ارائه روشی مبتنی بر یادگیری گروهی برای بهبود نتایج حاصل از فاکتورگیری ماتریس نامنفی (NMF)

به تازگی روش های تجزیه ی طیفی تصاویر فراطیفی، به عنوان ابزاری قدرتمند در شناسایی عوارض موجود در پیکسل های مختلط، به طور گسترده ای مورد اقبال پژوهشگران قرار گرفته اند. از میان الگوریتم های ارائه شده برای تجزیه ی طیفی تصاویر فراطیفی، فاکتورگیری ماتریس نامنفی (NMF) به علت اعمال قید نامنفی بودن بر فراوانی های حاصل از تجزیه ی طیفی و همچنین استخراج هم زمان طیف و فراوانی اعضای خالص، بیش از سایر روش ها مورد توجه قرار گرفته است. علیرغم این توانایی ها، NMF به علت داشتن تابع هدف نامحدب دارای جواب های محلی فراوانی است که در مطالعات مختلف با افزودن قیدهایی به تابع هزینه ی آن، تلاش هایی برای دست یابی به نتایج بهینه ی سراسری صورت پذیرفته است. با این حال، روش های بر مبنای NMF همچنان دارای جواب های محلی هستند. در پژوهش حاضر با استفاده از یک روش تکراری و با تکیه بر تئوری یادگیری گروهی و ترکیب وزن دار نتایج به دست آمده از تکرارهای مختلف الگوریتم تجزیه ی طیفی L1/2-NMF، فرآیند استخراج طیف ها و فراوانی های حاصل از این الگوریتم بهبود یافته است. روش پیشنهادی روشی غیرپارامتریک و از نظر ریاضی روشن است که می توان فرآیند پیشنهادی در آن را به الگوریتم های پیشرفته تری از تجزیه ی طیفی تعمیم داد. روش پیشنهادی بر روی داده های مختلف مصنوعی و واقعی اجرا گردیده است. نتایج حاصل از آزمایش های موجود در این پژوهش، بر روی هر دو دسته از داده های فراطیفی، حاکی از کارایی این روش نسبت به روش های مشهور در شناسایی عوارض موجود در پیکسل های مختلط است.