通俗而言，统计模式识别主要是将一种模式正确地分成几种现有的模式类，其研究的热点问题主要包括图像预处理、特征提取与选择、参数或非参数概率密度估计、控制决策、结果评估、后期处理、有监督或无监督学习训练以及簇分析。
遥感数据主要来源于安装在卫星或空间航天器上的多谱段、超谱段、雷达、光学或红外传感器，这些现有的大量遥感数据使得统计模式识别尤为适用。现有的统计模式识别理论，绝大部分是从20世纪 60年代发展起来的，主要有基于贝叶斯近邻域决策和密度估计理论的模式识别构建，将Parzen密度估计应用非参数模式识别，统计长度测量和错误边界于边缘提取，Fisher线性判别式和多分类归纳，K均值算法等。人工神经网络和支持向量机经过近20年的发展，它们也被应用于统计分类器中。
特征提取与选择是统计模式识别中一个最基本的问题。在遥感图像中，一个简单的特征提取和还原主要应用诸如主成分分析（PCA）、独立分量分析（ICA）和小波分析等变换方法。从模式分类的角度出发，神经网络方法特别适用于统计模式识别，尤其适用于解决遥感问题，因为它很少依赖于训练样本，极少根据Hughes现象选择网络结构；支持向量机也由于其同样的优点而成功应用于统计模式识别中。
遥感数据主要来源于安装在卫星或空间航天器上的多谱段、超谱段、雷达、光学或红外传感器，这些现有的大量遥感数据使得统计模式识别尤为适用。现有的统计模式识别理论，绝大部分是从20世纪 60年代发展起来的，主要有基于贝叶斯近邻域决策和密度估计理论的模式识别构建，将Parzen密度估计应用非参数模式识别，统计长度测量和错误边界于边缘提取，Fisher线性判别式和多分类归纳，K均值算法等。人工神经网络和支持向量机经过近20年的发展，它们也被应用于统计分类器中。
特征提取与选择是统计模式识别中一个最基本的问题。在遥感图像中，一个简单的特征提取和还原主要应用诸如主成分分析（PCA）、独立分量分析（ICA）和小波分析等变换方法。从模式分类的角度出发，神经网络方法特别适用于统计模式识别，尤其适用于解决遥感问题，因为它很少依赖于训练样本，极少根据Hughes现象选择网络结构；支持向量机也由于其同样的优点而成功应用于统计模式识别中。
通俗而言，统计模式识别主要是将一种模式正确地分成几种现有的模式类，其研究的热点问题主要包括图像预处理、特征提取与选择、参数或非参数概率密度估计、控制决策、结果评估、后期处理、有监督或无监督学习训练以及簇分析。
遥感数据主要来源于安装在卫星或空间航天器上的多谱段、超谱段、雷达、光学或红外传感器，这些现有的大量遥感数据使得统计模式识别尤为适用。现有的统计模式识别理论，绝大部分是从20世纪 60年代发展起来的，主要有基于贝叶斯近邻域决策和密度估计理论的模式识别构建，将Parzen密度估计应用非参数模式识别，统计长度测量和错误边界于边缘提取，Fisher线性判别式和多分类归纳，K均值算法等。人工神经网络和支持向量机经过近20年的发展，它们也被应用于统计分类器中。
特征提取与选择是统计模式识别中一个最基本的问题。在遥感图像中，一个简单的特征提取和还原主要应用诸如主成分分析（PCA）、独立分量分析（ICA）和小波分析等变换方法。从模式分类的角度出发，神经网络方法特别适用于统计模式识别，尤其适用于解决遥感问题，因为它很少依赖于训练样本，极少根据Hughes现象选择网络结构；支持向量机也由于其同样的优点而成功应用于统计模式识别中。
遥感数据主要来源于安装在卫星或空间航天器上的多谱段、超谱段、雷达、光学或红外传感器，这些现有的大量遥感数据使得统计模式识别尤为适用。现有的统计模式识别理论，绝大部分是从20世纪 60年代发展起来的，主要有基于贝叶斯近邻域决策和密度估计理论的模式识别构建，将Parzen密度估计应用非参数模式识别，统计长度测量和错误边界于边缘提取，Fisher线性判别式和多分类归纳，K均值算法等。人工神经网络和支持向量机经过近20年的发展，它们也被应用于统计分类器中。
特征提取与选择是统计模式识别中一个最基本的问题。在遥感图像中，一个简单的特征提取和还原主要应用诸如主成分分析（PCA）、独立分量分析（ICA）和小波分析等变换方法。从模式分类的角度出发，神经网络方法特别适用于统计模式识别，尤其适用于解决遥感问题，因为它很少依赖于训练样本，极少根据Hughes现象选择网络结构；支持向量机也由于其同样的优点而成功应用于统计模式识别中。
打印
关闭