| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-29页 |
| ·高光谱遥感的基本概念 | 第13-14页 |
| ·高光谱遥感技术在国内外的发展现状 | 第14-17页 |
| ·高光谱遥感技术在国外发展情况 | 第14-16页 |
| ·高光谱遥感技术在国内发展情况 | 第16-17页 |
| ·高光谱遥感图像分类算法 | 第17-25页 |
| ·直接在高光谱原始数据上的分类 | 第18-20页 |
| ·降维后利用传统方法的分类 | 第20-24页 |
| ·神经网络高光谱遥感图像分类技术 | 第24-25页 |
| ·课题的目的和意义 | 第25-26页 |
| ·课题来源与研究内容 | 第26-29页 |
| ·课题来源 | 第26-27页 |
| ·论文的主要研究内容 | 第27-29页 |
| 第2章 几种改进的BP算法在高光谱图像分类中的性能比较研究 | 第29-39页 |
| ·引言 | 第29页 |
| ·使用启发式信息技术的BP算法 | 第29-32页 |
| ·学习速率可变的BP算法 | 第29-31页 |
| ·加入动量项的BP算法 | 第31-32页 |
| ·加入数值优化技术的BP算法 | 第32-34页 |
| ·牛顿法 | 第32页 |
| ·共轭梯度法 | 第32-33页 |
| ·Levenberg-Marquardt算法 | 第33-34页 |
| ·几种改进的BP算法在高光谱图像分类中的性能比较 | 第34-36页 |
| ·选择性能最好的BP算法对高光谱图像进行分类实验 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 一种基于BP网络和决策融合的高光谱图像分类方法 | 第39-45页 |
| ·引言 | 第39页 |
| ·问题的提出和解决方法 | 第39-40页 |
| ·决策融合理论 | 第40-41页 |
| ·决策融合中的意见一致性理论 | 第40-41页 |
| ·BP神经网络和意见一致性理论相结合 | 第41页 |
| ·实例分析 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 基于RBF神经网络的高光谱图像分类研究 | 第45-52页 |
| ·引言 | 第45页 |
| ·RBF神经网络简介 | 第45-46页 |
| ·RBF神经网络结构参数设计 | 第46-49页 |
| ·隐层节点数目及基函数中心位置的确定 | 第46-48页 |
| ·基函数宽度的确定 | 第48页 |
| ·隐层到输出层的权值及输出节点阈值的确定 | 第48-49页 |
| ·实例分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 基于目标分解神经网络的高光谱遥感图像分类方法研究 | 第52-59页 |
| ·引言 | 第52-53页 |
| ·目标分解 | 第53-54页 |
| ·人工神经网络 | 第54-55页 |
| ·“亚类”归并 | 第55页 |
| ·实例分析 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第6章 基于RBF网络和方差纯化样本法的高光谱混合像元分解 | 第59-66页 |
| ·引言 | 第59页 |
| ·线性混合模型 | 第59-60页 |
| ·基于线性混合模型的高光谱遥感图像端元提取 | 第60-61页 |
| ·端元提取算法概述 | 第60-61页 |
| ·方差纯化样本法提取端元 | 第61页 |
| ·构造训练样本、设计RBF神经网络 | 第61-62页 |
| ·训练样本的构造 | 第62页 |
| ·设计RBF神经网络 | 第62页 |
| ·实验结果及分析 | 第62-65页 |
| ·数据说明 | 第63页 |
| ·结果及分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
