تعیین ماشینهای بردار پشتیبان بهینه در طبقهبندی تصاویر فرا طیفی بر مبنای الگوریتم ژنتیک توسط دیتاست MUSK

امروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب می آیند و امکان تمایز بین عوارض مشابه را فراهم می آورند. با توجه به پایداری ماشین های بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقه بندی تصاویر فرا طیفی محسوب می شوند. با این وجود، عملکرد این طبقه بندی کننده ها تحت تاثیر پارامترها و فضای ویژگی ورودی آن ها می باشد. به منظور استفاده از ماشین های بردار پشتیبان با بیشترین کارایی، می بایست مقادیر بهینه ی پارامترها و همچنین زیر مجموعه بهینه از ویژگی های ورودی تعیین گردند. در این تحقیق از توانایی الگوریتم ژنتیک به عنوان یک تکنیک بهینه سازی فرا ابتکاری، در تعیین مقادیر بهینه پارامترهای ماشین های بردار پشتیبان و همچنین انتخاب زیرمجموعه ویژگی های بهینه در طبقه بندی تصاویر فرا طیفی استفاده شده است. نتایج عملی از به کارگیری روش فوق در خصوص داده های فرا طیفی سنجنده AVIRISنشان می دهند، ویژگی های ورودی و پارامترها هر کدام جداگانه تاثیر بسزایی بر عملکرد ماشین های بردار پشتیبان دارند ولی بهترین عملکرد طبقه بندی کننده با حل همزمان آن دو بدست می آید. در حل همزمان تعیین پارامتر و انتخاب ویژگی، برای کرنل گوسین و پلی نومیال به ترتیب 5% و 15% افزایش دقت با حذف بیش از نیمی از باندهای تصویر حاصل شد. همچنین الگوریتم بهینه سازی شبیه سازی تبرید تدریجی به منظور مقایسه با الگوریتم ژنتیک پیاده سازی شد که نتایج حاکی از برتری الگوریتم ژنتیک به ویژه با بزرگ و پیچیده شدن فضای جستجو در رویکرد حل همزمان تعیین پارامتر و انتخاب ویژگی می-باشد.

Keywords:

ماشین های بردار پشتیبان , تصاویر فرا طیفی , طبقه بندی , انتخاب مدل , انتخاب ویژگی , الگوریتم ژنتیک , دیتاست musk