تعيين ماشين هاي بردار پشتيبان بهينه در طبقه بندي تصاوير فرا طيفي بر مبناي الگوريتم ژنتيك

امروزه تصاوير فرا طيفي به علت غناي اطلاعات طيفي يك ابزار قوي و كارامد در سنجش از دور به حساب مي آيند و امكان تمايز بين عوارض مشابه را فراهم مي آورند. با توجه به پايداري ماشين‌هاي بردار پشتيبان در فضاهايي با ابعاد بالا، يك گزينه مناسب در طبقه بندي تصاوير فرا طيفي محسوب مي شوند. با اين وجود، عملكرد اين طبقه بندي كننده ها تحت تاثير پارامترها و فضاي ويژگي ورودي آن ها مي باشد. به منظور استفاده از ماشين هاي بردار پشتيبان با بيشترين كارايي، مي بايست مقادير بهينه ي پارامترها و همچنين زير مجموعه بهينه از ويژگي هاي ورودي تعيين گردند. در اين تحقيق از توانايي الگوريتم ژنتيك به عنوان يك تكنيك بهينه سازي فرا ابتكاري، در تعيين مقادير بهينه پارامترهاي ماشين هاي بردار پشتيبان و همچنين انتخاب زيرمجموعه ويژگي هاي بهينه در طبقه بندي تصاوير فرا طيفي استفاده شده است. نتايج عملي از به‌كارگيري روش فوق در خصوص داده هاي فرا طيفي سنجنده AVIRISنشان مي دهند، ويژگي هاي ورودي و پارامترها هر كدام جداگانه تاثير بسزايي بر عملكرد ماشين هاي بردار پشتيبان دارند ولي بهترين عملكرد طبقه-بندي كننده با حل همزمان آن دو بدست مي آيد. در حل همزمان تعيين پارامتر و انتخاب ويژگي، براي كرنل گوسين و پلي نوميال به ترتيب 5% و 15% افزايش دقت با حذف بيش از نيمي از باندهاي تصوير حاصل شد. همچنين الگوريتم بهينه سازي شبيه سازي تبريد تدريجي به منظور مقايسه با الگوريتم ژنتيك پياده سازي شد كه نتايج حاكي از برتري الگوريتم ژنتيك به ويژه با بزرگ و پيچيده شدن فضاي جستجو در رويكرد حل همزمان تعيين پارامتر و انتخاب ويژگي مي باشد.

Hyper spectral remote sensing imagery, due to its rich source of spectral information provides an efficient tool for ground classifications in complex geographical areas with similar classes. Referring to robustness of Support Vector Machines (SVMs) in high dimensional space, they are efficient tool for classification of hyper spectral imagery. However, there are two optimization issues which strongly effect on the SVMs performance: Optimum SVMs parameters determination and optimum feature subset selection. Traditional optimization algorithms are appropriate in limited search space but they usually trap in local optimum in high dimensional space, therefore it is inevitable to apply meta-heuristic optimization algorithms such as Genetic Algorithm to obtain global optimum solution. This paper evaluates the potential of different proposed optimization scenarios in determining of SVMs parameters and feature subset selection based on Genetic Algorithm (GA). Obtained results on AVIRIS Hyper spectral imagery demonstrate superior performance of SVMs achieved by simultaneously optimization of SVMs parameters and input feature subset. In Gaussian and Polynomial kernels, the classification accuracy improves by about 5% and15% respectively and more than 90 redundant bands are eliminated. For comparison, the evaluation is also performed by applying it to Simulated Annealing (SA) that shows a better performance of Genetic Algorithm especially in complex search space where parameter determination and feature selection are solve simultaneously