یاسر مقصودی مهرانی
عباس علیمحمدی
محمدجواد والدان
برات مجردی

طبقه بندی داده های ابر طیفی یکی از مهمترین مسائل در استخراج اطلاعات از داده های ابر طیفی می باشد. با افزایش تعداد باندها، تعداد داده های آموزشی مورد نیاز جهت نمایش کلاسها در فضای ویژگی افزایش می یابد. از طرف دیگر با افزایش تعداد باندها در فضای ویژگی ورودی، فضای فرضیات نیز به طور نمایی رشد می کند که این امر عملکرد طبقه بندی را تاحد زیادی غیر مطمئن می سازد. در این مقاله از ترکیب طبقه بندی کننده ها به منظور طبقه بندی داده های ابر طیفی استفاده شده است. در روش پیشنهادی فضای ویژگی اولیه به زیر فضاهایی با ابعاد پایین تر تبدیل می شوند. ساختن این زیرفضاها با نمونه برداری تصادفی ویژگی ها از فضای اولیه صورت می گیرد. سپس بر روی هر کدام از این زیر فضاها یک طبقه بندی کننده بیز اعمال و خروجی آنها با چهارروش Max, Min, Mean و Product با یکدیگر ترکیب می شوند. برای یافتن بهترین تعداد زیرفضاها و همچنین بهترین تعداد ویژگیها در هر زیر فضا، تمامی ترکیب های ممکن مورد بررسی قرار گرفت. نتایج عملی بر روی داده های AVIRIS نشان می دهد که ترکیب ده زیر فضای 2 عضوی می تواند به عنوان بهترین ترکیب مورد استفاده قرار گیرد. مقایسه روشهای مختلف ترکیب نیز نشان می دهد که روشهای Mean و Product نسبت به روشهای دیگر دارای عملکرد بهتری می باشند.