机器学习在遥感数据分析上的应用(二)

Contribution of Machine Learning to Remote Sensing Data Analysis

· Neural Networks（神经网络）

神经网络中最基本的成分是神经元模型。神经元接收来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，再通过激活函数（eg：sigmoid函数）处理以产生神经元的输出。

· 神经网络-多层感知器（MLP ）

多层感知器是一个前馈神经网络，前馈意味着信息遵循从输入到预测输出的顺序流(没有循环）包括至少一个隐藏层（除了一个输入层和一个输出层以外）。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。

隐藏层的作用是学习数据的特定属性。如果数据关系比较复杂，则需要一个容量比较大的模型。隐藏层可以学习数据中的不同结构，并将它们非线性的组合起来。

· 神经网络-BP(反向传播)算法

其目标是：最小化训练集D上的累积误差。步骤是：输入-信号向前传（产生输出层的结果）-计算输出层的误差-误差逆向传播至隐层神经元-调整连接权和阈值。

· 神经网络-卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含计算且具有深度结构的（Feedforward Neural Networks），是（deep learning）的代表算法之一。

卷积层：卷积操作提供平移不变性，即图像经过平移后保持不变。

池化层（pooling）：可以理解为子采样，其目的是减少参数的数量。池化分为最大值池化和平均值池化。

全连接层：全连接层就是连在最后的分类器，是一个普通的BP网络.

· Manifold Learning（流形学习）

流形是一般几何图像的总称。

流形学习是认为，我们所能观察到的数据实际上是由一个低维流形映射到高维空间上的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上只需要比较低的维度就能唯一地表示。高维空间有冗余，低维空间没冗余。也就是说，流形学习通过保持相邻样本之间的局部结构，进行非线性降维。

· Manifold Learning（流形学习）-流行学习方法

· 局部线性嵌入（LLE）

放弃所有样本全局最优的降维，只是通过保证局部最优来降维，用邻域的线性组合来描述数据样本的局部结构，通过最小化重构误差来找到最优表示：

LLE在低维空间保持Wi不变，Xi对应低维空间坐标Zi，则

· 拉普拉斯映射（LE）

LE也是从局部构建数据之间的关系，是一种基于图的降维算法，它希望相互间有关系的点（在图中相连的点）在降维后的空间中尽可能的靠近，从而在降维后仍能保持原有的数据结构。

· 等度量映射（Isomap）

Isomap是一个全局模型，认为测地线距离更能反映样本之间在流形中的真实距离。对每个点基于欧氏距离找出其近邻点，然后建立一个近邻连接图，图中近邻点之间存在连接，而非近邻点之间不存在连接，于是，计算两点之间测地线距离的问题就转变为计算近邻连接图上两点之间的最短路径问题。

· 局部切空间对齐（LTSA）

用每个数据样本的局部切线空间描述局部几何，并找到一个对齐流形切线超平面的嵌入。

流形学习主要应用于高光谱图像的分析—特别是高光谱图像的分解。

· 流形学习在遥感上的应用

· 在高光谱图像分类的应用

· 局部流形学习和KNN分类相结合

· 基于稀疏和流形的表示的结合

· 基于稀疏鉴别嵌入的监督降维高光谱图像分类方法

· 局部流形对齐方法：用于在公共流形空间中对多时相高光谱图像进行分类。

· 监督流形学习的概念用于高光谱目标检测问题

如有错误欢迎指出！

图片来源于网络，侵权请联系删除！