ماشین ‌های تصادفی بردار پشتیبان، طبقه‌بندی دسته‌جمعی بهینه داده‌ های با ابعاد بالا

افزایش ابعاد فضای ویژگی ورودی موجب تمایز بیش تر کلاس های پوششی در طبقه بندی تصاویر سنجش ازدور می شود اما تعداد کم نمونه های آموزشی مانع از بروز این عملکرد مثبت می شود. استفاده از روش های گروهی به جای طبقه بندی کننده های منفرد راه حل مناسبی برای برخورد با این مشکل است. در این مقاله روشی با عنوان ماشین های تصادفی بردار پشتیبان (svrms) برای جمعی کردن روش svm پیشنهاد می شود. روش پیشنهادی نسبت به روش های قبلی در جمعی کردن svm مزایای موثری دارد. اعمال هم زمان روش بگینگ در داده های آموزشی و فضای ویژگی و روش بوستینگ موجب بهبود صحت، استقلال و تنوع طبقه بندی کننده های پایه می شود. ادغام طبقه بندی کننده ها در روش پیشنهادی در سطح احتمال و به صورت غیرخطی با استفاده از یک تلفیق svm انجام کمی شود. عملکرد روش پیشنهادی بر روی داده های فراطیفی و پلاریمتریک رادار با روزنه مصنوعی ارزیابی شده است. آزمایش ها از سه دیدگاه: ارزیابی در برابر سایر روش های دسته جمعی svm، ارزیابی در برابر روش های انتخاب ویژگی و در نهایت سایر روش های طبقه بندی 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 می دهد. روش پیشنهادی در هر دو منبع داده عملکرد بهتری در بیشتر کلاس های مورد بررسی خصوصا کلاس های نزدیک نسبت سایر روش های جمعی نشان می دهد. نتایج نشان می دهد روش پیشنهادی ضمن حفظ هزینه محاسباتی مطلوب عملکرد بهتری نسبت به روش های انتخاب ویژگی همچون ژنتیک دارد. مطابق نتایج صحت و دقت مطلوب روش پیشنهادی نیز در برابر روش های پایه طبقه بندی در دو منبع داده (بیشترین شباهت و ویشارت) و همچنین روش های قدرتمند (جنگل تصادفی و شبکه عصبی) تصدیق می شود.

Support Vector Random Machines (SVRMs), A OptimumMulticlassifier for Big Data

Although, the distinction between the land cover classes was increased in large feature space of remote sensing images, butthe low number of training data prevent this. In order to solve this problem, ensemble classification methods can be usedinstead of individual classifiers. In this paper, a new method for ensemble support vector machine was proposed called ldquo;Support Vector Random Machines (SVRMs( rdquo;. In proposed method, bootstrap was produced using modification oftraining data and feature space. Simultaneous boosting SVM was used for basic classifiers. Then, classification map wasresulted using SVM fusion of basic classifier. Hyperspectral and Polarimetric SAR data was chosen for evaluationperformance of the SVRMs. Experiments were evaluated from three different points of view: First, evaluation against otherensemble 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 theindividual SVM classifier in hyperspectral data and this is 10% in PolSAR data. Also, the classification results of SVRMsin various classes compared to other SVM ensemble method were improved. The results reported from the proposedmethod 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).