بهینه سازی الگوریتم خوشه بندی KFCM برای تصاویر فراطیفی به وسیله الگوریتم بهینه سازی توده ذرات

سنجنده های فراطیفی با نمونه برداری دقیق از بازتاب اشیاء در قالب چندین باندطیفی باریک و به هم پیوسته، منبع اطلاعات بسیار ارزشمندی را برای تعیین کلاس های پوششی مختلف ایجاد می نمایند. با این وجود طبقه بندی داده های فراطیفی و استخراج این اطلاعات با مشکلاتی همراه است، که یکی از شناخته شده ترین آنها مربوط به در دسترس نبودن تعداد کافی از نمونه های آموزشی برای مرحله یادگیری الگوریتم است. یکی از راهکارهای ممکن برای رفع این مشکل استفاده از الگوریتم های طبقه بندی بدون نظارت (الگوریتم های خوشه بندی) مانند الگوریتم خوشه بندی فازی کرنل پایه (KFCM) است. الگوریتم خوشه بندی فازی کرنل پایه که از بازنویسی الگوریتم خوشه بندی فازی با استفاده از توابع کرنل حاصل می شود، معمولا نتایج بهتری در مقایسه با سایر الگوریتم ها دارد. اما، در صورت استفاده از این الگوریتم برای خوشه بندی داده های فراطیفی، دقت الگوریتم KFCM، متاثر از ابعاد بالای داده و همچنین پارامتر تابع کرنل استفاده شده، کاهش می یابد. هدف از این مقاله، بهینه کردن الگوریتم KFCM نسبت به پارامتر کرنل و ابعاد داده است که برای این کار، از الگوریتم بهینه سازی توده ذرات (PSO) استفاده شده است. الگوریتم بهینه سازی توده ذرات یک ابزار قدرتمند بهینه سازی است که با الهام از رفتار پرندگان ایجاد شده و توانایی یافتن بهینه کلی مسائل را داراست. در این مقاله همچنین دو روش جدید برای بهینه سازی الگوریتم KFCM نسبت به پارامتر تابع کرنل و ابعاد داده پیشنهاد شده است. مقایسه نتایج این روش ها با روش های دیگر خوشه بندی نشان دهنده ی توانایی بالای آنها برای خوشه بندی داده های فراطیفی است.