DA技术首先应用了基于自组织特征图的聚类技术：利用自组织特征图神经网络对源域和目标域的样本进行聚类，A2然后使用-level聚类映射方法来识别具有最高样本分布相似性的目标-源聚类。来自一组相似目标簇的样本使用自动编码策略根据源域进行转换，构建训练集和测试集，最后基于人工神经网络分类器进行分类。遥感应用领域自适应的主要挑战：目标域样本与源域样本具有不同的概率分布。但是，必须仅使用来自源域的大量标记样本来对目标域分布进行建模。解决方案调整源分类器的参数以对来自目标域的未标记样本进行分类——存在从源域传播的噪声、异常值和固有特征的问题。b.将目标域特征纳入分类器的训练集土地覆盖分类领域自适应技术的发展趋势a．第一类强调将来自两个域的样本直接转换为可以抵消分布差异的相同子空间。b.第二类是迁移学习，它使用来自源域的样本从目标域中选择信息量最大或最多样化的样本。研究方法：一．二级聚类映射：在第一级，分别计算第t个目标簇和第s个源簇的特征差异。然后，第t个目标簇与特征差异最小的第j个源簇配对。除此之外，还为所有目标-源集群对计算置信度度量。在第二阶段，使用半自动阈值选择算法来分离最相似的成对源-目标簇和不相似的源-目标簇，只保留最相似的成对目标-源簇；同时，剩余的对被排除为不同的集群。具体来说，自动编码器将样本从最相似配对的目标集群转换为相应的源集群。对于不相似的目标簇，选取距离簇中心最近的r个样本作为带标签的代表（包括最终训练集中目标区域的分布特征信息），采用迁移学习过程进行标注。二级聚类映射流程图b．自组织特征映射（Self-organizingfeaturemapping-SOM）自组织神经网络：输入层模拟感知外界输入信息的视网膜，输出层模拟响应的大脑皮层。主要用来完成的任务基本上就是“分类”和“聚类”。前者是有监督的，后者是无监督的。聚类也可以看作是对目标样本进行分类，但在没有任何先验知识的情况下，目的是将相似的样本聚集在一起，分离不相似的样本。网络的输出神经元相互竞争激活，使得每一时刻只有一个输出神经元被激活。这个被激活的神经元被称为竞争获胜神经元，而其他神经元的状态则被抑制。自组织特征图结构自组织特征图步骤向量归一化寻找获胜神经元：当网络得到一个输入向量X时，将输出层中所有神经元对应的权重向量与它们进行比较，最相似的权重向量被判断为获胜的神经元。网络输出和权值调整：以获胜神经元为中心设置一个邻域半径R，该半径围成的范围称为获胜邻域，获胜邻域内的所有神经元根据与获胜神经元的距离不同程度调整自己的权重神经元。获胜邻域最初设置得很大，但随着训练次数的增加其大小不断缩小，最后缩小到半径为零。C。ClassifiersbasedonANNsMulti-layerperceptron(MLP)MLP是一种具有一个或多个隐藏层的前馈神经网络，它通过最小化期望类标签和预测类标签之间的误差平方和来调整连续层的权重神经元之间的节点连接。它主要使用径向基函数（RBF）、椭圆基函数（EBF）和RBF的扩展。分类流程图d．径向基函数神经网络优点：具有良好的逼近能力、分类能力和学习速度，学习收敛速度快，可以逼近任意非线性函数，克服局部极小问题。（原因是它的参数初始化有一定的方法，不是随机初始化。）基本思想：以RBF为隐单元的“基”，形成隐层空间，隐层对输入向量进行变换，所以即输入向量可以直接（不通过权重连接）到隐藏空间（将低维模式输入数据变换到高维空间，从而使低维空间中的线性不可分问题在低维空间中线性可分高维空间）。隐含层空间到输出空间的映射是线性的，即网络输出是隐含单元输出的线性加权和，这里的权重是网络可调参数。
