ArcGIS教程：模糊分类的工作原理

最新推荐文章于 2023-05-31 16:30:01 发布
最新推荐文章于 2023-05-31 16:30:01 发布
阅读量2.9k 收藏 7
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dsac1/article/details/46772697
版权
模糊分类工具在ArcGIS中用于基于概率对数据进行重分类，0表示确定不属于，1表示确定属于，介于两者之间表示可能性。工具利用特定函数如模糊线性、模糊高斯等转换连续输入数据，适用于需要模糊叠加分析的场景。模糊高斯适用于正态分布，模糊较大值和较小值考虑输入值大小，模糊线性基于用户指定范围进行线性转换。
摘要由CSDN通过智能技术生成

　　模糊分类工具基于属于指定集合的概率对输入数据进行重分类或转换至介于 0 到 1 的范围内。0 分配给确定不属于指定集合的位置，1 分配给确定属于指定集合那些值，0 到 1 之间整个范围的概率分配给某些等级的可能成员(值越大，概率越大)。

　　可以使用 ArcGIS Spatial Analyst 扩展模块中任意数量的可用函数和运算符对输入值进行转换，将这些值重分类为 0 到 1范围内的概率范围。但是，模糊分类工具允许根据一系列适用于模糊化处理的特定函数对连续的输入数据进行转换。例如，模糊线性分类函数将输入值线性地转换到 0 到 1 的范围内，其中为最小输入值分配 0，为最大输入值分配 1。所有中间值都将基于线性比例获取到某些分类值，其中为较大的输入值分配较大的概率或接近 1 的概率。

　　在脚本语言中，这些函数都被实现为对应的 Python 类。

　　由于这些分类函数特定于连续的输入数据，在需要将分类数据用作“模糊叠加”分析的输入时，则需要使用任意数量的 Spatial Analyst 工具将该数据转换为 0 到 1 概率的分类范围。最适用于此过程的两个工具是重分类和分割。重分类工具允许将分类数据转换到 0 到 10 的范围(无法使用此工具将数据直接重分类到 0 到 1 的范围)内，然后将转换所得的数据除以 10 以获取 0 到1 之间的范围。

　　各分类函数在公式和应用方面都有所不同。使用哪个函数具体取决于哪个函数能够根据正在模拟的现象最好地捕获到数据的变换。可以通过一系列输入参数进一步优化各个分类函数的特征。

　　以下是各种模糊分类函数及其最适用对象的列表。

模糊分类类型

　　以下对七个模糊分类函数进行了逐一说明。

　　模糊高斯

　　模糊高斯函数将原始值转换为正态分布。正态分布的中点为集合定义了理想定义，为该中点分配值 1，而分类过程中的

最低0.47元/天 解锁文章
地理国情监测云平台
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
神经模糊分类器：共有三种分类器和一种基于神经模糊的特征选择方法。-matlab开发
05-30
众所周知，没有足够的关于神经模糊分类器的 Matlab 程序。 一般使用ANFIS作为分类器。 ANFIS 是一个函数逼近程序。 但是，使用 ANFIS 进行分类是不利的。 例如，有3个类别，分别标记为1、2和3。ANFIS输出不是整数。 出于这个原因，ANFIS 输出被四舍五入，并确定了类标签。 但是，有时，ANFIS 可以给出 0 或 4 个类别标签。 不接受这些情况。 因此，ANFIS 不适用于分类问题。 在这项研究中，我准备了不同的自适应神经模糊分类器。 在下面给出的所有程序中，我使用 k-means 算法来初始化模糊规则。 出于这个原因，用户应该给出每个类的簇数。 此外，高斯隶属函数仅用于模糊集描述，因为其简单的导数表达式第一个是 scg_nfclass.m。 该分类器基于 Jang 的神经模糊分类器 [1]。 区别在于规则权重和参数优化。 规则权重根据规则样本的数量进行调整。
如何使用ArcMap对栅格数据进行归一化操作
最新发布
weixin_62100318的博客
12-29 3035
【工具箱\系统工具箱\Spatial Analyst Tools.tbx\叠加分析\模糊隶属度】只需再【分类值类型】处选择“线性函数”即可，其余参数保持默认。先通过图层属性获知栅格数据的最大最小值。作为示例进行操作展示。
ArcGIS教程：将模糊逻辑应用于叠加栅格（一）
07-24 2274
模糊逻辑可用作叠加分析方法，来求解诸如地点选择和适宜性模型等传统的叠加分析应用。 　　模糊逻辑的基本前提是空间数据的属性和几何中存在误差。模糊逻辑提供了用于解决两种类型的误差的方法，但由于模糊逻辑与叠加分析相关，因此其重点关注的是属性数据中的误差。类的定义以及现象的测量值中是属性数据中出现误差的两个主要方面。这两种误差源(尤其在类的定义中)可在将像元指定给特定类时造成不精确的结果。 　　分类中
ArcGIS Pro空间数据挖掘：聚类分析学习
shanyao1119的博客
05-09 4875
学习空间分析，聚类工具【Optimized Hot Spot Analysis】看高低值分布情况和【Density-based Clustering】&【Build Balanced Zones】聚类
【计算智能】模糊分类与聚类
weixin_49975462的博客
10-27 3658
模糊分类与聚类基于规则的分类规则的学习【例】基于模糊逻辑的图像边缘提取1 图像边缘简介2**边缘提取的核心思想**：3 基于模糊逻辑的图像边缘提取模糊聚类模糊k-均值聚类k-均值聚类模糊k-均值聚类区别和联系模糊k-均值聚类特点：模糊分类分类在多元文本分类中的应用 模式识别方法的选择取决于对象的特征和问题的性质，模糊分类采用模糊数学语言对事物按照规则或隶属度进行描述和分类. 非参数分类方法——以类别隶属度表达特征属于某一类别的程度 基于经验规则而不具有自学习的特征 模糊分类简单实用，方法的局限性限制了
ArcGIS教程：模糊叠加的工作原理
02-28
模糊叠加是一种在地理信息系统（GIS）中用于多准则分析的技术，尤其在ArcGIS软件中得到广泛应用。它基于模糊集合理论，旨在处理不确定性和复杂的关系，使得我们可以分析一个现象同时属于多个集合的可能性。模糊叠加...
ArcGIS教程：模糊隶属
03-19
ArcGIS教程：模糊隶属 ArcGIS教程：模糊隶属是指根据指定的模糊化算法，将输入栅格转换为 0 到 1 数值范围以指示其对某一集合的隶属度。该技术广泛应用于地理信息系统（GIS）和遥感技术领域，旨在解决实践中对空间...
ArcGIS教程：山体阴影工作原理.
07-10
《ArcGIS教程：深入理解山体阴影的工作原理》 ArcGIS中的山体阴影工具是一种强大的地理信息系统（GIS）分析功能，它能通过模拟光照效果，为地形数据提供更丰富的视觉表现力。山体阴影工具的核心在于它能为栅格数据...
arcgis数据处理归一化和标准化.tbx
08-28
ARCGIS数据处理标准化和归一化的处理工具箱
模糊神经网络分类器
10-30
It is known that there is no sufficient Matlab program about neuro-fuzzy classifiers. Generally, ANFIS is used as classifier. ANFIS is a function approximator program. But, the usage of ANFIS for classifications is unfavorable. For example, there are three classes, and labeled as 1, 2 and 3. The ANFIS outputs are not integer. For that reason the ANFIS outputs are rounded, and determined the class labels. But, sometimes, ANFIS can give 0 or 4 class labels. These situations are not accepted. As a result ANFIS is not suitable for classification problems. In this study, I prepared different adaptive neuro-fuzzy classifiers. In the all programs, which are given below, I used the k-means algorithm to initialize the fuzzy rules. For that reason, the user should give the number of cluster for each class. Also, Gaussian membership function is only used for fuzzy set descriptions, because of its simple derivative expressions The first of them is scg_nfclass.m. This classifier based on Jang’s neuro-fuzzy classifier [1]. The differences are about the rule weights and parameter optimization. The rule weights are adapted by the number of rule samples. The scaled conjugate gradient (SCG) algorithm is used to determine the optimum values of nonlinear parameters. The SCG is faster than the steepest descent and some second order derivative based methods. Also, it is suitable for large scale problems [2]. The second program is scg_nfclass_speedup.m. This classifier is similar the scg_nfclass. The difference is about parameter optimization. Although it is based on SCG algorithm, it is faster than the traditional SCG. Because, it used least squares estimation method for gradient estimation without using all training samples. The speeding up is seemed for medium and large scale problems [2]. The third program is scg_power_nfclass.m. Linguistic hedges are applied to the fuzzy sets of rules, and are adapted by SCG algorithm. By this way, some distinctive features are emphasized by power values, and some irrelevant features are damped with power values. The power effects in any feature are generally different for different classes. The using of linguistic hedges increase the recognition rates [3]. The last program is scg_power_nfclass_feature.m. In this program, the powers of fuzzy sets are used for feature selection [4]. If linguistic hedge values of classes in any feature are bigger than 0.5 and close to 1, this feature is relevant, otherwise it is irrelevant. The program creates a feature selection and a rejection criterion by using power values of features. References: [1] Sun CT, Jang JSR (1993). A neuro-fuzzy classifier and its applications. Proc. of IEEE Int. Conf. on Fuzzy Systems, San Francisco 1:94–98.Int. Conf. on Fuzzy Systems, San Francisco 1:94–98 [2] B. Cetişli, A. Barkana (2010). Speeding up the scaled conjugate gradient algorithm and its application in neuro-fuzzy classifier training. Soft Computing 14(4):365–378. [3] B. Cetişli (2010). Development of an adaptive neuro-fuzzy classifier using linguistic hedges: Part 1. Expert Systems with Applications, 37(8), pp. 6093-6101. [4] B. Cetişli (2010). The effect of linguistic hedges on feature selection: Part 2. Expert Systems with Applications, 37(8), pp 6102-6108. e-mail:bcetisli@mmf.sdu.edu.tr bcetisli@gmail.com
用于识别模糊分类器的监督模糊聚类：每个规则可以表示多个不同概率的类-matlab开发
05-30
经典的模糊分类器由规则组成，每个规则描述一个类。 在本文中，提出了一种新的模糊模型结构，其中每个规则可以表示具有不同概率的多个类。 获得的分类器可以被认为是二次贝叶斯分类器的扩展，它利用模型的混合来估计类条件密度。 有人提出了一种监督聚类算法来识别这种模糊模型。 模糊分类器的相关输入变量是基于通过 Fisher 的类间可分离性标准对聚类进行的分析来选择的。 这种新方法应用于著名的葡萄酒和威斯康星乳腺癌分类问题。 它也被描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月 如需更多 MATLAB 工具，请访问： http://www.abonyilab.com/software-and-data
基于模糊分类关联规则的支持向量机分类器生成方法
10-22
利用模糊C一均值聚类算法对数据库 中的连续属性进行离散纯；然后，在诧基础上提出一转改进媳模糊荚联算法挖掘分类关联娩烈；最后，逶过砖募挽粼 和模式慧海的兼容拣指标采掏避特征向量，构建支持向薰辊酶分类器模型。实验结果表明，该方法具有较高的分獒 识别能力和分类效奉。
ArcGIS教程：模糊叠加和加权叠加.docx
09-13
ArcGIS教程：模糊叠加和加权叠加 本教程介绍了ArcGIS中的模糊叠加和加权叠加技术，旨在帮助用户更好地理解和应用这些技术。 一、模糊叠加 模糊叠加是一种基于模糊集合论的叠加方法，用于组合多个分类栅格数据。它...
ArcGIS基础：属性表模糊查询
yuanYW7556的博客
05-17 1万+
输入以下：【DLMC LIKE ‘__地’】（注意：地字前是2个“_”也就是它们2个之间是没有空格的），可以输出所有的【xx地】，也就是精确查询，比如【水浇地】。输入以下：【DLMC LIKE ‘%面%’】，表示可以搜出任何位置包含【面】的所有字符串。输入以下：【DLMC LIKE ‘%面’】可以筛选出所有以【面】为结尾的字符串。在查询中【%】可以代替任何字符数；【_】可以代替单个字符。模糊查询使用【like】工具。
2020-10-31
GKM521的博客
10-31 259
查询语句的基础语法 一基本查询语句 select (实现从一个或多个数据库中的一个或多个表中查询信息） select+*+from+table -name ( *=where+条件[column is [not] null) [] 表示可选项格式 *代表所有的列 from 指定所要查询数据源 二单表查询 select…from的使用 select子句的主要功能是输出字段或表达式的值 1 为字段取别名 2使用谓词过滤记录 三使用where 子句过滤结果集 1查询符合指定条件的记录数据 2带in关键字的查询
Arcgis10.6 表模糊搜索
GIS_yingyong的博客
05-16 2489
搜索格式如下： 列名 LIKE ‘%通用字段%’ 要注意的是这里的引号是单引号 引号和%号 要用英文状态输入
模糊选择ARCGIS
weixin_47585011的博客
05-31 270
字段 like ‘%模糊词%’
ArcGIS字段选择的操作方法
热门推荐
撼沧
12-23 3万+
这里分享的是ArcGIS字段的一些基础操作方法，本博文长期更新。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值