بهینه‌سازی برآورد ماتریس کواریانس در طبقه‌بندی داده‌های سنجش از دور با نمونه‌های آموزشی محدود

یکی از پر کاربرد طریق روش‌های طبقه‌بندی پارامتری که نظارت شده در طبقه بندی داده‌های سنجش از دور، روش طبقه‌بندی بیشترین احتمال است. در این روش از پارامترهای آماری مانند ماتریس کوواریانس و تشکیل تابع هزینه به عنوان معیار اصلی تصمیم‌گیری استفاده می‌شود. در فرایند طبقه‌بندی به روش بیشترین احتمال، نیاز به استفاده از مرکز ماتریس کوواریانس می‌باشد. و این در حالی است که در سنجش از دور معمولاً تعداد نمونه‌ها و آموزشی به دلیل نیاز به صرف زمان، هزینه و تدارک زیاد، کم است و این مسئله باعث می‌شود ماتریس کوواریانس کلاس‌ها به دلیل منفرد بودن معکوس پذیر نباشد. در این حالت نیاز به برآورد ماتریس کوواریانس از نمونه‌های آموزشی محدود می‌باشد. این موضوع یکی از چالش‌های بزرگ در استفاده از روش بیشترین احتمال در یک طبقه‌بندی داده‌های با ابعاد بالا بود و تاکنون روش‌های مختلفی نیز برای حل آن معرفی شده است. در این مقاله ضمن بررسی روش‌های پایه و مرد که با ایجاد تغییراتی در ساختار آن‌ها و با استفاده از روش آنالیز مؤلفه اصلی، روش بهینه برای برآورد ماتریس کوواریانس و طبقه‌بندی داده‌های سنجش از دور با نمونه‌های آموزشی محدود معرفی خواهیم کرد.

کلیدواژه ها:

ماتریس کوواریانس ، طبقه‌بندی داد ، آنالیز مؤلفه اصلی PCA3 ، نمونه آموزشی ، سنجش از دور