基于多核学习的云检测及分析技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的背景及来源 | 第8-10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 遥感图像云检测发展 | 第11-13页 |
| 1.3.2 多核学习理论发展 | 第13-14页 |
| 1.4 主要研究内容 | 第14-16页 |
| 第2章 云特征和多核学习方法 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 遥感图像中的云光谱 | 第16-18页 |
| 2.2.1 云特征提取 | 第16-17页 |
| 2.2.2 云检测问题描述 | 第17-18页 |
| 2.3 单核机器学习理论 | 第18-21页 |
| 2.3.1 核方法原理 | 第18-19页 |
| 2.3.2 支持向量机概述 | 第19-21页 |
| 2.4 多核学习理论框架 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于多核学习的云检测 | 第23-42页 |
| 3.1 引言 | 第23页 |
| 3.2 传统云检测方法 | 第23-26页 |
| 3.2.1 Cloud Mask 方法 | 第23-25页 |
| 3.2.2 基于线性鉴别分析的云检测方法 | 第25-26页 |
| 3.3 基于单核SVM的云检测方法 | 第26-28页 |
| 3.4 基于多核学习的云检测方法 | 第28-32页 |
| 3.4.1 多核空间中的类别描述和云含量解算 | 第28-30页 |
| 3.4.2 多核学习的求解 | 第30-32页 |
| 3.5 实验结果和分析 | 第32-41页 |
| 3.5.1 实验数据源简介 | 第32-34页 |
| 3.5.2 实验设置 | 第34-37页 |
| 3.5.3 实验结果与分析 | 第37-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 云高度及厚度的反演 | 第42-53页 |
| 4.1 引言 | 第42页 |
| 4.2 传统云顶高度反演方法 | 第42-45页 |
| 4.2.1 CO_2薄片法 | 第42-43页 |
| 4.2.2 基于支持向量回归的云高度估计 | 第43-45页 |
| 4.3 基于多核学习的高度及厚度估计 | 第45-48页 |
| 4.3.1 基于多核学习的云团厚度估计 | 第45-47页 |
| 4.3.2 基于多核学习的云顶高度估计 | 第47-48页 |
| 4.4 实验 | 第48-52页 |
| 4.4.1 云顶高度反演实验 | 第48-50页 |
| 4.4.2 核方法的云团厚度估计实验 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |
