انتخاب پارامترهای تکنیک SVM توسط الگوریتم ژنتیک جهت طبقه بندی داده های LiDAR

طبقه بندی یک مرحله مهم در استخراج اطلاعات از تصاویر سنجش از دور است. SVM یک روش طبقه بندی نظارت شده است که قادر به غلبه بر مشکلاتی نظیر کم بودن تعداد داده های آموزشی، توزیع غیرخطی کلاس ها و بزرگ بودن ابعاد فضای ویژگی می باشد. یک محدودیت در بکارگیری SVM انتخاب مقدار مناسب برای پارامترهای ورودی آن است چرا که کارایی این روش به شدت تحت تاثیر مقادیر این پارامتر است. در این تحقیق از الگوریتم بهینه سازی ژنتیک جهت غلبه بر این محدودیت استفاده می شود. الگوریتم ژنتیک به کار گرفته شده در این تحقیق از Individual هایی استفاده می کند که به روش مقادیر حقیقی کدگذاری شده اند. از معیار Kappa بهعنوان تابع برازندگی و همچنین از روش های Arithmetic و Non-uniform به ترتیب برای عملگرهای ترکیب و جهش استفاده می شود. الگوریتم ارائه شده بروی یک مجموعه داده لیدار مربوط به منطقه ای در غرب آلمان پیاده سازی شد و نتایج آن با روش سنتی جستجوی شبکه ای مقایسه گردید. نتایج این ارزیابی حاکی از مقدار 96.22 درصد دقت کلی و کاپای 0.951 می باشد که در مقایسه با روش جستجوی شبکه ای نتایج بهتری را ارائه داده است.

Keywords:

ماشین بردار پشتیبان , الگوریتم ژنتیک , لیدار , انتخاب پارامتر