دراینجا، ما بر اساس طبقه بندی مبتنی بر ریخت شناسی کهکشان های رادیویی از طریق روش های یادگیری ماشین نظارتی، از کهکشان های رادیویی موسوم به فاناروف-رایلی نوع I و II استفاده کردیم. تصاویر کهکشان با وضوح 5 ثانیه ی کمانی در 1.4 گیگاهرتز که توسط تلسکوپ اِف آی آراس تی (FIRST) در طول موج 20 سانتی متر ثبت شده استفاده گردیده است. سپس، از چندجمله ای شعاعی زرنیک برای استخراج گشتاورهای تصویر استفاده شده است. از چرخش، ترجمه و لحظه های تغییرناپذیر مقیاس تصاویر برای تشکیل یک مجموعه آموزش (65٪ نمونه ی کهکشان رادیویی) و یک مجموعه آزمون استفاده می شود. کلاس های مجموعه ی آزمون توسط دو طبقه بند تعیین می شود: ماشین بردار پشتیبانی و ماشین بردار پشتیبان دوقلو. به علاوه، از الگوریتم ژنتیک برای بهینه سازی طول سری گشتاور ها و یافتن مقادیر بهینه پارامترهای طبقه بند استفاده شده است. برچسب های خروجی برای شناسایی بهترین عملکرد طبقه بند مقایسه می شوند. برای انجام این کار، سطح اطمینان طبقه بندها با چهار معیار مختلف برآورد می شود: دقت سنجی، فراخوان سنجی، نمره ی F1 و صحت سنجی. تمام آزمون ها نشان می دهد که اجرای ماشین بردار پشتیبان و ماشین بردار پشتیبان دوقلو با تابع پایه ی شعاعی به عنوان یک کرنل، به میزان اطمینان بیش از 95٪ در دسته بندی کهکشان ها دست می یابد.
