Кластеризация почвенно-растительных объектов с помощью нейросетевого алгоритма Кохонена

Решается задача кластеризации (классификации без обучения) почвенно-растительных объектов по данным гиперспектрального зондирования с борта авианосителя. Для этой цели используется отображение Кохонена из многомерного пространства спектральных данных на двумерную поверхность с последующей кластеризацией данных на этой поверхности методом ISODATA. Для кластеризации используются не весь объем данных, а данные с некоторых участков, которые в работе условно названы обучающими участками (для кластеризации). Этими участками могут являться либо случайно выбранные точки, либо данные об интересующих нас объектах.
Применение кластеризации по Кохонену как средства классификации требует ручной агрегации кластеров в классы. И даже при этом условии ошибки больше, чем в методах с обучением. Поэтому мы не рассматриваем кластеризацию как самостоятельный метод. Ее можно использовать как средство визуализации данных – для предварительной оценки территории. Наилучшие перспективы у кластеризации – как у средства построения обучающих участков для метода максимума правдоподобия. При этом проявляется высокая устойчивость результатов кластеризации к выбору исходных данных. Точность метода МП на таких участках по некоторым объектам заметно выше, чем на выбранных вручную участках.
Кластеризацию можно применять итеративно для улучшения обучающих участков. В этом варианте можно ожидать повышения точности сравнительно с ручным выбором обучающих участков. Участки, выбранные вручную, могут служить начальной точкой для итераций. Здесь требуются исследования сходимости этого процесса.