ماشين‌هاي تصادفي بردار پشتيبان، طبقه‌بندي دسته‌جمعي بهينه داده‌هاي با ابعاد بالا

Support Vector Random Machines (SVRMs), A Optimum Multiclassifier for Big Data

افزايش ابعاد فضاي ويژگي ورودي موجب تمايز بيش‌تر كلاس‌هاي پوششي در طبقه‌بندي تصاوير سنجش‌ازدور مي‌شود اما تعداد كم نمونه‌هاي آموزشي مانع از بروز اين عملكرد مثبت مي‌شود. استفاده از روش‌هاي گروهي به‌جاي طبقه‌بندي كننده‌هاي منفرد راه‌حل مناسبي براي برخورد با اين مشكل است. در اين مقاله روشي با عنوان "ماشين‌هاي تصادفي بردار پشتيبان (SVRMs)" براي جمعي كردن روش SVM پيشنهاد مي‌شود. روش پيشنهادي نسبت به روش‌هاي قبلي در جمعي كردن SVM مزاياي موثري دارد. اعمال هم‌زمان روش بگينگ در داده‌هاي آموزشي و فضاي ويژگي و روش بوستينگ موجب بهبود صحت، استقلال و تنوع طبقه‌بندي كننده‌هاي پايه مي‌شود. ادغام طبقه‌بندي كننده‌ها در روش پيشنهادي در سطح احتمال و به‌صورت غيرخطي با استفاده از يك تلفيق SVM انجام كمي‌شود. عملكرد روش پيشنهادي بر روي داده‌هاي فراطيفي و پلاريمتريك رادار با روزنه مصنوعي ارزيابي ‌شده است. آزمايش‌ها از سه ديدگاه: ارزيابي در برابر ساير روش‌هاي دسته‌جمعي SVM، ارزيابي در برابر روش‌هاي انتخاب ويژگي و در نهايت ساير روش‌هاي طبقه‌بندي طراحي و تحليل شده است. در داده فراطيفي روش پيشنهادي حدود 16 درصد و در داده پلاريمتريك حدود 10 درصد نسبت به روش منفرد SVM بهبود نشان مي‌دهد. روش پيشنهادي در هر دو منبع داده عملكرد بهتري در بيشتر كلاس‌هاي مورد بررسي خصوصا كلاس‌هاي نزديك نسبت ساير روش‌هاي جمعي نشان مي‌دهد. نتايج نشان مي‌دهد روش پيشنهادي ضمن حفظ هزينه محاسباتي مطلوب عملكرد بهتري نسبت به روش‌هاي انتخاب ويژگي همچون ژنتيك دارد. مطابق نتايج صحت و دقت مطلوب روش پيشنهادي نيز در برابر روش‌هاي پايه طبقه‌بندي در دو منبع داده (بيشترين شباهت و ويشارت) و همچنين روش‌هاي قدرتمند (جنگل تصادفي و شبكه عصبي) تصديق مي‌شود.

Although, the distinction between the land cover classes was increased in large feature space of remote sensing images, but the low number of training data prevent this. In order to solve this problem, ensemble classification methods can be used instead of individual classifiers. In this paper, a new method for ensemble support vector machine was proposed called “Support Vector Random Machines (SVRMs)”. In proposed method, bootstrap was produced using modification of training data and feature space. Simultaneous boosting SVM was used for basic classifiers. Then, classification map was resulted using SVM fusion of basic classifier. Hyperspectral and Polarimetric SAR data was chosen for evaluation performance of the SVRMs. Experiments were evaluated from three different points of view: First, evaluation against other ensemble SVM methods; second, evaluation against various feature selection methods in classification and third, evaluation against the various basic and new classification methods. As the results, proposed method is 16% better than the individual SVM classifier in hyperspectral data and this is 10% in PolSAR data. Also, the classification results of SVRMs in various classes compared to other SVM ensemble method were improved. The results reported from the proposed method compared to the other feature selection method (Genetic Algorithm) has the effectual performance in classification. The results show that the proposed method presents a better performance compared to the basic classification methods (maximum likelihood and wishart) and advanced classification (random forest and neural network).