بررسي تاثير نحوه توزيع و تعداد داده هاي آموزشي در دقت طبقه بندي شبكه عصبي تصاوير ماهواره اي

سنجش از دور ابزار كارآمد جهت پایش پدیده ها در ابعاد بزرگ است، با استفاده از تصاویر ماهواره ای می توان مناطق به پهنه بندی بزرگ از سطح زمین را مورد ارزیابی قرار داد، یكی از روش های سودمند در طبقه بندی تصاویر ماهواره ای، روش طبقه بندی شبكه عصبی می باشد، در این روش در حالت نظارت شده همواره نیازمند تعدادی داده مرجع زمینی جهت آموزش شبكه عصبی هستیم، توزیع و تعداد این داده ها در تعیین دقت عملكرد این روش طبقه بندی غیر آماری بسیار اهمیت دارد. در تحقیق پیش رو سعی در بررسی تاثیر این دو مولفه در دقت عملكرد یك طبقه بندی كننده ی شبكه عصبی داریم، در این تحقیق با استفاده از تصاویر ماهواره ای ASTER در 3 باند و در 5 مقطع زمانی برای هر پیكسل یك بردار ویژگی 15 پارامتری برای ورود به شبكه عصبی در نظر گرفته می شود. با استفاده از مجموعه 40 مزرعه مرجع زمینی 6 حالت مختلف آموزش شبكه عصبی طراحی می شود كه این شش حالت متاثر از توزیع های متفاوت با تعداد مختلف داده ی آموزشی هستند، سپس در ارزیابی نتایج شاهد تغییرات دقت در بدترین حالت 57% تا بهترین حالت 80% هستیم، این دامنه تغییرات 23% گویای تاثیر بسیار مهم آموزش طبقه بندی كننده شبكه عصبی می باشد.