Trung Văn Lê

Trong phân loại giám định, thuật toán phân loại gần đúng nhất MLC (Maximum Likelihood Classification) được xem là phương pháp chuẩn dựa trên cơ sở giả thuyết hàm mật độ xác suất tuân theo luật phân bố chuẩn. Hiện nay thuật toán này đang được áp dụng khá phổ biến trong phân ảnh vệ tinh. Tuy nhiên, khi dữ liệu ảnh không tuân theo luật phân bố chuẩn, kết quả phân loại của thuật toán sẽ tạo ra kết quả sai lệch đáng kể. Để khắc phục nhược điểm của MLC, mạng thần kinh đa lớp LNN (Layered Neural Network) đã được áp dụng và đem lại kết quả đáng tin cậy. Mối quan hệ lý thuyết giữa LNN và MLC đã được làm sáng tỏ với kết luận là giá trị xuất của LNN, khi đã được huấn luyện với bộ dữ liệu mẫu đầy đủ, được xem như là giá trị ước tính của xác suất sau trong phân loại MLC.
Nội dung bài báo nhằm khảo sát ảnh hưởng của bộ dữ liệu mẫu đến kết quả phân loại của 2 thuật toán và giới thiệu kết quả thực nghiệm đạt đựơc, đồng thời cho thấy ưu thế của LNN so với thuật toán phân loại MLC khi sử dụng trên cùng bộ dữ liệu huấn luyện.