بدون شک نیاز عصر امروز بشر، با توجه به غوطهور شدن در حجم وسیعی از دادههای پیرامونش، استفاده از ابزارهایی برای تحلیل این دادهها و دستیابی به دانش نهفته درون آنهاست. طبقهبندی دادهها یکی از ابزارهای مهم در استخراج دانش از دادههاست. یکی از مشکلاتی که در هر روش طبقهبندی دادهها پیش روی است، به دست آوردن بهترین مدل است. اهمیت این قضیه وقتی آشکار میشود که مجموعه دادههایی که برای آموزش مدل استفادهشده، دارای دادههای پرت، نویزی و یا بهطورکلی کماهمیت هم بوده است. درنتیجه مدل بهدستآمده نمیتواند نتایج خوبی را در تشخیص دادههای جدید گزارش نماید. بنابراین کلیه برنامههای دادهکاوی ازجمله طبقهبندی، بخش عمدهای از کار خود را روی تحلیل و کم کردن تأثیر این دادهها صرف میکنند. یکی از محبوبترین روشهای طبقهبندی دادهها ماشینهای بردار پشتیبان ) SVM ( هستند. ابر سطح جداکنندهای که توسط این روش به دست میآید فقط به بخش کوچکی از دادههای آموزش بستگی دارد. درنتیجه SVM نسبت به دادههای نویزی و پرت بسیار حساس است. از طرف دیگر اهمیت تمام دادههایی که در آموزش شرکت میکنند، یکسان در نظر گرفته میشود. اطلاعات طیفی استخراجشده بهتنهایی همگونبودن بین پیکسلهای تصویر را نشان نمیدهند و حتی نویزها را هم وارد طبقهبندی میکنند، به دست آوردن اطلاعات مکانی از تصاویر فرا طیفی که مبتنی بر اطلاعات مکانی نظیر واریانس هستند، کمک میکند تا عارضههایی نظیر خودروها وغیره در نظر گرفته نشوند. با ترکیب این ویژگیها در فضای شباهت جداییپذیری بین کلاسها بیشتر میشود. درروش پیشنهادی زیرمجموعههایی از ویژگیهایاستخراجشده از تصویر فرا طیفی در نظر گرفته میشود و هرکدام بهصورت جداگانه وارد طبقه بند میشوند، درنهایت نتایج حاصل از هرکدام از این طبقه بندها باهم ترکیب میشوند.

کلمات کلیدی