最大似然分类器的基本思想和数学原理_第1页
最大似然分类器的基本思想和数学原理_第2页
最大似然分类器的基本思想和数学原理_第3页
最大似然分类器的基本思想和数学原理_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1.2.1 最大似然分类器的基本思想和数学原理最大似然分类法将卫星遥感多波段数据的分布当作多维正态分布来构造判别分类函数。其基本思想是：各类的已知像元的数据在平面或空间中构成一定的点群；每一类的每一维数据在自己的数轴上形成一个正态分布，该类的多维数据就构成该类的一个多维正态分布，有了各类的多维分布模型，对于任何一个未知类别的数据向量，都可反过来求它属于各类的概率；比较这些概率的大小，看属于哪一类的概率大，就把这个数据向量或这个像元归为该类3，可表示为： （11）式中，m是波段数； 是第k类的m维正态分布密度函数，由它可以看出在第K类中m维随机变量x出现各种可能值的概率大小。像元的m维数据向量可表示为： （12）是第K类每个波段的均值 所构成的均值向量 （13）是矩阵的逆矩阵。是矩阵的行列式。是第k类m个波段值的协方差矩阵，如下式： （14）其中，是第k类的像元数；是第k类的类内离差矩阵。如下式： （1-5）式中，是第k类的类内方差；而及等是第k类的类内协方差。有了g个概率密度函数（也叫类分布函数），对任何一个已知的m维数据向量（即1个像元）都可反过来计算它属于g个类中第k类的概率。根据概率公式，即贝叶斯公式有： （16）式中， 是任何一个m维数据向量（即像元）属于第k类的概率； 是第k类的m维正态分布密度（概率密度）函数; 是在所考虑的全部数据中出现该数据向量x的概率； 是第k类在所考虑的全部数据中出现的概率，或者说第k类在g个类中出现的概率，称为先验概率，g个类的先验概率的总和等于1。 对于任何一个m维数据向量x，都可用式（16）分别计算它们属于各类的概率，然后比较所得各概率的大小，从而把该数据向量x（即该像元）判归概率值最大的那一类。因为式（16）中的只考虑数据全体而不考虑类，因而与类无关，所以我们判别归类时可以不考虑它，只需比较式中的分子的大小就可以了。简化后得： （17）为了计算简便取对数： （18）即： （19） 假定所有各类的协方差矩阵都相等，即 ，则可用所有各类的协方差矩阵S来代替各个 ： （110） （111） 如果各类的先验概率相等，那么式（17）第1项各类数值相等，即与类无关，判别式又可不考虑它们。此时也可令： （112） （113） （114）于是式（111）可以写成： （115）也可写成： （116）上面的式一个m维向量，而是一个数值。式（115）和式（116）就是第k类的判别函数。考虑先验概率时用式（115）；不考虑先验概率时用式（116）。根据可以返回去求得 （117）用式（117）计算有时会在计算机上溢出，可改用下式： （118）显然，哪一类的最大也
人人文库> 全部分类> 应用文书 > 事务文书

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论