Ανάπτυξη αυτο-οργανούμενων ασαφών νευρωνικών πολυστρωματικών ταξινομητών: εφαρμογή στο πρόβλημα ταξινόμησης κάλυψης γης με χρήση πολυφασματικών δορυφορικών εικόνων υπερ-υψηλής ευκρίνειας

Abstract

The purpose of this doctoral dissertation is to develop an innovative neuro-fuzzy multilayered classifier with self-organizing and feature selection capabilities. The proposed architecture implements a hierarchical interconnection of small scale elementary neuro-fuzzy classifiers, which are distributed in layers. In each layer, two parent classifiers are combined to produce a new elementary classifier with enhanced classification capabilities. In each neuron, two new units are introduced: the first fuses the parent classifiers’ decisions and while the latter splits the data set into confident classified patterns and ambiguous ones. The network of the elementary classifiers evolves in a self-organizing manner, following a systematic structure learning procedure based on the GMDH algorithm. Improved versions of the GMDH algorithm are suggested for the effective recognition of classifiers combination and to reduce the computational cost. Simulation results on benchmark problems indicate the effectiveness of the proposed methods. Finally, the suggested classifiers are tested on the land cover classification of the wetland of international ecological importance of Lake Koroneia. To this end, a very high resolution multispectral IKONOS satellite image was used, and additional features were extracted not only using linear transformations of the original bands but also texture transformations. New methods are suggested for the computation of the essential parameters used in texture features derivation and for the effective use of the available information. The high final classification accuracy and the quality of the derived thematic maps indicate the superior performance of the proposed methods comparing to other popular methods.

Στόχος της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη ενός καινοτόμου ασαφούς νευρωνικού πολυστρωματικού ταξινομητή με δυνατότητες αυτο-οργάνωσης και επιλογής χαρακτηριστικών. Η προτεινόμενη αρχιτεκτονική υλοποιεί μια ιεραρχική διασύνδεση στοιχειωδών ασαφών νευρωνικών ταξινομητών μικρής κλίμακας, διατεταγμένων σε στρώματα. Σε κάθε στρώμα, δύο γονείς ταξινομητές συνδυάζονται για την δημιουργία ενός νέου στοιχειώδους ταξινομητή στο επόμενο στρώμα με βελτιωμένες δυνατότητες ταξινόμησης. Εισάγονται για πρώτη φορά μέσα σε κάθε νευρώνα του δικτύου μια μονάδα συγκερασμού για τον αποτελεσματικό συνδυασμό των αποφάσεων των γονέων ταξινομητών και μια μονάδα διαμερισμού δεδομένων για το διαχωρισμό των προτύπων σε καλά ταξινομημένα και σε αμφίβολα. Το δίκτυο των στοιχειωδών ταξινομητών αναπτύσσεται με αυτο-οργανούμενο τρόπο, ακολουθώντας μια συστηματική διαδικασία αναγνώρισης δομής βασισμένης στην μέθοδο GMDH. Προτείνονται νέες βελτιωμένες παραλλαγές του αλγορίθμου GMDH, για τη αποτελεσματική αναγνώριση συνδυασμών ταξινομητών και την μείωση του υπολογιστικού φόρτου. Οι πειραματικές προσομοιώσεις σε γνωστά προβλήματα της βιβλιογραφίας αποδεικνύουν την αποτελεσματικότητα των προτεινόμενων μεθόδων. Τέλος, οι παραπάνω ταξινομητές εφαρμόζονται στην αναγνώριση των κλάσεων κάλυψης γης ενός διεθνούς οικολογικής σημασίας υγροβιότοπου, της λίμνης Κορώνειας. Για το σκοπό αυτό, χρησιμοποιείται μία πολυφασματική δορυφορική εικόνα υπερ-υψηλής ευκρίνειας προερχόμενη από το δορυφόρο IKONOS, από την οποία εξάγονται επιπλέον χαρακτηριστικά μέσα από γραμμικούς μετασχηματισμούς των αρχικών καναλιών αλλά και μετασχηματισμούς που περιγράφουν την υφή. Στο παραπάνω πλαίσιο, προτείνονται νέες μέθοδοι για την αποτελεσματική επιλογή των απαραίτητων παραμέτρων για τον υπολογισμό των χαρακτηριστικών υφής αλλά και για την αποτελεσματική διαχείριση της διαθέσιμης πληροφορίας. Η υψηλή τελική ακρίβεια ταξινόμησης αλλά και η ποιότητα των παραγόμενων θεματικών χαρτών καταδεικνύουν την ανωτερότητα των προτεινόμενων μεθόδων έναντι άλλων διαδεδομένων μεθόδων.