بهتازگی روشهای تجزیهی طیفی تصاویر فراطیفی، به‌عنوان ابزاری قدرتمند در شناسایی عوارض موجود در پیکسل‌های مختلط، به‌طور گسترده‌ای مورد اقبال پژوهشگران قرار گرفته‌اند. از میان الگوریتمهای ارائه‌شده برای تجزیهی طیفی تصاویر فراطیفی، فاکتورگیری ماتریس نامنفی (NMF) به علت اعمال قید نامنفی بودن بر فراوانی‌های حاصل از تجزیهی طیفی و همچنین استخراج هم‌زمان طیف و فراوانی اعضای خالص، بیش از سایر روش‌ها مورد توجه قرار گرفته است. علیرغم این توانایی‌ها، NMF به علت داشتن تابع هدف نامحدب دارای جوابهای محلی فراوانی است که در مطالعات مختلف با افزودن قیدهایی به تابع هزینهی آن، تلاش‌هایی برای دستیابی به نتایج بهینهی سراسری صورت پذیرفته است. با این‌حال، روشهای بر مبنای NMF همچنان دارای جوابهای محلی هستند. در پژوهش حاضر با استفاده از یک روش تکراری و با تکیه بر تئوری یادگیری گروهی و ترکیب وزن‌دار نتایج به‌دست‌آمده از تکرارهای مختلف الگوریتم تجزیهی طیفی L1/2-NMF، فرآیند استخراج طیف‌ها و فراوانی‌های حاصل از این الگوریتم بهبود یافته است. روش پیشنهادی روشی غیرپارامتریک و از نظر ریاضی روشن است که میتوان فرآیند پیشنهادی در آن را به الگوریتمهای پیشرفتهتری از تجزیهی طیفی تعمیم داد. روش پیشنهادی بر روی داده‌های مختلف مصنوعی و واقعی اجرا گردیده است. نتایج حاصل از آزمایش‌های موجود در این پژوهش، بر روی هر دو دسته از داده‌های فراطیفی، حاکی از کارایی این روش نسبت به روشهای مشهور در شناسایی عوارض موجود در پیکسل‌های مختلط است.
Gholinejad S, Shad R, Sadoghi Yazdi H, Ghaemi M. An Ensemble Learning Based Method for the Improvement of Nonnegative Matrix Factorization (NMF). JGST 2019; 8 (3) :59-68 URL: http://jgst.issgeac.ir/article-1-619-fa.html
قلی نژاد سعید، شاد روزبه، صدوقی یزدی هادی، قائمی مرجان. ارائه روشی مبتنی بر یادگیری گروهی برای بهبود نتایج حاصل از فاکتورگیری ماتریس نامنفی (NMF). علوم و فنون نقشه برداری. 1397; 8 (3) :59-68
