بررسي عملكرد الگوريتم‌هاي فراابتكاري جمعيت مبنا به منظور بهينه‌سازي پارامترهاي ماشين‌هاي بردارپشتيبان درطبقه‌بندي تصاويرپلاريمتريك راداري

Investigating the Performance of Metaheuristic Population-Based Algorithms to Optimize the Parameters of Support Vector Machines in Classification of Polarimetric Images

با توجه به اينكه استفاده از پلاريزاسيون‌های مختلف امواج الكترومغناطيسی در تصويربرداری پلاريمتريك راداری اطلاعاتی غنی از جنبه‌های مختلف عوارض را فراهم می‌كند. امروزه تصاوير پلاريمتری به عنوان ابزار قوی و كارآمد در زمينه‌ی شناسايی عوارض مختلف در مناطق جغرافيايی پيچيده مورد توجه قرارگرفته اند. به منظور استخراج اطلاعات، طبقه‌بندی اين تصاوير حائز اهميت می-باشد. طبقه‌بندی كننده‌ی ماشين‌های بردار پشتيبان به سبب عملكردش بر مبنای ويژگی‌های هندسی و پايداری در فضا‌های با ابعاد بالا گزينه‌ی مناسبی در طبقه‌بندی تصاوير پلاريمتری محسوب می‌شود. اما عملكرد اين طبقه‌بندی ‌كننده به شدت تحت تاثير پارامترهای در نظر گرفته شده برای آن می‌باشد. بنابراين به منظور به كارگيری طبقه‌بندی كننده‌ی ماشين‌های بردار پشتيبان با بيشترين كارآيی، می‌بايست مقادير بهينه برای اين پارامترها تعيين شوند. روش‌های بهينه‌سازی سنتی متداول به سبب مواجه شدن با پيچيدگی‌های محاسباتی در اين فضاهای جستجوی بزرگ اغلب به بهينه‌های محلی همگرا می‌شوند. بنابراين به منظور بدست آوردن مقدار بهينه‌ی سراسری استفاده از الگوريتم‌های بهينه‌سازی فراابتكاری كه از جستجوی سراسری همراه با جستجوی محلی بهره می‌گيرند، اجتناب ناپذير است. در اين مقاله توانايی الگوريتم‌های ژنتيك، زنبورها و توده‌ی ذرات به عنوان تكنيك‌های بهينه-سازی فراابتكاری قدرتمند، در تعيين مقدار بهينه‌ی پارامترهای ماشين‌های بردار پشتيبان ارزيابی شده است. مقايسه نتايج بدست آمده، توانايی بالای الگوريتم توده‌ی ذرات را در زمينه‌ی دقت طبقه‌بندی و سرعت همگرايی نشان می‌دهد.

Because of using the different polarization of electromagnetic wave in Polarimetric imagery, it provides a rich source of information from the several aspects of targets. Recently, Polarimetric images as a powerful and efficient tool have been interested to identify the various objects in the complex geographic areas. In order to extracting information, classification of Polarimetric image has an important effect. Support Vector Machines (SVMs) due to their operation based on geometrical characteristics and robustness in high dimensional space, are considered as a suitable case for classification of Polarimetric images. However, the performance of SVMs classifier is strongly influenced by its parameters. Therefore, the optimum values for SVMs parameters should be determined to achieve SVMs classifier with maximum efficiency. Traditional optimization techniques because of computational complexities in the large search space usually trap in local optimum. Thereby, it is inevitable to apply Meta‌-heuristic Algorithms which performe exploration and exploitation to obtain global optimum. In this paper, the potential of Genetic, Bees and Particle Swarm Optimization (PSO) Algorithms as powerfull techniques in determining the optimum SVMs parameters are evaluated.‌ Comparing the results, demonstrates the superior performance of PSO Algorithm in terms of classification accuracy and speed of convergence.