fa بررسی عملکرد الگوریتم‌های فراابتکاری جمعیت مبنا به منظور بهینه‌سازی پارامترهای ماشین‌های بردارپشتیبان درطبقه‌بندی تصاویرپلاریمتریک راداری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div align="right" style="direction: rtl"> با توجه به اینکه استفاده از پلاریزاسیون‌های مختلف امواج الکترومغناطیسی در تصویربرداری پلاریمتریک راداری اطلاعاتی غنی از جنبه‌های مختلف عوارض را فراهم می‌کند. امروزه تصاویر پلاریمتری به عنوان ابزار قوی و کارآمد در زمینه‌ی شناسایی عوارض مختلف در مناطق جغرافیایی پیچیده مورد توجه قرارگرفته اند. به منظور استخراج اطلاعات، طبقه‌بندی این تصاویر حائز اهمیت می-باشد. طبقه‌بندی کننده‌ی ماشین‌های بردار پشتیبان به سبب عملکردش بر مبنای ویژگی‌های هندسی و پایداری در فضا‌های با ابعاد بالا گزینه‌ی مناسبی در طبقه‌بندی تصاویر پلاریمتری محسوب می‌شود. اما عملکرد این طبقه‌بندی ‌کننده به شدت تحت تاثیر پارامترهای در نظر گرفته شده برای آن می‌باشد. بنابراین به منظور به کارگیری طبقه‌بندی کننده‌ی ماشین‌های بردار پشتیبان با بیشترین کارآیی، می‌بایست مقادیر بهینه برای این پارامترها تعیین شوند. روش‌های بهینه‌سازی سنتی متداول به سبب مواجه شدن با پیچیدگی‌های محاسباتی در این فضاهای جستجوی بزرگ اغلب به بهینه‌های محلی همگرا می‌شوند. بنابراین به منظور بدست آوردن مقدار بهینه‌ی سراسری استفاده از الگوریتم‌های بهینه‌سازی فراابتکاری که از جستجوی سراسری همراه با جستجوی محلی بهره می‌گیرند، اجتناب ناپذیر است. در این مقاله توانایی الگوریتم‌های ژنتیک، زنبورها و توده‌ی ذرات به عنوان تکنیک‌های بهینه-سازی فراابتکاری قدرتمند، در تعیین مقدار بهینه‌ی پارامترهای ماشین‌های بردار پشتیبان ارزیابی شده است. مقایسه نتایج بدست آمده، توانایی بالای الگوریتم توده‌ی ذرات را در زمینه‌ی دقت طبقه‌بندی و سرعت همگرایی نشان می‌دهد. </div> Because of using the different polarization of electromagnetic wave in Polarimetric imagery, it provides a rich source of information from the several aspects of targets. Recently, Polarimetric images as a powerful and efficient tool have been interested to identify the various objects in the complex geographic areas. In order to extracting information, classification of Polarimetric image has an important effect. Support Vector Machines (SVMs) due to their operation based on geometrical characteristics and robustness in high dimensional space, are considered as a suitable case for classification of Polarimetric images. However, the performance of SVMs classifier is strongly influenced by its parameters. Therefore, the optimum values for SVMs parameters should be determined to achieve SVMs classifier with maximum efficiency. Traditional optimization techniques because of computational complexities in the large search space usually trap in local optimum. Thereby, it is inevitable to apply Meta‌-heuristic Algorithms which performe exploration and exploitation to obtain global optimum. In this paper, the potential of Genetic, Bees and Particle Swarm Optimization (PSO) Algorithms as powerfull techniques in determining the optimum SVMs parameters are evaluated.‌ Comparing the results, demonstrates the superior performance of PSO Algorithm in terms of classification accuracy and speed of convergence. ماشین‌های بردار پشتیبان, طبقه‌بندی, تصاویر پلاریمتریک راداری, انتخاب مدل , الگوریتم زنبورها, الگوریتم توده‌ی ذرات, الگوریتم ژنتیک. Support Vector Machines, Classification, Polarimetric Image, Model Selection, Bees Algorithm, Particle Swarm Optimization Algorithm, Genetic Algorithm 65 74 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-14&slc_lang=fa&sid=1 E. Ferdosi الهه فردوسی elahe_ferdosi@ut.ac.ir 10031947532846001777 10031947532846001777 Yes گروه مهندسی نقشه‌برداری - پردیس دانشکده‌های فنی - دانشگاه تهران F. Samadzadegan فرهاد صمدزادگان samadz@ut.ac.ir 10031947532846001778 10031947532846001778 No گروه مهندسی نقشه‌برداری - پردیس دانشکده‌های فنی - دانشگاه تهران