ارایه روشی ترکیبی از شبکه‌های عصبی نظارت‌شده و نظارت‌نشده

در پژوهش حاضر، روشی ترکیبی از شبکه‌های عصبی نظارت‌شده و نظارت‌نشده برای طبقه‌بندی تصاویر سنجش از دور ارائه شده است. مبنای الگوریتم پیشنهادی، شبکه‌های خودسازمانده (som) و الگوریتم شبکه عصبی پس‌انتشار خطاست. الگوریتم طبقه‌بندی نظارت‌نشده som به تنهایی قادر به طبقه‌بندی و برچسب‌گذاریِ دقیق نتیجة نهایی نیست، لذا در نوشتار حاضر از الگوریتم پس‌انتشار خطا برای تعیین برچسب نهایی کلاس‌ها استفاده شده است. در ابتدا تصویر با استفاده از الگوریتم شبکه‌های خودسازمانده بخش‌بندی می‌شود. سپس برچسب نرون‌های شبکه‌های خودسازمانده با استفاده از الگوریتم پس‌انتشار خطا و داده‌های آموزشی تعیین می‌شود و در ادامه نقشه پوششی تهیه می‌گردد. به‌منظور کاهش حجم سنگین محاسبات شبکه‌های خودسازمانده، در پژوهش حاضر از الگوریتم pca برای تعیین مقدار اولیه بردار وزن نرون‌ها استفاده شده است. ارزیابی الگوریتم‌ پیشنهادی با تصاویر چندطیفی لندست (etm+) و ikonos انجام گرفت. هر قسمت از الگوریتم‌ با الگوریتم‌های دیگر جایگزین شد و نتایج به‌دست آمده با الگوریتم پیشنهادی مقایسه گردید. در ابتدا به‌جای الگوریتم som از الگوریتم‌های نظارت‌نشده k-means و fcm و به‌‌جای الگوریتم mlp برای تعیین برچسب نرون‌های الگوریتم som از الگوریتم knn استفاده گردید. همچنین نتایج نهایی الگوریتم پیشنهادی با دیگر الگوریتم‌های طبقه‌بندی مقایسه شد. نتایج حاصل از دقت طبقه‌بندی الگوریتم پیشنهادی و دیگر الگوریتم‌ها، نشان می‌دهد که الگوریتم پیشنهادی توانایی بهبود نتایج طبقه‌بندی را ـ به‌ویژه برای تعداد نمونه‌های آموزشی اندک ـ داراست.