یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظور طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابرطیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باندها)، احتمال یکتا شدن ماتریس های برآورد شده و یا کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش از تلفیق این دو روش استفاده شده است، بدین ترتیب که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس استفاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش های سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهش، تصویر سنجنده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در امریکاست. پس از پیاده سازی روش استخراج ویژگی غیرپارامتریک وزن دار، دقت طبقه بندی کلی 85.67 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 89.26 درصد و در روش پیشنهادی دقت طبقه بندی کلی 89.34 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت کاهش پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهادی در این پژوهش مناسب تر به نظر می رسد.

طبقه بندی تصاویر به گروههای معنایی براساس ویژگیهای دیداری سطح پایین، یکی از چالشهای مهم در بازیابی و طبقه بندی تصویر است. در این مقاله، اثر ترکیب ویژگیهای رنگ، شکل و بافت و نیز وزن دار کردن مولفه های بردارهای ویژگی در طبقه بندی تصویر بررسی شده است. همچنین اثر تعداد تصاویر پایگاه داده بر نرخ طبقه بندی مطالعه شده است. برای این منظور از یک پایگاه تصویر شامل 10 گروه معنایی، هر گروه شامل 100تصویر، استفاده شده است. برای طبقه بندی از روشk  همسایه نزدیکتر و برای تخمین نرخ آن از روش "یکی را کنار بگذار" استفاده شده است. تعیین وزن مناسب برای هر یک از مولفه های یک نوع ویژگی و نیز تعیین وزن های بهینه در ترکیب انواع متفاوت ویژگیها با الگوریتم وراثتی انجام شده است.

در این تحقیق با استفاده از روش بهینه سازی چند منظوره گروه ذرات طبقه بندی کننده ای ارایه شده است که همزمان قادر به بهینه سازی شاخص های متفاوت و مهمی در تشخیص الگو نظیر قابلیت اطمینان، نرخ تشخیص صحیح و تعداد ابر صفحه های لازم برای مرزبندی موثر کلاس های متفاوت در فضای ویژگی می باشد. در طراحی طبقه بندی کننده پیشنهاد شده مسایل مهم فوق-برازش و فوق-آموزش نیز بر طرف شده است. توانایی دستیابی همزمان به شاخص های مذکور در سایر طبقه بندی کننده های مبتنی بر روش های هوش جمعی وجود ندارد. نتایج عملی به دست آمده بر روی داده های آزمایشی نشان می دهند که طبقه بندی کننده چند منظوره پیشنهادی با تخمین جبهه پرتو بهترین مجموعه انتخابی از ابر صفحه های جدا کننده کلاس های مختلف را برای برپایی شرایط دلخواه کاربر در خصوص انتخاب شاخص های فوق الذکر، فراهم می آورد.

در این مقاله مساله طبقه بندی سیگنال های EEG مبتنی بر تصور حرکتی برای یک سامانه واسط مغز- رایانه (BCI)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا، نیاز به طراحی ماتریس واژه نامه قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سامانه های BCI، از این روش برای طراحی ماتریس واژه نامه استفاده شده است. از معایب CSP حساس به نوفه بودن و مساله فرایادگیری در مجموعه های آموزشی کم است. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نام های GLRCSP و DLRCSP و استفاده شده است. استفاده از این روش ها منجر به افزایش میانگین درصد صحت تشخیص به میزان حدود %7.78 نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه بندی کننده SRC که از الگوریتم پایه BP استفاده می کند، زمان بربودن آن است. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده کردیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان %1.61 نسبت به الگوریتم استاندارد پایه می شود.