基于支持向量机的MODIS数据土地覆盖分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-17页 |
| ·研究背景综述 | 第10-12页 |
| ·分类方法的研究概况和发展趋势 | 第12-15页 |
| ·研究目的和内容 | 第15-16页 |
| ·研究目的 | 第15页 |
| ·研究内容 | 第15-16页 |
| ·论文组织 | 第16-17页 |
| 2 统计学习理论及支持向量机 | 第17-31页 |
| ·统计学习理论 | 第18-23页 |
| ·经验风险最小化 | 第18-19页 |
| ·学习过程一致性的条件 | 第19-20页 |
| ·VC 维 | 第20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化 | 第21-23页 |
| ·支持向量机 | 第23-31页 |
| ·最优分类超平面 | 第23-26页 |
| ·核函数与升维 | 第26-31页 |
| 3 研究与实验方法 | 第31-47页 |
| ·研究区概况 | 第31页 |
| ·数据源的选择及预处理 | 第31-35页 |
| ·MODIS 数据的优势 | 第31-33页 |
| ·数据的选择及预处理 | 第33-35页 |
| ·样本点的选择 | 第35-36页 |
| ·典型地物光谱亮度特征分析 | 第36-38页 |
| ·分类特征的选择和提取 | 第38-45页 |
| ·分类特征提取方法 | 第39-40页 |
| ·分类特征的选择 | 第40-44页 |
| ·最优分类特征的选择 | 第44-45页 |
| ·实验总流程 | 第45-47页 |
| 4 支持向量机分类实验 | 第47-59页 |
| ·支持向量机分类的步骤 | 第47-52页 |
| ·不同特征组合分类实验 | 第52-57页 |
| ·仅用一个时相反射率数据 | 第52-53页 |
| ·加入指数信息 | 第53-55页 |
| ·仅用时相信息 | 第55-56页 |
| ·同时加入指数信息和时相信息 | 第56-57页 |
| ·本章实验结论 | 第57-59页 |
| 5 SVM 与传统分类方法的性能比较 | 第59-70页 |
| ·分类器性能的衡量指标 | 第59-62页 |
| ·训练精度与估计精度 | 第59-60页 |
| ·模型复杂度与训练样本数 | 第60-61页 |
| ·特征维数与训练样本数 | 第61-62页 |
| ·传统分类方法介绍 | 第62-63页 |
| ·最大似然法 | 第62-63页 |
| ·人工神经网络法 | 第63页 |
| ·对比实验 | 第63-68页 |
| ·训练速度和测试速度的对比 | 第63-65页 |
| ·分类器的分类精度与数据维数的关系 | 第65-67页 |
| ·分类器的分类精度与训练样本数量的关系 | 第67-68页 |
| ·本章实验结论 | 第68-70页 |
| 6 结论与展望 | 第70-73页 |
| ·结论 | 第70-71页 |
| ·不足之处 | 第71-72页 |
| ·今后工作展望 | 第72-73页 |
| 附录：攻读硕士学位期间发表论文及参加科研项目 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
