کاربرد ترکیب طبقه بندها در طبقه بندی مسائل پیچیده

برای افزایش دقت طبقه بندی مسائل پیچیده، می توان از ترکیب طبقه بندهایی استفاده کرد که از یک الگوریتم یادگیری، ولی با پیچیدگی هاو پارامترهای متفاوت بهره می گیرند. در این مقاله از مجموعه داده های ELENA مجموعه داده تصاویر ماهواره استفاده شده است که به دلیل بالا بودن بعد بردار ویژگی ها، کاهش افزودنگی اطلاعات توسط روش تحلیل مولفه های اصلی صورت گرفته است. از مجموعه داده تصاویر ماهواره، بردارهای ویژگی با 8200 مولفه استخراج می شود و سپس به روش تحلیل مولفه های اصلی، 36 مولفه اول آن انتخاب شده و به سه شبکه عصبی پرسپترون با تعداد نرونهای متفاوت در لایه مخفی و وزنهای اولیه متفاوت اعمال شده و طبقه بندی اولیه صورت می گیرد. در مرحله بعد، نتایج طبقه بندی این سه طبقه بند، به یک شبکه عصبی پرسپترون بایک لایه مخفی به عنوان ترکیب کننده اعمال میشود. نرخ شناسایی شبکه های عصبی پایه 86/66% , 86/48%, 83/ 86% و برای سیستم ترکیبی آنها 88/413% است.

کلیدواژه ها:

طبقه بندی ، ترکیب طبقه بندها ، مسائل پیچیده ، شبکه های عصبی