1、监督分类法：选择具有代表性的典型实验区或训练区，选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来用训练区中已知地面各类地物样本的光谱特性来“训练训练”计算机，获得识别各类地物的判别函数或模式，并以此计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类对未知地区的像元进行分类处理，分别归入到已知的类别中。别中。非监督分类：是在没有先验类别（训练场地）作为样本是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像
2、元归为一类）似度的大小进行归类合并（即相似度的像元归为一类）的方法。的方法。l收集现场信息l在屏训练数据多边形选择l在屏训练数据的种子选择获取每个感兴趣类在各波段上的训练统计量后，必须确定能最有效区分各种类的波段方法：统计分析方法图形分析方法距离作为判别准则，根据像点到各类中心的距离来判别分类piijijMxD12)(piijijMxD1|不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到类中心的距离来划分像元的归属；自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。 piijijijMxD122/)(21/ |ij
3、piijijMxD高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层邻对象邻对象子对象子对象父对象父对象结果不理想确定分类特征，选择和编辑隶属度函数，确定模糊逻辑运算方式结 束模糊化反模糊化模糊规则处理对每个目标类的每一特征，把对象的特征值带到对应隶属度函数求隶属度根据结合方式计算最终隶属度元组求元组中最大隶属度，如果大于阈值则将对象划分给对应的类，否则不分确定目标类设定分类阈值作操辑逻目标类2目标类3目标类n目标类1特征1特征2特征3特征m结果特
4、征元c1c2c3c4表示对应目标类中所选择的特征数据输入认知基元模糊分类输出结果基元特征库专家决策知识库351. R个输入piR R，即R维输入矢量p p2. n: net input, n=wpwp+b。1. R个权值wiR R，即R维权矢量w w2. 阈值b3. 输出a=f(n), f: transfer function教师神经网络比较环境实际输出输入期望输出误差信号p(n)t(n)a(n)e(n)第八章 人工神经网络40u对于输出层第k个神经元的实际输出: ak(n)目标输出: tk(n) 误差信号: ek(n) = tk(n) - ak(n)目标函数为基于误差信号ek(n)的函数，如
5、误差平方和判据(sum squared error, SSE)，或均方误差判据(mean squared error, MSE, 即SSE对所有样本的期望)211()() ()22TkkJEenEnnee211()()() ()22TkkJnennneeSSEMSEkJ w.Tkkewpkjkjwe pdelta学习规则TWep(0)W( )kta()(1)jjjjjtaaa(1)jjjjiiiaawijjiwa (1)( )ijijijwtwtw 根据神经网络运行过程中的信息流向，可分为前馈式根据神经网络运行过程中的信息流向，可分为前馈式和反馈式两种基本类型。前馈网络的输出仅由当前输入和和反
6、馈式两种基本类型。前馈网络的输出仅由当前输入和权矩阵决定，而与网络先前的输出状态无关。权矩阵决定，而与网络先前的输出状态无关。 美国加州理工学院物理学家美国加州理工学院物理学家J.J.HopfieldJ.J.Hopfield教授于教授于19821982年提出一种单层反馈神经网络，后来人们将这种反馈网络年提出一种单层反馈神经网络，后来人们将这种反馈网络称作称作Hopfield Hopfield 网。网。 网络的结构与工作方式网络的结构与工作方式 离散型反馈网络的拓扑结构离散型反馈网络的拓扑结构 x1 x2 xi xn T1 T2 Ti Tn ) t (X) tt (X0t 综合评判综合评判根据多个因素对事物进行评定，称为综合评判.模型已知条件：, ) 1 (21iinaxxxxX的权重为因素因素集, 11niia);,(21naaaA得权重向量;, )2(21myyyY评判等级),(, )3(21imiiirrrx评判结果为单因素评判结果。对.个等级的程度而言，隶属于第表示就其中jxriij问题：综合考虑.,21后的评判结果nxxx
