❶ java的ssm框架控制層怎麼獲取參數
參數是由前台頁面傳遞過去的，控制層需要定義和前台傳遞的相同參數個數和名稱，如果格式和類型及鬧滾參數個數都相同的話調用到控制層方法的話參數也就獲取到了，如果獲取失敗的話你還可以試試
String userName = request.getParameter("userName");
String password = request.getParameter("password");
這樣的方液拆余式獲御猜取參數
望採納
❷ envi 中幾種分類方法的參數怎麼設置
envi 中幾種分類方法的參數設置方法如下：
1、平行六面體
（1）在主菜單中，選擇Classification->Supervised->Parallelpiped，在文件輸入對話框中選擇TM分類影像，單擊OK按鈕打開Parallelpiped參數設置面板。
（2）SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Set Max stdev from Mean：設置標准差閾值，有三種類型：
l None：不設置標准差閾值；
l Single Value：為所有類別設置一個標准差閾值；
l Multiple Values：分別為每一個類別設置一個標准差閾值。
選擇Single Value，值為3。
（4）單擊Preview，可以在右邊窗口中預覽分類結果，單擊Change View可以改變預覽區域。
（5）選擇分類結果的輸出路徑及文件名。
（6）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（7）單擊OK按鈕執行分類。
2、最小距離
（1）在主菜單中，選擇Classification->Supervised-> Minimum Distance，在文件輸入對話框中選擇TM分類影像，單擊OK按鈕打開Minimum Distance參數設置面板。
（2）SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Set Max stdev from Mean：設置標准差閾值，有三種類型：
l None：不設置標准差閾值；
l Single Value：為所有類別設置一個標准差閾值；
l Multiple Values：分別為每一個類別設置一個標准差閾值。
選擇Single Value，值為4。
（4）Set Max Distance Error：設置最大距離誤差，以DN值方式輸入一個值，距離大於該值的像元不被分入該類（如果不滿足所有類別的最大距離誤差，它們就不會被歸為未分類類(unclassified)）。也有三種類型，這里選擇None。
（5）單擊Preview，可以在右邊窗口中預覽分類結果，單擊Change View可以改變預覽區域。
（6）選擇分類結果的輸出路徑及文件名。
（7）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（8）單擊OK按鈕執行分類。
3、馬氏距離
（1）在主菜單中，選擇Classification->Supervised-> Mahalanobis Distance，在文件輸入對話框中選擇TM分類影像。單擊OK按鈕打開Mahalanobis Distance參數設置面板。
（2）SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Set Max Distance Error：設置最大距離誤差，以DN值方式輸入一個值，距離大於該值的像元不被分入該類（如果不滿足所有類別的最大距離誤差，它們就不會被歸為未分類類(unclassified)）。也有三種類型，這里選擇None。
（4）單擊Preview，可以在右邊窗口中預覽分類結果，單擊Change View可以改變預覽區域。
（5）選擇分類結果的輸出路徑及文件名。
（6）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（7）單擊OK按鈕執行分類。
4. 最大似然
（1）在主菜單中，選擇Classification->Supervised-> Likelihood Classification，在文件輸入對話框中選擇TM分類影像。單擊OK按鈕打開Likelihood Classification參數設置面板。
（2）SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Set Probability Threshold：設置似然度的閾值。如果選擇Single Value，則在「Probability Threshold」文本框中，輸入一個0到1之間的值，似然度小於該閾值不被分入該類。這里選擇None。
（4）Data Scale Factor：輸入一個數據比例系數。這個比例系數是一個比值系數，用於將整型反射率或輻射率數據轉化為浮點型數據。例如：如果反射率數據在范圍0-10000之間，則設定的比例系數就為10000。對於沒有定標的整型數據，也就是原始DN值，將比例系數設為2n-1，n為數據的比特數，例如：對於8-bit數據，設定的比例系數為255，對於10-bit數據，設定的比例系數為1023，對於11-bit數據，設定的比例系數為2047。
（5）單擊Preview，可以在右邊窗口中預覽分類結果，單擊Change View可以改變預覽區域。
（6）選擇分類結果的輸出路徑及文件名。
（7）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（8）單擊OK按鈕執行分類。
5. 神經網路
（1）在主菜單中，選擇Classification->Supervised-> Neural Net Classification，在文件輸入對話框中選擇TM分類影像。單擊OK按鈕打開Neural Net Classification參數設置面板。
（2）SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Activation：選擇活化函數。對數（Logistic）和雙曲線（Hyperbolic）。
（4）Training Threshold Contribution：輸入訓練貢獻閾值(0-1)。該參數決定了與活化節點級別相關的內部權重的貢獻量。它用於調節節點內部權重的變化。訓練演算法互動式地調整節點間的權重和節點閾值，從而使輸出層和響應誤差達到最小。將該參數設置為0不會調整節點的內部權重。適當調整節點的內部權重可以生成一幅較好的分類圖像，但是如果設置的權重太大，對分類結果也會產生不良影響。
（5）Training Rate：設置權重調節速度（0~1）。參數值越大則使訓練速度越快，但也增加擺動或者使訓練結果不收斂。
（6）Training Momentum：輸入一個0~1的值。該值大於0時，在「Training Rate」文本框中鍵入較大值不會引起擺動。該值越大，訓練的步幅越大。該參數的作用是促使權重沿當前方向改變。
（7）Training RMS Exit Criteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練也會停止，然後開始進行分類。
（8）Number of Hidden Layers：鍵入所用隱藏層的數量。要進行線性分類，鍵入值為0。沒有隱藏層，不同的輸入區域必須與一個單獨的超平面線性分離。要進行非線性分類，輸入值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平面才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用於區分輸入空間，空間中的不同要素不臨近也不相連。
（9）Number of Training Iterations：輸入用於訓練的迭代次數。
（10）Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小於該閾值，在輸出的分類中，該像元將被歸入未分類中（unclassified）。
（11）選擇分類結果的輸出路徑及文件名。
（12）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（13）單擊OK按鈕執行分類。
6、支持向量機
（1）在主菜單中，選擇Classification->Supervised-> Support Vector Machine Classification，在文件輸入對話框中選擇TM分類影像。單擊OK按鈕打開Support Vector Machine Classification參數設置面板。
（2）Kernel Type下拉列表裡選項有 Linear，Polynomial，Radial Basis Function，以及Sigmoid。
l 如果選擇Polynomial，設置一個核心多項式（Degree of Kernel Polynomial）的次數用於SVM，最小值是1，最大值是6。
l 如果選擇Polynomial or Sigmoid，使用向量機規則需要為Kernel指定 the Bias ，默認值是1。
l 如果選擇是 Polynomial、Radial Basis Function、Sigmoid，需要設置Gamma in Kernel Function參數。這個值是一個大於零的浮點型數據。默認值是輸入圖像波段數的倒數。
（3）Penalty Parameter：這個值是一個大於零的浮點型數據。這個參數控制了樣本錯誤與分類剛性延伸之間的平衡， 默認值是100。
（4）Pyramid Levels：設置分級處理等級，用於SVM訓練和分類處理過程。如果這個值為0，將以原始解析度處理；最大值隨著圖像的大小而改變，
（5）Pyramid Reclassification Threshold（0~1）：當Pyramid Levels值大於0時候需要設置這個重分類閾值。
（6）Classification Probability Threshold： 為分類設置概率域值，如果一個像素計算得到所有的規則概率小於該值，該像素將不被分類，范圍是0~1，默認是0。
（7）選擇分類結果的輸出路徑及文件名。
（8）設置Out Rule Images為Yes，選擇規則圖像輸出路徑及文件名。
（9）單擊OK按鈕執行分類。