طبقه بندي داده هاي ابر طيفي يكي از مهمترين مسائل در استخراج اطلاعات از داده هاي ابر طيفي مي باشد. با افزايش تعداد باندها، تعداد داده هاي آموزشي مورد نياز جهت نمايش كلاسها در فضاي ويژگي افزايش مي يابد. از طرف ديگر با افزايش تعداد باندها در فضاي ويژگي ورودي، فضاي فرضيات نيز به طور نمايي رشد مي كند كه اين امر عملكرد طبقه بندي را تاحد زيادي غير مطمئن مي سازد. در اين مقاله از تركيب طبقه بندي كننده ها به منظور طبقه بندي داده هاي ابر طيفي استفاده شده است. در روش پيشنهادي فضاي ويژگي اوليه به زير فضاهايي با ابعاد پايين تر تبديل مي شوند. ساختن اين زيرفضاها با نمونه برداري تصادفي ويژگي ها از فضاي اوليه صورت مي گيرد. سپس بر روي هر كدام از اين زير فضاها يك طبقه بندي كننده بيز اعمال و خروجي آنها با چهارروش Max, Min, Mean و Product با يكديگر تركيب مي شوند. براي يافتن بهترين تعداد زيرفضاها و همچنين بهترين تعداد ويژگيها در هر زير فضا، تمامي تركيب هاي ممكن مورد بررسي قرار گرفت. نتايج عملي بر روي داده هاي AVIRIS نشان مي دهد كه تركيب ده زير فضاي 2 عضوي مي تواند به عنوان بهترين تركيب مورد استفاده قرار گيرد. مقايسه روشهاي مختلف تركيب نيز نشان مي دهد كه روشهاي Mean و Product نسبت به روشهاي ديگر داراي عملكرد بهتري مي باشند.

كلمات كليدي: