سال انتشار: ۱۳۸۵

محل انتشار: نهمین کنفرانس دانشجویی مهندسی برق

تعداد صفحات: ۶

نویسنده(ها):

رضا ابراهیم پور – مدرس گروه الکتر
نیما حاتمی – دانشجوی کارشناسی الکترونیک، دانشگاه شهید رجایی

چکیده:

برای افزایش دقت طبقه بندی مسائل پیچیده، می توان از ترکیب طبقه بندهایی استفاده کرد که از یک الگوریتم یادگیری، ولی با پیچیدگی هاو پارامترهای متفاوت بهره می گیرند. در این مقاله از مجموعه داده های ELENA مجموعه داده تصاویر ماهواره استفاده شده است که به دلیل بالا بودن بعد بردار ویژگی ها، کاهش افزودنگی اطلاعات توسط روش تحلیل مولفه های اصلی صورت گرفته است. از مجموعه داده تصاویر ماهواره، بردارهای ویژگی با ۸۲۰۰ مولفه استخراج می شود و سپس به روش تحلیل مولفه های اصلی، ۳۶ مولفه اول آن انتخاب شده و به سه شبکه عصبی پرسپترون با تعدادنرونهای متفاوت در لایه مخفی و وزنهای اولیه متفاوت اعمال شده و طبقه بندی اولیه صورت می گیرد. درمرحله بعد، نتایج طبقه بندی این سه طبقه بند، به یک شبکه عصبی پرسپترون بایک لایه مخفی به عنوان ترکیب کننده اعمال میشود. نرخ شناسایی شبکه های عصبی پایه ۸۶/۶۶% , ۸۶/۴۸%, ۸۳/ ۸۶% و برای سیستم ترکیبی آنها ۸۸/۴۱۳% است.