برای افزایش دقت طبقه بندی مسائل پیچیده ، میتوان از ترکیب طبقه بندهایی استفاده کرد که از یک الگوریتم یادگیری ، ولی با پیچیدگی ها و پارامتر های متفاوت بهره میگیرند. 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 افزونگی اطلاعات توسط روش تحویل مولفه های اصلی صورت گرفته است.از مجموعه داده تصاویر ماهواره ، بردارهای ویژگی ، با 8200 مولفه استخراج میشود و سپس به روش تحلیل مولفه های اصلی ، 36 مولفه اول آن انتخاب شده و به سه شبکه عصبی پرسپترون با تعداد نرون های متفاوت در لایه مخفی و وزن های اولیه متفاوت اعمال شده و طبقه بندی اولیه صورت میگیرد . در مرحله بعد ، نتایج طبقه بندی این سه طبقه بند ، به یک شبکه عصبی پرسپترون با یک لایه مخفی بعنوان ترکیب کننده اعمال میشود . نرخ شناسایی شبکه های عصبی پایه 86%/83 ، 48%/86 ، 66%/86 و برای سیستم ترکیبی آنها 413% / 88 است.
رضا ابراهیم پور
مدرس گروه الکترونیک دانشگاه شهید رجایی و دانشجوی دکتری علوم اعصاب شناختی گرایش رایانش و هوش مصنوعی ،پژوهشکده علوم شناختی ،مرکز تحقیقات فیزیک نظری و ریاضیات
نیما حاتمی
دانشجوی کارشناسی الکترونیک، دانشگاه شهید رجایی
