| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度学习研究现状 | 第11-13页 |
| 1.2.2 遥感滑坡检测研究现状 | 第13-14页 |
| 1.3 主要研究工作 | 第14-16页 |
| 第2章 深度学习理论与方法 | 第16-42页 |
| 2.1 机器学习方法 | 第16-23页 |
| 2.1.1 浅层与深层特征学习 | 第17-18页 |
| 2.1.2 浅层机器学习算法与缺点 | 第18-23页 |
| 2.2 深度学习关键问题 | 第23-26页 |
| 2.2.1 深度学习网络构建 | 第23-24页 |
| 2.2.2 深度学习训练过程 | 第24-26页 |
| 2.3 深层网络模型 | 第26-34页 |
| 2.3.1 深度置信网络 | 第26-28页 |
| 2.3.2 堆栈式自编码器 | 第28-31页 |
| 2.3.3 卷积神经网络 | 第31-34页 |
| 2.4 优化算法 | 第34-39页 |
| 2.4.1 传统优化算法 | 第34-37页 |
| 2.4.2 现代优化算法 | 第37-39页 |
| 2.5 深度学习参数优化 | 第39-41页 |
| 2.5.1 深度学习优化算法 | 第39-40页 |
| 2.5.2 防止过拟合 | 第40-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第3章 高光谱遥感与滑坡灾害特征 | 第42-65页 |
| 3.1 高光谱遥感成像原理 | 第42-43页 |
| 3.2 高光谱遥感数据特征 | 第43-50页 |
| 3.2.1 实验数据简介 | 第43-45页 |
| 3.2.2 高光谱数据特征 | 第45-50页 |
| 3.3 滑坡灾害目标概述 | 第50-64页 |
| 3.3.1 滑坡地质灾害 | 第50-52页 |
| 3.3.2 滑坡影像特征 | 第52-57页 |
| 3.3.3 滑坡影响因子 | 第57-64页 |
| 3.4 本章小结 | 第64-65页 |
| 第4章 基于深度学习的滑坡检测模型设计与实现 | 第65-76页 |
| 4.1 约束条件下基于DBN的滑坡检测模型 | 第65-67页 |
| 4.2 约束条件下联合DBN和DCNN的滑坡检测方法 | 第67-69页 |
| 4.3 实验分析与验证 | 第69-75页 |
| 4.3.1 实验数据处理 | 第69-70页 |
| 4.3.2 RBM的光谱的重构 | 第70-72页 |
| 4.3.3 DBN网络深度对分类的影响 | 第72-73页 |
| 4.3.4 卷积网络对滑坡特征的提取 | 第73页 |
| 4.3.5 滑坡检测效果比较 | 第73-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第5章 结论与展望 | 第76-78页 |
| 5.1 研究结论 | 第76-77页 |
| 5.2 研究展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士期间取得研究成果 | 第83页 |