| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题的研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状及分析 | 第15-18页 |
| 1.3 本文的主要研究内容 | 第18-20页 |
| 第二章 深度学习常用模型介绍及自编码网络结构 | 第20-28页 |
| 2.1 深度学习常用模型介绍 | 第20-21页 |
| 2.2 自编码网络结构 | 第21-24页 |
| 2.2.1 自动编码器 | 第21-23页 |
| 2.2.2 堆栈自动编码器 | 第23-24页 |
| 2.3 实验所用数据集介绍 | 第24-26页 |
| 2.4 评价指标 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于判别性自编码网络的高光谱图像分类 | 第28-44页 |
| 3.1 基于空谱结合的自编码网络分类方法 | 第28-31页 |
| 3.1.1 利用光谱信息进行分类的模型 | 第28-29页 |
| 3.1.2 利用空间信息进行分类的模型 | 第29-30页 |
| 3.1.3 基于空谱结合方式的分类模型 | 第30-31页 |
| 3.2 基于判别性自编码网络的高光谱图像分类方法 | 第31-32页 |
| 3.3 具有判别性自编码网络模型的训练及分类 | 第32-36页 |
| 3.3.1 网络的训练 | 第32-36页 |
| 3.3.2 微调和分类 | 第36页 |
| 3.4 实验结果与分析 | 第36-43页 |
| 3.4.1 Indian Pines数据集 | 第36-39页 |
| 3.4.2 Pavia数据集 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于集成网络的高光谱图像分类方法 | 第44-62页 |
| 4.1 高光谱图像分类方法常用的邻域选取方法问题分析 | 第44-45页 |
| 4.2 基于集成网络的高光谱图像分类方法 | 第45-48页 |
| 4.2.1 集成学习简介 | 第45-46页 |
| 4.2.2 基于集成网络的高光谱图像分类 | 第46-48页 |
| 4.3 集成网络的训练 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-61页 |
| 4.4.1 Indian Pines数据集 | 第50-54页 |
| 4.4.2 Pavia数据集 | 第54-58页 |
| 4.4.3 Salinas scene数据集 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 基于非局部方式的高光谱图像分类方法 | 第62-74页 |
| 5.1 利用局部信息进行高光谱图像分类的模型 | 第62页 |
| 5.2 基于非局部方式的高光谱图像分类方法 | 第62-66页 |
| 5.2.1 KNN算法 | 第62-63页 |
| 5.2.2 提出的新型KNN准则 | 第63-64页 |
| 5.2.3 基于非局部方式的高光谱图像分类方法 | 第64-66页 |
| 5.3 非局部方式的高光谱图像分类方法的训练 | 第66-67页 |
| 5.4 实验结果及分析 | 第67-72页 |
| 5.4.1 Pavia数据集 | 第67-69页 |
| 5.4.2 Salinas scene数据集 | 第69-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文内容总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |