개미 군집 최적화를 이용한 하이퍼 스펙트럼 이미지 분류에서의 동시에 특성 선택 및 SVM 매개변수 결정

하이퍼 스펙트럼 원격 감지 이미지는 풍부한 스펙트럼 정보로 인해 복잡한 지리적 영역에서 토지 커버 분류를 위한 효율적인 도구를 제공합니다. 그러나 이 이미지의 고차원 공간은 분류 과정에서 두 가지 중요한 도전 과제를 제기합니다: 휴즈 현상과 관련 있고 중복된 특성의 존재. 고차원 공간에서 지지 벡터 머신(SVM)의 견고성은 하이퍼 스펙트럼 이미지를 분류하는 데 효율적인 도구가 됩니다. 그러나 최적의 SVM 매개변수 결정과 최적의 특성 선택은 SVM 성능에 강하게 영향을 미치는 두 가지 최적화 문제입니다. 전통적인 최적화 알고리즘은 제한된 탐색 공간에서 하나의 지역 최적해를 발견할 수 있습니다. 그럼에도 불구하고 고차원 공간에서는 전통적인 최적화 알고리즘이 일반적으로 지역 최적해에 갇히기 때문에 거의 전 세계 최적해 솔루션을 얻기 위해 메타 휴리스틱 최적화 알고리즘을 적용할 필요가 있습니다. 이 연구는 SVM 매개변수 결정 및 특성 선택을 위한 개미 군집 최적화(ACO)의 가능성을 평가합니다. AVIRIS 및 ROSIS 하이퍼스펙트럼 데이터 세트에서 얻은 결과는 입력 기능 부분 집합의 SVM 매개변수를 동시에 최적화함으로써 달성된 SVM의 우수한 성능을 보여줍니다. 비교를 위해 시뮬레이티드 어닐링, 타부 탐색 및 유전자 알고리즘과 같은 다른 메타 휴리스틱 최적화 알고리즘에 적용하여 평가를 수행합니다. 결과는 분류 정확도를 개선하고 선택된 특성 부분 집합의 크기를 감소시키는 측면에서 ACO 기반 알고리즘의 더 나은 성능을 입증합니다.