بررسی عملکرد الگوریتم‌های فراابتکاری جمعیت مبنا به منظور بهینه‌سازی پارامترهای ماشین‌های بردارپشتیبان درطبقه‌بندی تصاویرپلاریمتریک راداری

با توجه به اینکه استفاده از پلاریزاسیون‌های مختلف امواج الکترومغناطیسی در تصویربرداری پلاریمتریک راداری اطلاعاتی غنی از جنبه‌های مختلف عوارض را فراهم می‌کند. امروزه تصاویر پلاریمتری به عنوان ابزار قوی و کارآمد در زمینه‌ی شناسایی عوارض مختلف در مناطق جغرافیایی پیچیده مورد توجه قرارگرفته اند. به منظور استخراج اطلاعات، طبقه‌بندی این تصاویر حائز اهمیت می-باشد. طبقه‌بندی کننده‌ی ماشین‌های بردار پشتیبان به سبب عملکردش بر مبنای ویژگی‌های هندسی و پایداری در فضا‌های با ابعاد بالا گزینه‌ی مناسبی در طبقه‌بندی تصاویر پلاریمتری محسوب می‌شود. اما عملکرد این طبقه‌بندی ‌کننده به شدت تحت تاثیر پارامترهای در نظر گرفته شده برای آن می‌باشد. بنابراین به منظور به کارگیری طبقه‌بندی کننده‌ی ماشین‌های بردار پشتیبان با بیشترین کارآیی، می‌بایست مقادیر بهینه برای این پارامترها تعیین شوند. روش‌های بهینه‌سازی سنتی متداول به سبب مواجه شدن با پیچیدگی‌های محاسباتی در این فضاهای جستجوی بزرگ اغلب به بهینه‌های محلی همگرا می‌شوند. بنابراین به منظور بدست آوردن مقدار بهینه‌ی سراسری استفاده از الگوریتم‌های بهینه‌سازی فراابتکاری که از جستجوی سراسری همراه با جستجوی محلی بهره می‌گیرند، اجتناب ناپذیر است. در این مقاله توانایی الگوریتم‌های ژنتیک، زنبورها و توده‌ی ذرات به عنوان تکنیک‌های بهینه-سازی فراابتکاری قدرتمند، در تعیین مقدار بهینه‌ی پارامترهای ماشین‌های بردار پشتیبان ارزیابی شده است. مقایسه نتایج بدست آمده، توانایی بالای الگوریتم توده‌ی ذرات را در زمینه‌ی دقت طبقه‌بندی و سرعت همگرایی نشان می‌دهد.