DA技術(shù)首先應(yīng)用基于自組織特征映射的聚類技術(shù)：利用自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)源域和目標(biāo)域的樣本進(jìn)行聚類，然后用兩級(jí)聚類映射方法來識(shí)別樣本分布相似性最高的目標(biāo)-源簇。使用自動(dòng)編碼策略將來自一組相似目標(biāo)簇的樣本按照源域進(jìn)行轉(zhuǎn)換，構(gòu)建訓(xùn)練集和測(cè)試集，最后基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類。

• 領(lǐng)域自適應(yīng)

在遙感應(yīng)用中的主要挑戰(zhàn)：目標(biāo)域樣本與源域樣本的概率分布不同。然而，目標(biāo)域分布必須使用僅來自源域的大量標(biāo)記樣本來建模。

• 解決方法

a.調(diào)整源分類器的參數(shù)，對(duì)來自目標(biāo)域的未標(biāo)記樣本進(jìn)行分類——存在噪聲、離群點(diǎn)和固有特性從源域傳播的問題。

b.將目標(biāo)域特征合并到分類器的訓(xùn)練集中

• 土地覆蓋分類領(lǐng)域自適應(yīng)技術(shù)的發(fā)展趨勢(shì)

a.第一類強(qiáng)調(diào)樣本從兩個(gè)域直接轉(zhuǎn)化為一個(gè)可以抵消分布差異的全同子空間。

b.第二類是遷移學(xué)習(xí)，它使用來自源領(lǐng)域的樣本從目標(biāo)領(lǐng)域中選擇信息量最大或最多樣化的樣本。

研究方法：

a. 兩級(jí)聚類映射：

在第一級(jí)，分別計(jì)算第t個(gè)目標(biāo)簇和第s個(gè)源簇的特征的差異。然后，將第t個(gè)目標(biāo)簇與第j個(gè)特征差異最小的源簇配對(duì)。除此之外，還對(duì)所有成對(duì)的目標(biāo)-源簇對(duì)計(jì)算了一個(gè)置信度度量。在第二階段，采用半自動(dòng)閾值選擇算法，分離出最相似配對(duì)的源-目標(biāo)簇和不相似的源-目標(biāo)簇，只保留最相似配對(duì)的目標(biāo)-源簇;同時(shí)將剩余的配對(duì)排除為不相似簇。

具體為自動(dòng)編碼器將來自最相似配對(duì)的目標(biāo)簇的樣本按照相應(yīng)的源簇轉(zhuǎn)換。對(duì)于不相似的目標(biāo)簇，選取離簇中心最近的r個(gè)樣本作為標(biāo)記代表(包含了最終訓(xùn)練集中目標(biāo)區(qū)域分布特征的信息)，利用遷移學(xué)習(xí)過程進(jìn)行標(biāo)記。

二級(jí)聚類映射流程圖

b. 自組織特征映射(Self-organizing feature mapping-SOM )

自組織神經(jīng)網(wǎng)絡(luò)：輸入層模擬感知外界輸入信息的視網(wǎng)膜，輸出層模擬做出響應(yīng)的大腦皮層。

主要用于完成的任務(wù)基本還是"分類"和"聚類"，前者有監(jiān)督，后者無監(jiān)督。聚類的時(shí)候也可以看成將目標(biāo)樣本分類，只是沒有任何先驗(yàn)知識(shí)，目的是將相似的樣本聚合在一起，而不相似的樣本分離。

網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競(jìng)爭(zhēng)以求被激活，結(jié)果在每一時(shí)刻只有一個(gè)輸出神經(jīng)元被激活。這個(gè)被激活的神經(jīng)元稱為競(jìng)爭(zhēng)獲勝神經(jīng)元，而其它神經(jīng)元的狀態(tài)被抑制

自組織特征映射結(jié)構(gòu)

自組織特征映射步驟

• 向量歸一化
• 尋找獲勝神經(jīng)元 ：當(dāng)網(wǎng)絡(luò)得到一個(gè)輸入向量X時(shí)，輸出層的所有神經(jīng)元對(duì)應(yīng)的權(quán)重向量均與其進(jìn)行相似性比較，并將最相似的權(quán)重向量判為獲勝神經(jīng)元
• 網(wǎng)絡(luò)輸出與權(quán)值調(diào)整 ：以獲勝神經(jīng)元為中心設(shè)定一個(gè)鄰域半徑R，該半徑圈定的范圍稱為優(yōu)勝鄰域，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其離開獲勝神經(jīng)元的距離遠(yuǎn)近不同程度地調(diào)整權(quán)值。

優(yōu)勝鄰域開始定得很大，但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮，最終收縮到半徑為零。

c. 基于ANNs的分類器

多層感知器(MLP)

MLP是一個(gè)具有一個(gè)或多個(gè)隱層的前饋神經(jīng)網(wǎng)絡(luò), 通過最小化期望類標(biāo)簽和預(yù)測(cè)類標(biāo)簽之間的平方和誤差，調(diào)整連續(xù)層神經(jīng)元之間節(jié)點(diǎn)連接的權(quán)重。主要用到徑向基函數(shù)(RBF)，橢圓基函數(shù)(EBF)，RBF的拓展。

分類流程圖

d. 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

優(yōu)點(diǎn)：逼近能力，分類能力和學(xué)習(xí)速度好，學(xué)習(xí)收斂速度快、能夠逼近任意非線性函數(shù)，克服局部極小值問題。(原因在于其參數(shù)初始化具有一定的方法，并非隨機(jī)初始化。)

基本思想：用RBF作為隱單元的"基"構(gòu)成隱藏層空間，隱藏層對(duì)輸入矢量進(jìn)行變換，這樣就可以將輸入矢量直接(不通過權(quán)連接)映射到隱空間(將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分)。隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)輸出是隱單元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。