بررسی عملکرد الگوریتم های فراابتکاری جمعیت مبنا به منظور بهینه سازی پارامترهای ماشین های بردارپشتیبان درطبقه بندی تصاویرپلاریمتریک راداری
چکیده
با توجه به اینکه استفاده از پلاریزاسیون های مختلف امواج الکترومغناطیسی در تصویربرداری پلاریمتریک راداری اطلاعاتی غنی از جنبه های مختلف عوارض را فراهم می کند. امروزه تصاویر پلاریمتری به عنوان ابزار قوی و کارآمد در زمینه ی شناسایی عوارض مختلف در مناطق جغرافیایی پیچیده مورد توجه قرارگرفته اند. به منظور استخراج اطلاعات، طبقه بندی این تصاویر حائز اهمیت می-باشد. طبقه بندی کننده ی ماشین های بردار پشتیبان به سبب عملکردش بر مبنای ویژگی های هندسی و پایداری در فضا های با ابعاد بالا گزینه ی مناسبی در طبقه بندی تصاویر پلاریمتری محسوب می شود. اما عملکرد این طبقه بندی کننده به شدت تحت تاثیر پارامترهای در نظر گرفته شده برای آن می باشد. بنابراین به منظور به کارگیری طبقه بندی کننده ی ماشین های بردار پشتیبان با بیشترین کارآیی، می بایست مقادیر بهینه برای این پارامترها تعیین شوند. روش های بهینه سازی سنتی متداول به سبب مواجه شدن با پیچیدگی های محاسباتی در این فضاهای جستجوی بزرگ اغلب به بهینه های محلی همگرا می شوند. بنابراین به منظور بدست آوردن مقدار بهینه ی سراسری استفاده از الگوریتم های بهینه سازی فراابتکاری که از جستجوی سراسری همراه با جستجوی محلی بهره می گیرند، اجتناب ناپذیر است. در این مقاله توانایی الگوریتم های ژنتیک، زنبورها و توده ی ذرات به عنوان تکنیک های بهینه-سازی فراابتکاری قدرتمند، در تعیین مقدار بهینه ی پارامترهای ماشین های بردار پشتیبان ارزیابی شده است. مقایسه نتایج بدست آمده، توانایی بالای الگوریتم توده ی ذرات را در زمینه ی دقت طبقه بندی و سرعت همگرایی نشان می دهد.