Ensemble of Extreme Learning Machines with trained classifier combination and statistical features for hyperspectral data

سنجش از دور و تجزیه و تحلیل داده های هیپرترافیلر، مناطقی هستند که طیف گسترده ای از کاربردهای کاربردی ارزشمندی را ارائه می دهند. با این حال، آنها تولید اطلاعات گسترده و پیچیده است که بسیار دشوار است که توسط یک انسان تجزیه و تحلیل می شود. بنابراین، روش های نمایش داده کاوی و داده کاوی به این زمینه ها بسیار علاقه مند هستند. در این مقاله، ما یک خط لوله جدید برای استخراج ویژگی و طبقه بندی تصاویر هیپرکترال معرفی می کنیم. برای به دست آوردن یک نمایش فشرده، پیشنهاد می کنیم مجموعه ای از خواص مبتنی بر آماری را از این تصاویر استخراج کنیم. این اجازه می دهد تا برای جاسازی فضای ویژگی به چهارده کانال، به دست آوردن کاهش قابل توجهی از ابعاد. این ویژگی ها به عنوان یک ورودی برای یادگیری گروه بر اساس شبکه های عصبی تصادفی استفاده می شود. ما روش جدیدی را برای تشکیل مجموعه ای از ماشین های یادگیری افراطی بر اساس زیرموضع ویژگی های تصادفی و ترکیبی آموزش دیده معرفی می کنیم. این بر مبنای خروجی های مداوم و با استفاده از یک برنامه یادگیری مبتنی بر پراژه بر اساس برای محاسبه وزن های اختصاص داده شده به هر طبقه بندی و کلاس به طور مستقل است. آزمایش های گسترده ای که بر روی تعدادی از تصاویر معیار انجام شده است نشان می دهد که استفاده از ویژگی های استخراج پیشنهاد شده و گروه یادگیری افراطی منجر به افزایش قابل توجهی در دقت طبقه بندی می شود.