ارايه روشي تركيبي از شبكه‌هاي عصبي نظارت‌شده و نظارت‌نشده

ارايه روشي تركيبي از شبكه‌هاي عصبي نظارت‌شده و نظارت‌نشده

در پژوهش حاضر، روشي تركيبي از شبكه‌هاي عصبي نظارت‌شده و نظارت‌نشده براي طبقه‌بندي تصاوير سنجش از دور ارائه شده است. مبناي الگوريتم پيشنهادي، شبكه‌هاي خودسازمانده (SOM) و الگوريتم شبكه عصبي پس‌انتشار خطاست. الگوريتم طبقه‌بندي نظارت‌نشده SOM به تنهايي قادر به طبقه‌بندي و برچسب‌گذاريِ دقيق نتيجة نهايي نيست، لذا در نوشتار حاضر از الگوريتم پس‌انتشار خطا براي تعيين برچسب نهايي كلاس‌ها استفاده شده است. در ابتدا تصوير با استفاده از الگوريتم شبكه‌هاي خودسازمانده بخش‌بندي مي‌شود. سپس برچسب نرون‌هاي شبكه‌هاي خودسازمانده با استفاده از الگوريتم پس‌انتشار خطا و داده‌هاي آموزشي تعيين مي‌شود و در ادامه نقشه پوششي تهيه مي‌گردد. به‌منظور كاهش حجم سنگين محاسبات شبكه‌هاي خودسازمانده، در پژوهش حاضر از الگوريتم PCA براي تعيين مقدار اوليه بردار وزن نرون‌ها استفاده شده است. ارزيابي الگوريتم‌ پيشنهادي با تصاوير چندطيفي لندست (ETM+) و IKONOS انجام گرفت. هر قسمت از الگوريتم‌ با الگوريتم‌هاي ديگر جايگزين شد و نتايج به‌دست آمده با الگوريتم پيشنهادي مقايسه گرديد. در ابتدا به‌جاي الگوريتم SOM از الگوريتم‌هاي نظارت‌نشده K-Means و FCM و به‌‌جاي الگوريتم MLP براي تعيين برچسب نرون‌هاي الگوريتم SOM از الگوريتم KNN استفاده گرديد. همچنين نتايج نهايي الگوريتم پيشنهادي با ديگر الگوريتم‌هاي طبقه‌بندي مقايسه شد. نتايج حاصل از دقت طبقه‌بندي الگوريتم پيشنهادي و ديگر الگوريتم‌ها، نشان مي‌دهد كه الگوريتم پيشنهادي توانايي بهبود نتايج طبقه‌بندي را ـ به‌ويژه براي تعداد نمونه‌هاي آموزشي اندك ـ داراست.