طبقه بندی داده هایی با ابعاد زیاد سنجش از دوری با تعداد نمونه آموزشی محدود

به کمک فن آوری جدید ابر طیف سنجی(Hyperspectral Imaging تعداد باندهای طیفی و حجم اطلاعات مربوط به یک صحنه بشدت افزایش یافته است، این در حالی است که امکان دسترسی به نمونه های آموزشی به تعداد کافی، میسر نبوده و یا بسیار هزینه بر می باشد . محدود بودن تعداد نمونه های آموزشی سبب شده است که کارایی روش های کلاسیک طبقه بندی داده های سنجش از دور، مطلوب نباشند . در این مقاله برای حل این معضل از فرآیند ادغام تصمیم گیری است که بالاترین سطح فن آوری ادغام اطلاعات می باشد، استفاده می شود . به این ترتیب که طیف های موجود در یک تصویر، بر اساس معیارهای مختلفی از جمله همبستگی، به چند دسته کوچک تقسیم شده و اطلاعات هر دسته بعنوان داده های یک منبع جدید در نظر گرفته می شود. منابع حاصله بصورت مجزا مورد بررسی قرار گرفته و بر اساس الگوریتم های مختلف، از قبیل حداکثر احتمال و شبکه عصبی طبقه بندی اولیه می شوند. تصمیم نهایی بر اساس ادغام نتایج طبقه بندی های اولیه، با استفاده از الگوریتم های مناسب اتخاذ م ی گردید. این روند روی داده های واقعی اجرا ش د و نتایج با استفاده از معیارهای مختلف مانند درجه صحت، درجه اعتبار و نقشه طبقه بندی مورد تجزیه تحلیل کمی و کیفی قرار گرفتند . نتایج نشان می دهد که این روش می تواند مشکل محدود بودن تعداد نمونه های آموزشی در داده های ابرطیفی را تا حد قابل توجهی جبران نماید

کلیدواژه ها:

تصاویر ابرطیفی ، طبقه بندی ، نمونه های آموزشی ، سنجش از دور