Journal of Geospatial Information Technology

fa ماشین‌های تصادفی بردار پشتیبان، طبقه‌بندی دسته‌جمعی بهینه داده‌های با ابعاد بالا Support Vector Random Machines (SVRMs), A Optimum Multiclassifier for Big Data سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research افزایش ابعاد فضای ویژگی ورودی موجب تمایز بیش‌تر کلاس‌های پوششی در طبقه‌بندی تصاویر سنجش‌ازدور می‌شود اما تعداد کم نمونه‌های آموزشی مانع از بروز این عملکرد مثبت می‌شود. استفاده از روش‌های گروهی به‌جای طبقه‌بندی کننده‌های منفرد راه‌حل مناسبی برای برخورد با این مشکل است. در این مقاله روشی با عنوان "ماشین‌های تصادفی بردار پشتیبان (SVRMs)" برای جمعی کردن روش SVM پیشنهاد می‌شود. روش پیشنهادی نسبت به روش‌های قبلی در جمعی کردن SVM مزایای مؤثری دارد. اعمال هم‌زمان روش بگینگ در داده‌های آموزشی و فضای ویژگی و روش بوستینگ موجب بهبود صحت، استقلال و تنوع طبقه‌بندی کننده‌های پایه می‌شود. ادغام طبقه‌بندی کننده‌ها در روش پیشنهادی در سطح احتمال و به‌صورت غیرخطی با استفاده از یک تلفیق SVM انجام کمی‌شود. عملکرد روش پیشنهادی بر روی داده‌های فراطیفی و پلاریمتریک رادار با روزنه مصنوعی ارزیابی ‌شده است. آزمایش‌ها از سه دیدگاه: ارزیابی در برابر سایر روش‌های دسته‌جمعی SVM، ارزیابی در برابر روش‌های انتخاب ویژگی و در نهایت سایر روش‌های طبقه‌بندی طراحی و تحلیل شده است. در داده فراطیفی روش پیشنهادی حدود 16 درصد و در داده پلاریمتریک حدود 10 درصد نسبت به روش منفرد SVM بهبود نشان می‌دهد. روش پیشنهادی در هر دو منبع داده عملکرد بهتری در بیشتر کلاس‌های مورد بررسی خصوصا کلاس‌های نزدیک نسبت سایر روش‌های جمعی نشان می‌دهد. نتایج نشان می‌دهد روش پیشنهادی ضمن حفظ هزینه محاسباتی مطلوب عملکرد بهتری نسبت به روش‌های انتخاب ویژگی همچون ژنتیک دارد. مطابق نتایج صحت و دقت مطلوب روش پیشنهادی نیز در برابر روش‌های پایه طبقه‌بندی در دو منبع داده (بیشترین شباهت و ویشارت) و همچنین روش‌های قدرتمند (جنگل تصادفی و شبکه عصبی) تصدیق می‌شود. 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). ماشین بردار پشتیبان, روش های دسته جمعی, فضای ویژگی, خودراه انداز تصادفی, تلفیق Support Vector Machine (SVM), Ensemble method, Feature space, Bootstarp, Aggregation 133 152 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-315-3&slc_lang=fa&sid=1 mohsen jafari محسن جعفری jafarim@ut.ac.ir 10031947532846004916 10031947532846004916 Yes University of Tehran دانشگاه تهران Mehdi Akhoundzadeh مهدی آخوندزاده 10031947532846004917 10031947532846004917 No University of Tehran دانشگاه تهران