAG) SVM [23], and error correcting
output codes (ECOC) [9]. These algorithms can obtain high accuracy;
however, they also result in a time-consuming and tedious parameter
tuning process, even a large unclassifiable region

ผลลัพธ์ (ไทย) 1:

รู้ เพิ่มเติมความเหมาะสมขนาดเล็กตัวอย่าง [8], ความทนทานเพิ่มเติมให้เสียง [10], และการเรียนรู้มีประสิทธิภาพสูง และมีประสิทธิภาพมากขึ้นลักษณะทั่วไปความจุ [2] จึงสามารถใช้ในการประมวลผลข้อมูลเชิงพื้นที่และวิเคราะห์รวมทั้ง hyperspectral RS ภาพประเภท [20], อวกาศเหมาะสม และถดถอย [1], [14] การทำเหมืองข้อมูล และตรวจจับวัตถุ [16]SVM เดิมออกแบบมาสำหรับการจัดประเภทชั้นไบนารี อย่างไรก็ตามสามารถขยายปัญหาหลายชั้นที่ใช้กับ RS ซึ่งเป็นเช่นกระบวนการในโอกาสส่วนใหญ่ มักจะมีกลยุทธ์ที่สองการรับระบบการรู้จำรูปแบบหลายชั้น [13] หลายทั่วไปวิธีการหลายระดับสำหรับ SVM อิงแผนการเหล่านี้ได้นำเสนอ: 1 กับทั้งหมด (1-a-a) [13,17] 1-กับ-1 (1-a-1) [13], ตัดสินใจนำ acyclic graph (DDAG) [23], SVM และแก้ไขข้อผิดพลาดผลลัพธ์รหัส (ECOC) [9] อัลกอริทึมเหล่านี้ได้มีความแม่นยำสูงอย่างไรก็ตาม นอกจากนี้ผลของพารามิเตอร์ใช้เวลานาน และน่าเบื่อปรับกระบวนการ แม้ภูมิภาค unclassifiable ใหญ่

ผลลัพธ์ (ไทย) 2:

ความรู้ก่อนความเหมาะสมมากขึ้นในขนาดที่เล็กของตัวอย่าง [8], ความทนทานมากขึ้น
เพื่อเสียง [10] และมีประสิทธิภาพการเรียนรู้ที่สูงขึ้นและมีประสิทธิภาพมากขึ้น
กำลังการผลิตทั่วไป [2] ดังนั้นจึงสามารถนำมาใช้ในการประมวลผลข้อมูลเชิงพื้นที่
และการวิเคราะห์รวมทั้ง Hyperspectral อาร์เอสจัดหมวดหมู่ภาพ [20] เชิงพื้นที่
ที่เหมาะสมและการถดถอย [1] การทำเหมืองข้อมูล [14], และการตรวจสอบวัตถุ [16].
SVM ถูกออกแบบมาสำหรับการจำแนกระดับไบนารี แต่
มันสามารถขยายไปยังปัญหาหลายระดับตามที่นำไปใช้กับอาร์เอสซึ่งเป็น
กระบวนการดังกล่าวในโอกาสมากที่สุด มักจะมีสองกลยุทธ์
เพื่อให้ได้ระบบการจดจำรูปแบบหลายชั้น [13] ทั่วไปหลาย
วิธีหลายชั้นเรียนสำหรับ SVM ขึ้นอยู่กับรูปแบบเหล่านี้ได้รับการ
เสนอ: 1 กับ-ทั้งหมด (1-AA) [13,17] 1 กับ-1 (1-A-1) [13] การตัดสินใจ
กำกับ วัฏจักรกราฟ (DDAG) SVM [23] และแก้ไขข้อผิดพลาด
รหัสเอาท์พุท (ECOC) [9] ขั้นตอนวิธีการเหล่านี้จะได้รับความถูกต้องแม่นยำสูง
แต่พวกเขายังมีผลในการใช้เวลานานและน่าเบื่อพารามิเตอร์
กระบวนการปรับแต่งแม้ภูมิภาค unclassifiable ขนาดใหญ่

ผลลัพธ์ (ไทย) 3:

ความรู้ ความเหมาะสมมากกว่าขนาดของตัวอย่าง [ 8 ] , ทนทานมากขึ้นเสียง [ 10 ] และสูงกว่าการเรียนรู้อย่างมีประสิทธิภาพและมีประสิทธิภาพมากขึ้นการแผ่ขยายความจุ [ 2 ] ดังนั้นมันสามารถใช้ในการประมวลผลข้อมูลเชิงพื้นที่และการวิเคราะห์รวมทั้ง hyperspectral RS ภาพหมวดหมู่ [ 20 ] , เชิงพื้นที่ที่เหมาะสมและการถดถอย [ 1 ] , การทำเหมืองข้อมูล [ 14 ] และตรวจจับวัตถุ [ 16 ]SVM เป็นถูกออกแบบมาเพื่อการจำแนกระดับไบนารี อย่างไรก็ตามมันสามารถขยายชั้นเรียนหลายปัญหาที่ใช้กับ RS ซึ่งเป็นเช่นกระบวนการในโอกาสมากที่สุด มักจะมี 2 กลยุทธ์เพื่อให้ได้ระบบการรู้จำรูปแบบหลายชั้น [ 13 ] หลายทั่วไปวิธีการเรียนหลายสำหรับ SVM ตามรูปแบบเหล่านี้ได้รับเสนอ : 1-against-all ( 1-a-a ) [ 13,17 ] , 1-against-1 ( 1-a-1 ) [ 13 ] , การตัดสินใจกราฟอวัฏจักรระบุทิศทาง ( น้อยลง ) SVM [ 23 ] , ข้อผิดพลาดและแก้ไขรหัสผลผลิต ( ecoc ) [ 9 ] ขั้นตอนวิธีการเหล่านี้สามารถได้รับความแม่นยําสูงอย่างไรก็ตาม พวกเขายังส่งผลให้เสียเวลาและน่าเบื่อ พารามิเตอร์กระบวนการปรับ แม้ unclassifiable ภูมิภาคขนาดใหญ่