بررسی ماشین های بردار پشتیبانی مبتنی بر پارامترهای بهینه سازی PSO برای طبقه بندی طیف پیکسلی در تصاویر

این مطالعه به بررسی یک رویکرد جدید در طبقه بندی طیف پیکسلی تصویر می پردازد. این روش جدید از طبقه بندی های طیف پیکسلی در این مقاله یک بهینه سازی جدید ازدحام ذرات مبتنی بر الگوریتم SVM می باشد (PSO-SVM) . ابتدا، از سه روش طبقه بندی برای طبقه بندی طیف پیکسلی تصاویر معیار استفاده می شود: SVM ، ML )حداکثر احتمال( و K-NN ( k - امین نزدیکترین همسایه(، عملکرد SVM ها با دو طبقه بندی کننده سنتی دیگر مقایسه شده است )طبقه بندی کننده حداکثر احتمال و طبقه بندی کننده k - امین نزدیکترین همسایه(. این مطالعه نشان می دهد که دقت طبقه بندی الگوریتم SVM بهتر از الگوریتم های ML و K-NN می باشد. دقت بالای SVM با استفاده از هسته RBF بیشتر از 90 ٪ بوده و دقت بالای روش های سنتی کمتر از 81 ٪ است. تنظیمات پارامترهای هسته برای SVM در یک فرآیند آموزشی، بر دقت طبقه بندی اثر می گذارد، برای انتخاب پارامتر های دقیق تابع کرنل RBF ، بهینه سازی ازدحام ذرات مبتنی بر الگوریتم SVM را ارائه می دهیم (PSO-SVM) تا بدین وسیله دقت طبقه بندی با طبقه بندی SVM اصلی مورد مقایسه، بهبود یابد، آزمایش نشان می دهد که رویکرد PSO-SVM پیشنهادی ما می تواند دقت طبقه بندی را بهبود بخشد

بررسی ماشین های بردار پشتیبانی مبتنی بر پارامترهای بهینه سازی PSO برای طبقه بندی طیف پیکسلی در تصاویر Keywords:

طبقه بندی طیف پیکسلی , الگوریتم svm , الگوریتم pso