6土地信息分析模型.pptVIP

6土地信息分析模型;;1 概述 2 主成分分析模型 3 关联度模型 4 模糊综合评价模型 5 层次分析模型 6 人工神经网络;1 概述; 6.1 概述;二、主成分分析法 主成分分析（Principal?Component?Analysis）是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠。; 2 主成分分析模型;3 关联度模型;大家学习辛苦了，还是要坚持;3 关联度模型;3 关联度模型;4 模糊综合评价模型;4 模糊综合评价模型; 4 模糊综合评价模型; 4 模糊综合评价模型; 4 模糊综合评价模型; 4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;4 模糊综合评价模型;5 层次分析模型;5 层次分析模??;5 层次分析模型;5 层次分析模型;5 层次分析模型;3、计算权重;;;5 层次分析模型;;;方根法： ;6.5 层次分析模型;;熵权法;6人工神经网络;6人工神经网络;6人工神经网络;;;6.6人工神经网络;6人工神经网络 ;神经网络的学习方式可分为两类：有导师学习和无导师学习。 ①有导师学习 有导师学习又称为有监督学习，在学习时需要给出导师信号或称为期望输出。神经网络对外部环境是未知的，但可以将导师看做对外部环境的了解，由输入-输出样本集合来表示。导师信号或期望响应代表了神经网络执行情况的最佳效果，即对于网络输入调整网络参数，使得网络输出逼近导师信号或期望输出。;②无导师学习 无导师学习包括强化学习和无监督学习。强化学习是模仿生物在“试探—评价”的环境中获得知识，改进行动方案以适应环境的特点，具有向环境学习已增长知识的能力。在无监督学习中没有外部导师或评价系统来统观学习过程，而是提供一个关于网络学习表示方法质量的测量尺度，根据该尺度将网络的自由参数最优化。一旦网络与输入数据的统计规律性达成一致，就能够形成内部表示方法来为输入特征编码，并由此自动得出新的类别。;6.6人工神经网络;6人工神经网络;6人工神经网络;6人工神经网络;