| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 背景与意义 | 第9-10页 |
| 1.2 人工神经网络的发展 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 高分辨率遥感影像分类研究现状 | 第12-13页 |
| 1.3.2 卷积神经网络的发展与研究现状 | 第13-16页 |
| 1.4 本文主要研究内容和技术路线 | 第16-18页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 技术路线 | 第16-18页 |
| 第二章 卷积神经网络的基本原理 | 第18-27页 |
| 2.1 卷积神经网络的结构 | 第18-24页 |
| 2.1.1 卷积层 | 第18-20页 |
| 2.1.2 下采样层 | 第20-21页 |
| 2.1.3 全连接层 | 第21-22页 |
| 2.1.4 激活函数 | 第22-24页 |
| 2.2 卷积神经网络的训练过程 | 第24-25页 |
| 2.3 卷积神经网络的优缺点 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 九层卷积神经网络的构建 | 第27-38页 |
| 3.1 LeNet-5模型 | 第27-28页 |
| 3.2 九层卷积神经网络构造 | 第28-36页 |
| 3.2.1 MNIST数据集 | 第28页 |
| 3.2.2 卷积层对图像分类的影响 | 第28-30页 |
| 3.2.2.1 卷积核的大小对图像分类的影响 | 第28-29页 |
| 3.2.2.2 卷积核的数目对图像分类的影响 | 第29-30页 |
| 3.2.3 池化方法及池化域大小对图像分类的影响 | 第30-32页 |
| 3.2.4 基于不同激活函数的图像分类结果比较 | 第32-33页 |
| 3.2.5 网络层数对图像分类的影响 | 第33-35页 |
| 3.2.6 基于不同训练样本数的分类结果 | 第35-36页 |
| 3.3 本章小结 | 第36-38页 |
| 第四章 基于Lorentz函数的稀疏约束卷积神经网络 | 第38-49页 |
| 4.1 卷积神经网络的代价函数 | 第38-39页 |
| 4.2 Lorentz函数的稀疏约束 | 第39-40页 |
| 4.2.1 Lorentz函数 | 第39页 |
| 4.2.2 Lorentz函数稀疏约束的性质 | 第39-40页 |
| 4.3 基于Lorentz函数的稀疏约束卷积神经网络 | 第40-42页 |
| 4.3.1 基于Lorentz函数的稀疏约束CNN的理论基础 | 第40-41页 |
| 4.3.2 模型求解 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-47页 |
| 4.4.1 模型的稳健性分析 | 第42-43页 |
| 4.4.2 模型的稀疏性分析 | 第43-45页 |
| 4.4.3 模型的分类率 | 第45-47页 |
| 4.4.3.1 基于不同训练样本数 | 第45-46页 |
| 4.4.3.2 基于不同迭代次数 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 基于LCNN的高分辨率遥感影像分类 | 第49-57页 |
| 5.1 高分辨率遥感影像分类框架 | 第49-50页 |
| 5.2 分类精度评价方法 | 第50-51页 |
| 5.2.1 混淆矩阵 | 第50页 |
| 5.2.2 总体分类精度 | 第50-51页 |
| 5.2.3 Kappa系数 | 第51页 |
| 5.3 基于LCNN-SVM方法的高分辨率遥感影像分类 | 第51-56页 |
| 5.3.1 数据集简介 | 第52页 |
| 5.3.2 遥感图像预处理 | 第52-53页 |
| 5.3.3 实验结果与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文的研究工作总结 | 第57-58页 |
| 6.2 相关研究工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |
