عنوان پایان‌نامه
کاهش ابعاد در تصا ویر فرا طیفی با استفاده از الگو ریتم های بهینه سازی خرد جمعی
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2016;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50671
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۹
- دانشجو
- تهمینه پرتوی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- امروزه با رشد و توسعه سنسورهای سنجش از دور، تصاویر سنجش از دور فراطیفی با ویژگی منحصر به فردی همچون حدتفکیک طیفی بالا و در نتیجه ابعاد بالای فضای طیفی در دسترس می باشند. این ویژگی ها موجب افزایش توانایی در شناسایی پدیده ها و تفکیک کلاس های مشابه پوشش زمینی و در نتیجه افزایش دقت طبقه بندی می گردند. با این وجود به علت بالا بودن ابعاد فضای ویژگی و تعداد کم نمونه های آموزشی، تخمین قابل اعتماد پارامترهای آماری طبقه بندی کننده ی پارامتریک مشکل می باشد. همچنین در طبقه بندی کننده های غیر پارامتریک با افزایش ابعاد فضای طیفی نیاز به افزایش دادن نمونه های آموزشی است. یکی از راه حل ها برای غلبه بر این مشکل، کاهش دادن ابعاد فضای ورودی با استفاده از روش های انتخاب ویژگی است. با توجه به اینکه فضای ویژگی داده های فراطیفی دارای نویز و مینیمم های محلی فراوان است. انتخاب باندهای بهینه یک مسئله ی ترکیبی پیچیده می باشد، بطوری که ممکن است ویژگی هایی که دارای مقدار اطلاعات کمتری هستند، نقش مهمی در طبقه بندی ایفا کنند. بنابراین در این گونه مسائل، بدست آوردن زیرمجموعه ی بهینه از باندها بر مبنای استراتژی جستجو و معیار ارزیابی موثر می باشد. تا کنون الگوریتم های متنوعی برای انتخاب ویژگی های بهینه ارائه شده است، اما اغلب الگوریتم های کلاسیک قادر به جستجوی کل فضای ویژگی در زمانی معقول و بدست آوردن بهینه ی سراسری در چنین فضایی نیستند و سریعاً در مینیمم های محلی قرار می گیرند. در سال های اخیر الگوریتم های بهینه سازی فراابتکاری مورد توجه بسیاری از محققان قرار گرفته است. به این دلیل در این مسائل، با الگوریتم های فراابتکاری به جستجوی جواب بهینه یا نزدیک بهینه در مدت زمان کوتاهی پرداخته می شود، که اکثر این روش ها مبتنی بر جستجو در فضای جواب هستند. با در نظر گرفتن توانایی الگوریتم های فراابتکاری در جستجوی سراسری و محلی فضای طیفی، این الگوریتم ها پتانسیل لازم را در بدست آوردن زیرمجموعه ویژگی های بهینه تصاویر فراطیفی دارند و از قرار گرفتن جواب در بهینه ی محلی اجتناب می کنند. دو گروه مهم الگوریتم های فراابتکاری، الگوریتم های مبتنی بر یک راه حل و الگوریتم های جمعیت مبنا می باشند. در این تحقیق به منظور انتخاب ویژگی های بهینه از این دو گروه الگوریتم ها در استراتژی جستجو استفاده می گردد. معیار ارزیابی شامل دقت طبقه بندی کننده و تعداد ویژگی های بدست آمده در نظر گرفته می شود. از میان الگوریتم های فراابتکاری مبتنی بر یک راه حل، الگوریتم های جستجوی محلی همچون شبیه سازی تبرید تدریجی و جستجوی ممنوع و از میان الگوریتم های جمعیت مبنا، الگوریتم های تکاملی و مبتنی بر خرد جمعی انتخاب می گردند. نتایج نشان می دهند که در میان الگوریتم های فراابتکاری پیشنهادی، الگوریتم های مبتنی بر خرد جمعی به دلیل تعامل افراد جمعیت با یکدیگر قادر به بدست آوردن تعداد ویژگی های کمتر و دقت طبقه بندی کننده ی بالاتری در انتخاب باندهای تصویر فراطیفی AVIRIS هستند.
- Abstract
- Nowadays, hyperspectral remote sensing imaging systems are able to acquire several hundreds of spectral bands. Increasing spectral bands provide the more information for land cover and separate similarity classes, thus classification accuracy potentially could increase. Nevertheless classification of hyperspectral imagery by conventional classifiers suffers from Hughes phenomenon. As the dimension of input space increase, the estimate of the probability distribution in parametric classification is less accurate if the number of labeled samples remains finite. In other words, the number of samples required for good classification would be impractically large. Nevertheless classification of hyperspectral imagery by conventional classifiers suffers from Hughes phenomenon. One of the solutions of this problem is using band selection techniques. There are several algorithms to find optima features. Traditional feature selection techniques have several limitations in exploring these kinds of complex and large search spaces and finding the global optimum subset of feature in a reasonable time and trap into local optima. Recently metaheuristic algorithms have been proposed for solving hard and complex optimization problems. Referring to ability of metaheuristic algorithms in exploration and exploitation of search space, these algorithms have potential of obtaining optimal features of hyperspectral imagery. This research work evaluates the potential of two search strategies of metaheuristic algorithm include trajectory methods and population based methods to find optima features of AVIRIS dataset. Simulated annealing and tabu search methods as trajectory methods and genetic algorithms and swarm intelligence algorithms as most well known population based methods in optima feature selection are implemented. Obtained results show superior performance of swarm based feature selection rather than trajectory algorithms. These algorithms obtain lower number of features and higher classification accuracy with less iteration number. Moreover swarm based methods in fewer iteration obtain higher fitness value in comparison with genetic algorithm, tabu search and simulated annealing.
