卷积神经网络特征融合,两个神经网络同时训练

多分类器结合的分类方法

不同分类器的分类表现差异与其所分类数据的统计分布特征、先验知识、训练数据样本的大小以及分类器本身的结构等多个因素相关联。

对于给定的遥感数据，不同的分类器的分类精度不同，而且同一个分类器对不同类别的分类精度也不同。

一些科学家对各种分类器的表现进行了比较研究，特别是传统统计分类器和神经网络分类器之间的比较研究（Benediktsson et al.，1990；Bischof，1992；Roli et al.，1996；Roli et al.，1997），基本结论是：没有哪一个分类器是“万灵丹（panacea）”（Giacinto and Roli，1997）。

遥感数据分类结果与分类器的“设计”有关。分类器的设计包括分类特征选择和提取、适当的数据先验知识以及合适的分类方法等设计分类过程的各个方面。

例如，神经网络分类结果与神经网络结构的选择有很大关系，而K-NN分类器的表现则与合适的 K 值的选择有关。

但是，真实的遥感数据是复杂的，同一景遥感数据中不同类别数据的统计分布特征也是不同的，因此在同样的分类方法下，不同类别的分类精度差别很大，而且这种差别随不同的分类方法而不同，常常出现一些分类器只能对一部分类别的分类精度高，而另一些分类器对一部分类别分类精度高。

最大似然分类和最小距离分类结果不确定性的差异也显示出不同的分类器对不同类别的分类不确定性的差异。从这个意义上说，不同的分类器之间可能有一定的互补性。

当前关于遥感数据分类的研究大部分集中在发展新的分类器，而很少强调利用现有分类器之间的互补性，通过适当的方法将现有的各种分类算法结合起来以提高分类精度（Roli and Giacinto，1997）。

多分类器结合（multiple classifiers combination）的方法又称为多分类器融合（multiple classifiers fusion），或多分类器系统（multiple classifier systems）。

近年来，多分类器结合的思想以及关于多分类器结合方法的研究在模式识别领域逐渐兴起，并应用于模式识别应用的各个领域。

例如，Ghosh et al.（199