| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究的目的意义 | 第10-11页 |
| ·国内外研究现状与趋势 | 第11-15页 |
| ·遥感矿化蚀变信息提取研究现状 | 第12-13页 |
| ·支持向量机模型参数选择的研究现状 | 第13-15页 |
| ·支持向量机提取矿化蚀变信息的研究现状 | 第15页 |
| ·研究思路及内容 | 第15-18页 |
| 1、引入粒子群优化方法解决VSM模型参数的选择问题 | 第16-17页 |
| 2、利用 SVM 进行矿化蚀变信息提取试验研究 | 第17-18页 |
| 第二章 支持向量机学习方法 | 第18-29页 |
| ·引言 | 第18页 |
| ·支持向量机的理论基础 | 第18-21页 |
| ·机器学习问题的表示 | 第18页 |
| ·经验风险最小化原则 | 第18-19页 |
| ·学习机器的复杂性与推广能力 | 第19页 |
| ·函数集的学习能力与 VC 维 | 第19-20页 |
| ·推广性的界 | 第20页 |
| ·结构风险最小化归纳原则 | 第20-21页 |
| ·支持向量机基本原理 | 第21-29页 |
| ·最优分类超平面 | 第22-23页 |
| ·构造最优分类超平面 | 第23-24页 |
| ·广义最优分类超平面 | 第24-25页 |
| ·支持向量机 | 第25-29页 |
| 第三章 粒子群优化算法 | 第29-36页 |
| ·引言 | 第29页 |
| ·标准粒子群算法 | 第29-33页 |
| ·算法背景—人工生命 | 第29页 |
| ·鸟群觅食策略 | 第29-30页 |
| ·算法模型 | 第30-31页 |
| ·算法工作流程 | 第31-33页 |
| ·算法参数设置 | 第33页 |
| ·改进的粒子群算法 | 第33-35页 |
| ·惯性权重法 | 第33-34页 |
| ·压缩因子法 | 第34页 |
| ·领域拓扑法 | 第34-35页 |
| ·与遗传算法的比较 | 第35-36页 |
| 第四章 基于粒子群优化的 SVM 模型参数选择 | 第36-53页 |
| ·引言 | 第36页 |
| ·模型选择 | 第36-37页 |
| ·模型参数对 SVM 性能的影响 | 第37-38页 |
| ·核参数对 SVM 性能的影响 | 第37页 |
| ·惩罚因子对 SVM 性能的影响 | 第37-38页 |
| ·核参数和惩罚因子的相互关系 | 第38页 |
| ·模型参数选择方法 | 第38-42页 |
| ·模型参数的性能评价方法 | 第38-40页 |
| ·模型参数的搜索机制 | 第40-41页 |
| ·LibSVM 库采用的模型参数选择方法 | 第41-42页 |
| ·基于粒子群优化的模型参数选择方法 | 第42-51页 |
| ·工作流程 | 第43-44页 |
| ·样本归一化 | 第44页 |
| ·特征选择 | 第44页 |
| ·搜索空间初始化 | 第44-45页 |
| ·空间映射 | 第45-47页 |
| ·分布粒子 | 第47-49页 |
| ·训练 SVM | 第49-50页 |
| ·计算粒子适应度值 | 第50页 |
| ·更新粒子 | 第50页 |
| ·细化搜索空间、减少粒子数量 | 第50-51页 |
| ·方法评价 | 第51-53页 |
| 第五章 基于 SVM 的遥感蚀变信息提取试验 | 第53-73页 |
| ·引言 | 第53页 |
| ·遥感蚀变信息提取的基本原理 | 第53-54页 |
| ·遥感蚀变信息提取的常用方法 | 第54-56页 |
| ·波段比值法 | 第55页 |
| ·主成分分析法 | 第55-56页 |
| ·光谱角填图法 | 第56页 |
| ·混合像元分解法 | 第56页 |
| ·基于 SVM 的矿化蚀变信息提取试验 | 第56-73页 |
| ·自然地理概况 | 第56-57页 |
| ·区域地质背景 | 第57-60页 |
| ·区域矿产概况 | 第60-61页 |
| ·成矿地质条件分析 | 第61页 |
| ·遥感图像预处理 | 第61-63页 |
| ·基于 SVM 提取矿化蚀变信息 | 第63-69页 |
| ·效果评价 | 第69-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·主要成果与认识 | 第73页 |
| ·存在问题与建议 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 在学习期间发表论文、参加科研项目和学术会议 | 第81页 |